史浩東， 盧 虎， 卞志昂

(空軍工程大學(xué)信息與導(dǎo)航學(xué)院， 西安， 710077)

目前，大多數(shù)無(wú)人機(jī)感知識(shí)別技術(shù)的研究都是在視覺(jué)探測(cè)的基礎(chǔ)上進(jìn)行的：文獻(xiàn)[1]通過(guò)搭建視覺(jué)傳感網(wǎng)建立了無(wú)人機(jī)的圖像識(shí)別中心；文獻(xiàn)[2]在無(wú)人機(jī)與非無(wú)人機(jī)的圖像樣本集的基礎(chǔ)上，通過(guò)改進(jìn)LeNet-5隱含層結(jié)構(gòu)來(lái)提高無(wú)人機(jī)的目標(biāo)識(shí)別率；文獻(xiàn)[3]通過(guò)建立多尺度、多角度、多背景條件下的無(wú)人機(jī)目標(biāo)圖像數(shù)據(jù)庫(kù)，進(jìn)行了低空弱小無(wú)人機(jī)目標(biāo)的檢測(cè)研究；文獻(xiàn)[4]在視覺(jué)檢測(cè)的基礎(chǔ)上加入了目標(biāo)跟蹤的設(shè)計(jì)，有助于對(duì)無(wú)人機(jī)的鎖定與跟蹤。

但是，視覺(jué)探測(cè)對(duì)于較遠(yuǎn)距離的情況難以處理，并且容易受到附近高大建筑物的遮擋，另外，在霧霾等天氣因素影響下，能見(jiàn)度低也會(huì)導(dǎo)致視覺(jué)探測(cè)難以取得良好的效果。

射頻探測(cè)技術(shù)的探測(cè)距離較遠(yuǎn)，并且可以將捕獲到的相應(yīng)的無(wú)人機(jī)信號(hào)進(jìn)行分類(lèi)處理，有助于對(duì)其做針對(duì)性的部署工作，同時(shí)也為之后的反制和欺騙技術(shù)打下良好的基礎(chǔ)。這些優(yōu)點(diǎn)決定了射頻探測(cè)技術(shù)將成為反無(wú)人機(jī)技術(shù)和無(wú)人機(jī)探測(cè)技術(shù)的主要發(fā)展趨勢(shì)。文獻(xiàn)[5]針對(duì)無(wú)人機(jī)射頻檢測(cè)技術(shù)進(jìn)行了初步研究，通過(guò)竊聽(tīng)無(wú)人機(jī)與其控制器之間的通信來(lái)檢測(cè)無(wú)人機(jī)，初步實(shí)驗(yàn)驗(yàn)證了其可行性。

Timothy J O’Shea于2016年利用卷積神經(jīng)網(wǎng)絡(luò)[6]對(duì)11種通信信號(hào)進(jìn)行了識(shí)別分類(lèi)，該方法本質(zhì)上是通過(guò)神經(jīng)網(wǎng)絡(luò)學(xué)習(xí)信號(hào)特征的算法。

在此基礎(chǔ)上本文基于卷積神經(jīng)網(wǎng)絡(luò)設(shè)計(jì)并實(shí)現(xiàn)了一種無(wú)人機(jī)信號(hào)的感知識(shí)別分類(lèi)算法，不僅可以起到預(yù)警的作用，還可以對(duì)其相應(yīng)的無(wú)人機(jī)型號(hào)和飛行模式進(jìn)行分類(lèi)，便于對(duì)黑飛無(wú)人機(jī)進(jìn)行針對(duì)性的部署工作,進(jìn)而通過(guò)人工智能技術(shù)解決無(wú)人機(jī)的黑飛和管控問(wèn)題。

