楊小偉，文清豐，楊 雪，楊鶴猛，金 熙，王澤躍

(1.國網(wǎng)天津市電力公司 城西供電分公司，天津 300301； 2.國網(wǎng)天津電力科學研究院，天津 300301； 3.天津航天中為數(shù)據(jù)系統(tǒng)科技有限公司，天津 300301)

0 引言

近年來，無人機(Unmanned Aerial Vehicle，UAV)應用越來越廣泛，在專業(yè)攝影、拍攝、農(nóng)業(yè)和災難搜救等方面皆有應用[1]，給人們工作和生活帶來了極大的便利，但也引發(fā)了大量個人隱私和公共安全問題[2-3]，如UAV被用于入侵、偵察和運輸爆炸物等活動。因此由UAV引發(fā)的一系列事故警示人們，需要迅速有效地對抗無人機“黑飛”行為[4]。

目前，常用的UAV信號檢測方法包括雷達探測、聲學檢測、視頻檢測和射頻信號(Radio Frequency，RF)信號檢測等[5-6]。其中，在雷達探測方面[7]，可能存在頻譜分辨率低，無法實現(xiàn)遠距離探測；在聲學檢測方面[8]，對環(huán)境噪聲敏感；在視頻檢測方面[9]，天氣、光照及鳥類等也會極大影響檢測性能。而RF信號屬于無源信號，因此RF信號檢測不用信號傳輸，不受UAV本身物理特性及天氣光照的影響，檢測條件相對較好，完全依賴于對目標UAV的RF信號接收[5，10-11]。

RF信號廣泛應用于無人機與其控制器之間的通信，基于RF信號進行檢測是識別無人機的有效方法[12-14]。文獻[15]使用無人機信號在頻域的三種特征組成三維矩陣，然后將其送入人工神經(jīng)網(wǎng)絡進行訓練學習，實現(xiàn)了改進頻域特征與人工神經(jīng)網(wǎng)絡算法的結(jié)合。文獻[16]通過捕獲與攔截UAV跳頻信號和圖傳信號并進行信號識別來對無人機進行監(jiān)測。文獻[17]通過提取無人機RF信號的31個特征，并利用機器學習分類器識別無人機是否存在。

上述基于RF信號的UAV識別雖然取得了不錯的效果，但也存在著噪聲干擾、特征冗余等導致的識別準確率無法進一步提升，同時這些方法需要對信號進行大量的預處理操作，需具備無線通信方面的大量專業(yè)知識，因此本文采用深度學習的方法，通過簡單的預處理結(jié)合卷積神經(jīng)網(wǎng)絡對無人機RF信號進行識別，大大簡化了UVA檢測過程，同時通過神經(jīng)網(wǎng)絡自動學習信號特征，能有效地提升檢測準確率。

1 數(shù)據(jù)預處理

本文實驗數(shù)據(jù)采用開源數(shù)據(jù)集DroneRF[5]進行實驗與研究，該數(shù)據(jù)集利用射頻接收設備對不同型號無人機，且不同無人機在不同運行模式下的射頻通信信號進行采集，獲得原始RF信號數(shù)據(jù)。其中無人機類型主要包括Parrot Bebop，Parrot AR和DJI Phantom三種型號，無人機運行模式包括開機連接、懸停、飛行、飛行錄像四種狀態(tài)，同時，該數(shù)據(jù)集還包含了不存在無人機活動的背景信號，原始RF信號如圖1所示，其中兩接收器的信號XL和XH的振幅歸一化為[-1,1]，具體類別及各類數(shù)據(jù)分布如表1所示。

(a) 背景信號

(b) 飛行錄像時RF信號

(c) 開機連接時RF信號

表1 數(shù)據(jù)集數(shù)據(jù)分布

時域信號更易受環(huán)境噪聲干擾，信號特征不明顯，因此為了更好地檢測信號，本文未將原始RF信號直接送入神經(jīng)網(wǎng)絡進行檢測，而是進行了時頻變換，將時域信號變換到頻域，通過提取信號頻域特征來進行檢測識別。原始RF信號由2個不同的射頻信號接收器采集，2個接收器采集數(shù)據(jù)長度一致，進行預處理后合并作為一條記錄。計算2個接收器采集到數(shù)據(jù)的離散傅里葉變換可分別表示為：