1 無(wú)人機(jī)測(cè)控信號(hào)經(jīng)典識(shí)別分類(lèi)算法

現(xiàn)在大多數(shù)民用無(wú)人機(jī)遙控信號(hào)都在ISM頻段(即2.4 GHz頻段),采用專(zhuān)有跳頻擴(kuò)頻技術(shù)(FHSS)[7]?；虿捎弥苯有蛄袛U(kuò)頻(DSSS)或正交頻分復(fù)用技術(shù)[8](OFDM)。由于遙控信號(hào)屬于多載波調(diào)制的低速跳頻信號(hào)，導(dǎo)致對(duì)該信號(hào)的特征參數(shù)提取難度較高。在跳頻信號(hào)的識(shí)別中，基于時(shí)頻分析的跳頻信號(hào)參數(shù)估計(jì)的方法居于主流地位[9]。同時(shí)，由于無(wú)人機(jī)信號(hào)屬于低速跳頻信號(hào)，文獻(xiàn)[10]采取的方法是將信號(hào)分隔為多段，每個(gè)時(shí)頻分析窗口只對(duì)1 024個(gè)點(diǎn)做時(shí)頻變換，最后將每段信號(hào)的最大值圖拼接到一起，再去估計(jì)相關(guān)參數(shù)，更加有利于低速跳頻信號(hào)的特征參數(shù)提取。

跳頻信號(hào)的數(shù)學(xué)表達(dá)式為：

(t-kTh-θ)ej2πfk(t-kTh-θ)+n(t)

(1)

式中：A為信號(hào)的幅度大??；θ為其初始相位，k≥1且為整數(shù)；rectTh(t)表示信號(hào)的脈沖波形，其時(shí)間寬度為T(mén)h，fk為信號(hào)的跳頻頻率；n(t)為加性噪聲。

針對(duì)信號(hào)識(shí)別的問(wèn)題，主流方法是對(duì)信號(hào)進(jìn)行一定的預(yù)處理并進(jìn)行信號(hào)的特征提取，之后通過(guò)模式識(shí)別的分類(lèi)算法進(jìn)行識(shí)別；同時(shí)也有利用基于最大似然比的分類(lèi)方法進(jìn)行識(shí)別[11]。這兩種方法都有著明顯的缺陷：信號(hào)的特征提取主要依賴(lài)于特征的選擇，對(duì)特征的選擇提取提出了很高的要求。而從最大似然比的角度去進(jìn)行識(shí)別，則需要預(yù)先了解信號(hào)的較多先驗(yàn)知識(shí)，實(shí)時(shí)性較差，不適用于無(wú)人機(jī)信號(hào)的識(shí)別。

針對(duì)無(wú)人機(jī)識(shí)別分類(lèi)技術(shù)的研究，文獻(xiàn)[12]從時(shí)頻圖的角度基于圖像特征設(shè)計(jì)分類(lèi)算法，但是其只對(duì)2種無(wú)人機(jī)型號(hào)進(jìn)行了分選。文獻(xiàn)[13]針對(duì)多個(gè)無(wú)人機(jī)建立了多天線(xiàn)陣列接收信號(hào)模型，能夠提高波達(dá)方向角的估計(jì)精度，但是其只進(jìn)行了軟件的模擬仿真。

一維信號(hào)可以看做具有線(xiàn)性混合、時(shí)移、旋轉(zhuǎn)、尺度縮放和卷積的不變性，故信號(hào)的分類(lèi)很大程度上類(lèi)似于視覺(jué)領(lǐng)域的分類(lèi)，在圖像處理的問(wèn)題中，也會(huì)面臨著圖片經(jīng)歷縮放、位移、旋轉(zhuǎn)、遮擋、明暗變化和其他形式的噪聲。而卷積神經(jīng)網(wǎng)絡(luò)在圖像處理中取得了較好的效果，該網(wǎng)絡(luò)也被應(yīng)用于信號(hào)的識(shí)別與分類(lèi)中。文獻(xiàn)[14]針對(duì)無(wú)線(xiàn)網(wǎng)絡(luò)信號(hào)進(jìn)行預(yù)處理后，采用卷積神經(jīng)網(wǎng)絡(luò)進(jìn)行特征參數(shù)的提取，然后用相關(guān)分類(lèi)算法進(jìn)行識(shí)別。文獻(xiàn)[15]利用卷積神經(jīng)網(wǎng)絡(luò)對(duì)通信、電抗、雷達(dá)等11種型號(hào)的輻射源進(jìn)行關(guān)聯(lián)識(shí)別。

根據(jù)無(wú)人機(jī)測(cè)控信號(hào)的相關(guān)特點(diǎn)，本文采用對(duì)無(wú)人機(jī)射頻信號(hào)(RF信號(hào))進(jìn)行離散的傅里葉變換，將測(cè)控信號(hào)轉(zhuǎn)變?yōu)橐痪S的頻譜向量的方法，進(jìn)一步發(fā)掘RF信號(hào)更多的潛在信息，使其可以更有效地被學(xué)習(xí)，以便于高效的檢測(cè)和識(shí)別。然后將傅里葉變換后的數(shù)據(jù)送入神經(jīng)網(wǎng)絡(luò)，讓其進(jìn)行分類(lèi)處理。同時(shí)，本文所提算法具備良好的可擴(kuò)展性，能夠?qū)λ罱ǖ臒o(wú)人機(jī)射頻RF信號(hào)數(shù)據(jù)庫(kù)進(jìn)行不斷地補(bǔ)充擴(kuò)展，進(jìn)而實(shí)現(xiàn)多目標(biāo)無(wú)人機(jī)的識(shí)別分類(lèi)。

圖1為本文所提深度卷積網(wǎng)絡(luò)多目標(biāo)無(wú)人機(jī)信號(hào)檢測(cè)方法的總體技術(shù)框圖。首先利用相應(yīng)的軟件無(wú)線(xiàn)電設(shè)備(SDR)對(duì)無(wú)人機(jī)的信號(hào)進(jìn)行錄制采樣，建立無(wú)人機(jī)的RF信號(hào)數(shù)據(jù)庫(kù)，然后將其轉(zhuǎn)換為無(wú)人機(jī)型號(hào)(飛行模式)對(duì)應(yīng)的頻譜向量，歸一化處理并作為神經(jīng)網(wǎng)絡(luò)模型的輸入。在訓(xùn)練階段，通過(guò)之前建立的訓(xùn)練集和驗(yàn)證集來(lái)進(jìn)行網(wǎng)絡(luò)參數(shù)的優(yōu)化與修正，通過(guò)卷積層和池化層對(duì)頻譜向量進(jìn)行相關(guān)特征的提取，該網(wǎng)絡(luò)的輸出為1×n的矩陣，并取最大值所在的相對(duì)位置作為模型的分類(lèi)結(jié)果。通過(guò)標(biāo)簽與輸出結(jié)果的對(duì)比進(jìn)行反向傳播更新卷積核的參數(shù)，利用驗(yàn)證集對(duì)訓(xùn)練后的模型進(jìn)行檢驗(yàn)。在應(yīng)用階段，通過(guò)實(shí)時(shí)采集不同的背景信號(hào)進(jìn)行相同的處理并送入分類(lèi)器中檢驗(yàn)其效果。

圖1 無(wú)人機(jī)目標(biāo)識(shí)別分類(lèi)總體框圖

2 基于卷積神經(jīng)網(wǎng)絡(luò)的測(cè)控信號(hào)識(shí)別分類(lèi)模型及優(yōu)化設(shè)計(jì)

本文所建立卷積神經(jīng)網(wǎng)絡(luò)的測(cè)控信號(hào)識(shí)別分類(lèi)網(wǎng)絡(luò)由4層卷積層、4層池化層和3層全連接層組成(其中，最后一層全連接層的輸出作為最后的輸出)；為方便描述，將卷積層和池化層的順序連接統(tǒng)稱(chēng)為第n層，各層的參數(shù)設(shè)置見(jiàn)表1，輸入的單個(gè)頻譜矩陣尺寸為1×2 048，卷積層和池化層的參數(shù)簡(jiǎn)記為(核尺寸/步長(zhǎng))×核個(gè)數(shù)的形式，全連接層的參數(shù)簡(jiǎn)記為神經(jīng)元個(gè)數(shù)的形式。

表1 卷積神經(jīng)網(wǎng)絡(luò)參數(shù)

以第1層為例進(jìn)行簡(jiǎn)單介紹。第1層卷積層Conv1包括32個(gè)卷積核，卷積核尺寸大小為 1×5，卷積層的輸出通過(guò)激活函數(shù)ReLU對(duì)數(shù)據(jù)進(jìn)行非線(xiàn)性化映射，然后通過(guò)池化層進(jìn)行下采樣處理，池化層下采樣窗口的大小為1×2。

本文所采用的網(wǎng)絡(luò)結(jié)構(gòu)層數(shù)較多，若采用sigmoid激活函數(shù)容易導(dǎo)致梯度消失的問(wèn)題，故網(wǎng)絡(luò)采用ReLU函數(shù)代替sigmoid函數(shù)。為了提高模型的學(xué)習(xí)效率，使模型能夠更快收斂，采用Adam作為本模型的優(yōu)化器。

擬合問(wèn)題是神經(jīng)網(wǎng)絡(luò)的經(jīng)典問(wèn)題之一，在對(duì)飛行模式進(jìn)行區(qū)分的過(guò)程中也遇到了過(guò)擬合的情況，故在第5層到第6層的全連接層之間引入了Dropout層，該層的設(shè)置會(huì)在模型的訓(xùn)練過(guò)程中隨機(jī)選擇一小部分神經(jīng)元做失活處理，從而避免網(wǎng)格細(xì)胞之間復(fù)雜的適應(yīng)性結(jié)構(gòu)，避免過(guò)擬合的情況。本文參考文獻(xiàn)[16]Dropout層的參數(shù)設(shè)置并結(jié)合本網(wǎng)絡(luò)的訓(xùn)練效果，所采用的Dropout層將50%的神經(jīng)元做失活處理。

在進(jìn)行飛行模式的區(qū)分過(guò)程中，由于包含同一種型號(hào)無(wú)人機(jī)的控制信號(hào)，信號(hào)之間的差異小，RF頻譜向量之間的相似度高，原本設(shè)計(jì)的神經(jīng)網(wǎng)絡(luò)的準(zhǔn)確率較低，訓(xùn)練效果不夠理想，故針對(duì)該網(wǎng)絡(luò)模型進(jìn)行剪枝處理，去掉第4層卷積層并適當(dāng)減少卷積核的個(gè)數(shù)，從而減少卷積層提取的特征參數(shù)，剔除一部分不能較好表征飛行模式的參數(shù)，使得網(wǎng)絡(luò)模型所提取的特征參數(shù)具備更高的代表性，從而使模型取得良好的分類(lèi)效果。

3 無(wú)人機(jī)測(cè)控訓(xùn)練集構(gòu)建

各種不同尺寸、能力、價(jià)格和技術(shù)的無(wú)人機(jī)的RF信號(hào)，其飛行相關(guān)指令由來(lái)自飛行控制模塊的RF信號(hào)控制。通過(guò)智能手機(jī)或遙控器發(fā)送和接收RF命令可以改變無(wú)人機(jī)的飛行模式，利用相應(yīng)的軟件無(wú)線(xiàn)電設(shè)備(如hackRF、USRP等)可以攔截?zé)o人機(jī)與飛行控制模塊的通信，將接收器與電腦相連接，錄制了Parrot Bebop，Parrot Bebop2，Parrot AR Drone，DJI M100，以及自行搭建的無(wú)人機(jī)共5種無(wú)人機(jī)的射頻信號(hào)并建立了相應(yīng)的RF數(shù)據(jù)庫(kù)。

所采用的設(shè)備為yunSDR軟件無(wú)線(xiàn)電設(shè)備，由于所選取的無(wú)人機(jī)都工作在ISM頻段且為跳頻信號(hào)，故將中心頻率設(shè)置為2 440 MHz，采樣帶寬為80 MHz即可囊括無(wú)人機(jī)信號(hào)的所有信息。采集過(guò)程如下：

1)打開(kāi)將要分析記錄的無(wú)人機(jī)并使用智能手機(jī)或飛行控制器與其連接。

2)通過(guò)執(zhí)行簡(jiǎn)單的起飛，懸停和著陸測(cè)試來(lái)檢查無(wú)人機(jī)連接和操作。

3)打開(kāi) yunSDR以攔截所有 RF 活動(dòng)，并通過(guò) USB 連接器將這些活動(dòng)傳輸?shù)焦P記本電腦。

4)處理和存儲(chǔ) RF 數(shù)據(jù)段。

圖2展示了訓(xùn)練數(shù)據(jù)庫(kù)信號(hào)時(shí)域的部分片段。

圖2 數(shù)據(jù)庫(kù)部分片段

所獲得的無(wú)人機(jī)RF信號(hào)數(shù)據(jù)庫(kù)包含了80 MHz頻段內(nèi)的所有信息，參數(shù)量十分龐大且存在很多的無(wú)用和干擾參數(shù)。對(duì)記錄信號(hào)進(jìn)行離散傅里葉變換(DFT)，有：

(7)

式中：yi是來(lái)自RF接收器的第i段頻譜；n和m分別是時(shí)域和頻域索引；N是第i個(gè)RF段時(shí)間樣本總數(shù)；‖·‖是用于計(jì)算功率譜的運(yùn)算符。

至此將記錄的單一信號(hào)都轉(zhuǎn)化為了一個(gè)1×2 048的頻譜向量，多個(gè)信號(hào)的頻譜向量就組成了頻譜矩陣，再根據(jù)相應(yīng)的信號(hào)來(lái)源為其添加分類(lèi)標(biāo)簽。首先，根據(jù)無(wú)人機(jī)的有無(wú)將標(biāo)簽分為2大類(lèi)，根據(jù)5種無(wú)人機(jī)的型號(hào)又可以將標(biāo)簽分為6類(lèi)(包含背景信號(hào))。為了區(qū)分無(wú)人機(jī)的飛行模式(開(kāi)啟連接、懸停、飛行、視頻錄制)，本文將Parrot Bebop和Parrot AR Drone又分為4類(lèi)標(biāo)簽，由此完成了標(biāo)簽的制作。每一個(gè)頻譜向量對(duì)應(yīng)的標(biāo)簽為3個(gè)數(shù)字，分別為(0 0 0、1 1 1、1 1 2、1 1 3、1 1 4、1 2 5、1 2 6、1 2 7、1 2 8、1 3 9、1 4 10、1 5 11)，第1位數(shù)字只有1和0，分別代表無(wú)人機(jī)的有和無(wú)，第2位數(shù)字分別為0(沒(méi)有無(wú)人機(jī))、1(Parrot Bebop)、2(Parrot AR Drone)、3(DJI M100)、4(Parrot Bebop2)、5(自行搭建無(wú)人機(jī))，第3位數(shù)字分別為0(沒(méi)有無(wú)人機(jī))、1 2 3 4(Parrot Bebop的4種飛行模式)、5 6 7 8(Parrot AR Drone的4種飛行模式)、9(DJI M100)、10(Parrot Bebop2)、11(自行搭建無(wú)人機(jī))。

在進(jìn)行算法的驗(yàn)證過(guò)程中，可以選擇相應(yīng)位數(shù)的標(biāo)簽來(lái)進(jìn)行分別驗(yàn)證達(dá)到最終的目的。

4 無(wú)人機(jī)鏈路感知算法實(shí)驗(yàn)評(píng)估

4.1 數(shù)據(jù)可靠性分析

為了對(duì)本文方法進(jìn)行初步驗(yàn)證，我們對(duì)所采集到的RF信號(hào)的頻譜和相關(guān)特征進(jìn)行統(tǒng)計(jì)分析。同時(shí)，要對(duì)所采集到的信號(hào)進(jìn)行初步的檢驗(yàn)，確保送入神經(jīng)網(wǎng)絡(luò)的數(shù)據(jù)集的可靠性。得到相應(yīng)的功率譜和箱線(xiàn)圖見(jiàn)圖3和圖4所示。根據(jù)采集到的數(shù)據(jù)選取2 400～2 480 MHz頻段繪制其功率譜曲線(xiàn)，平均功率譜的幅度被歸一化以消除分析中的偏差，并且使用 10 點(diǎn)移動(dòng)平均濾波器對(duì)它們進(jìn)行平滑處理。Class 1表示RF 背景活動(dòng)信號(hào)，Class2～5表示Parrot Bebop 的4種不同的飛行模式，Class6～9表示Parrot AR Drone的4種飛行模式，Class10～12分別表示DJI M100、Parrot Bebop2以及自行搭建無(wú)人機(jī)的RF信號(hào)。從圖像中可以看出，所采集的射頻信號(hào)的信噪比較低。

從圖3和圖4還可知，采集到的RF信號(hào)具備相關(guān)無(wú)人機(jī)的特征，不同種型號(hào)無(wú)人機(jī)的功率譜和箱線(xiàn)圖之間有一定的差異，同種型號(hào)無(wú)人機(jī)的不同飛行模式的功率譜和箱線(xiàn)圖之間也存在一定的差異，但是差異非常小，利用傳統(tǒng)的信號(hào)識(shí)別方法難以進(jìn)行準(zhǔn)確的分類(lèi)。由此引入卷積神經(jīng)網(wǎng)絡(luò)深入挖掘其內(nèi)在的深層特征來(lái)進(jìn)行信號(hào)的區(qū)分。

圖3 平均功率譜

圖4 平均功率箱線(xiàn)圖

4.2 混淆矩陣分析

混淆矩陣也被稱(chēng)作誤差矩陣，對(duì)于神經(jīng)網(wǎng)絡(luò)分類(lèi)模型系統(tǒng)來(lái)說(shuō)，是進(jìn)行性能評(píng)價(jià)的重要工具和標(biāo)準(zhǔn)方法。使用準(zhǔn)確性、精確度、召回率、錯(cuò)誤率、錯(cuò)誤發(fā)現(xiàn)率(FDR)、假錯(cuò)誤率(FNR)和F1混淆矩陣分?jǐn)?shù)評(píng)估本文所設(shè)計(jì)的基于RF信號(hào)的無(wú)人機(jī)探測(cè)識(shí)別系統(tǒng)的性能。技術(shù)指標(biāo)定義如下：

(8)

(9)

(10)

error=1-accuracy

(11)

FDR=1-precision

(12)

FNR=1-recall

(13)

(14)

其中TP，TN，F(xiàn)P和FN分別對(duì)應(yīng)真正確、真錯(cuò)誤、假正確和假錯(cuò)誤。圖5表示用于分類(lèi)問(wèn)題的混淆矩陣，其中內(nèi)部n×n的行和列矩陣分別對(duì)應(yīng)于預(yù)測(cè)類(lèi)和真類(lèi)。以綠色突出顯示的對(duì)角線(xiàn)單元表示正確分類(lèi)的段，而以紅色突出顯示的非對(duì)角線(xiàn)單元表示錯(cuò)誤分類(lèi)。分段數(shù)量和百分比以粗體顯示。最右邊的灰色列中的綠色數(shù)字表示精度，系統(tǒng)的FDR為其中的紅色數(shù)字。此外，底部的灰色行的綠色數(shù)字代表召回率，紅色數(shù)字為系統(tǒng)的FNR。右下的藍(lán)色格子以綠色數(shù)字表示整體準(zhǔn)確性，紅色數(shù)字表示誤差。黃色的行和列中綠色數(shù)字預(yù)測(cè)每個(gè)分類(lèi)的F1得分，紅色數(shù)字與其互補(bǔ)。最后，圖中左上方的橙色單元格綠色數(shù)字顯示所有分類(lèi)的平均F1分?jǐn)?shù)，紅色數(shù)字代表互補(bǔ)分?jǐn)?shù)。我們將訓(xùn)練好的網(wǎng)絡(luò)對(duì)驗(yàn)證集進(jìn)行檢驗(yàn)并統(tǒng)計(jì)其結(jié)果得到如下混淆矩陣。

(a) 無(wú)人機(jī)有無(wú)分類(lèi)

從圖5可知，本文所設(shè)計(jì)的網(wǎng)絡(luò)結(jié)構(gòu)在對(duì)無(wú)人機(jī)有無(wú)的區(qū)分上準(zhǔn)確率可以達(dá)到99.6%，在無(wú)人機(jī)型號(hào)的區(qū)分上準(zhǔn)確率可以達(dá)到96.8%，針對(duì)Parrot Bebop和Parrot AR Drone的飛行模式(開(kāi)啟連接、懸停、飛行、視頻錄制)進(jìn)行進(jìn)一步的深入分類(lèi)，準(zhǔn)確率可以達(dá)到94.4%。由于該數(shù)據(jù)庫(kù)中包含Parrot公司的3種無(wú)人機(jī)，其RF信號(hào)的頻譜具有較高的相似度，故準(zhǔn)確率有一定的下降。但是總體來(lái)說(shuō)，該算法的準(zhǔn)確率較高。

4.3 對(duì)比實(shí)驗(yàn)

為進(jìn)一步論證本文所提算法的性能設(shè)置了對(duì)比實(shí)驗(yàn)進(jìn)行進(jìn)一步分析，選擇更具有代表性和應(yīng)用價(jià)值的無(wú)人機(jī)型號(hào)的分類(lèi)進(jìn)行該實(shí)驗(yàn)的設(shè)計(jì)。采用了匹配濾波器、全連接神經(jīng)網(wǎng)絡(luò)進(jìn)行了實(shí)驗(yàn)測(cè)試，選擇4.2節(jié)實(shí)驗(yàn)中的準(zhǔn)確率、召回率和F1得分來(lái)進(jìn)行對(duì)比分析，結(jié)果如表2所示。

表2 方法性能比較 %

從表2中可以看出，本文所設(shè)計(jì)的網(wǎng)絡(luò)在性能上有了較大的提升，進(jìn)一步驗(yàn)證了本算法的優(yōu)越性。本算法采取“離線(xiàn)訓(xùn)練在線(xiàn)學(xué)習(xí)”的工作模式，在神經(jīng)網(wǎng)絡(luò)取得良好的訓(xùn)練效果后將參數(shù)保存，應(yīng)用過(guò)程中讀取存儲(chǔ)的相關(guān)參數(shù)即可快速運(yùn)行輸出結(jié)果，處理時(shí)間為0.011 9 s，處理幀率為84 Hz，具備較高的工程應(yīng)用價(jià)值。

5 結(jié)論

本文針對(duì)無(wú)人機(jī)跳頻信號(hào)難以用傳統(tǒng)的信號(hào)識(shí)別技術(shù)進(jìn)行分類(lèi)的問(wèn)題，提出了用神經(jīng)網(wǎng)絡(luò)提取特征參數(shù)進(jìn)行識(shí)別分類(lèi)的算法。根據(jù)樣本的數(shù)據(jù)特征和卷積神經(jīng)網(wǎng)絡(luò)的特性，搭建并設(shè)計(jì)了一維卷積神經(jīng)網(wǎng)絡(luò)進(jìn)行識(shí)別分類(lèi)，不僅是對(duì)無(wú)人機(jī)入侵的檢測(cè)分類(lèi)，而且對(duì)其型號(hào)和飛行模式進(jìn)行了深入的分類(lèi)研究，為下一步的定位偵察、反制欺騙打下良好的基礎(chǔ)。