(1)

(2)

(3)

式中，c是一個歸一化因子，計算如下：

(4)

其值為低半頻段的最后Q個樣本和高半頻段的前Q個樣本之比，M是yi的總頻點數(shù)。歸一化因子c確保了使用不同設備捕獲的2段射頻頻譜之間的頻譜連續(xù)性。

2 算法介紹

2.1 基本網(wǎng)絡

深度神經(jīng)網(wǎng)絡是深度學習的一種基本網(wǎng)絡(Base Network， BaseNet)[5]，由輸入層、隱藏層及輸出層組成，使用BaseNet對無人機信號進行分類時，如圖2所示，第1層為輸入層，第2～L-1層為隱藏層，第L層為輸出層，其中H表示神經(jīng)元個數(shù)，C為分類器的類別數(shù)。使用BaseNet可以分別檢測無人機是否存在、無人機的類型及無人機的運行模式。

圖2 BaseNet結(jié)構(gòu)Fig.2 BaseNet structure

2.2 基于多殘差塊及通道注意力的卷積神經(jīng)網(wǎng)絡

本文檢測UAV的神經(jīng)網(wǎng)絡如圖3所示，將其分為4部分，分別為輸入層(Input Layer，Input)、主干網(wǎng)絡(Backbone Network，Backbone)、分類頭(Classification Head Network，Classification Head)、輸出層(Output Layer，Output)，這樣可以清楚解析網(wǎng)絡結(jié)構(gòu)，且每個部分都有其作用，其中Input包括數(shù)據(jù)歸一化、構(gòu)建輸入矩陣等；Backbone由多個Stage組成，主要作用為提取信號特征；Classification Head由2個全連接層組成，作用為將Backbone提取的特征用于分類；Output包括網(wǎng)絡輸出后處理。

圖3 本文卷積神經(jīng)網(wǎng)絡Fig.3 Convolutional neural network in the proposed method

在Backbone中，每個Stage的網(wǎng)絡結(jié)構(gòu)相同，僅僅超參數(shù)設置不同，設置多個Stage的作用主要是為了加深網(wǎng)絡結(jié)構(gòu)，提取更深層次的特征，在本文中設置Backbone具有6個Stage。每個Stage由2個殘差塊(Residual Network Block，ResBlock)及一個池化層組成，殘差塊包括兩層卷積層及一個通道注意力機制層(Squeeze-and-Excitation Network，SENet)，具體結(jié)構(gòu)如圖4所示。

圖4 Stage結(jié)構(gòu)Fig.4 Stage structure

Stage結(jié)構(gòu)中采取殘差塊，是因為殘差網(wǎng)絡具有其優(yōu)點，它將卷積層的前后連接起來，通過卷積層和池化層來提取信號特征，利用殘差網(wǎng)絡跳躍連接(Shortcut)的特性，在網(wǎng)絡層數(shù)較深的情況下，可在網(wǎng)絡中多個尺度上提取特征，防止梯度消失，解決網(wǎng)絡退化的問題，提高識別精度。同時本文的ResBlock在傳統(tǒng)的殘差結(jié)構(gòu)上進行改進，將批標準化層(Batch Norm Layer，BN)和Leaky ReLU激活函數(shù)前置，統(tǒng)一放在卷積層前作為預激活，使網(wǎng)絡更易于優(yōu)化及減少過擬合現(xiàn)象。在ResBlock中還加入通道注意力機制，如圖4中的SENet，通過對卷積后的特征圖按通道進行全局池化，得到通道級的全局特征，然后通過2層全連接層學習通道間重要性特征，最后通過一個Sigmoid函數(shù)輸出一個[0，1]范圍的數(shù)值，并將其作為權重乘上原卷積后的特征圖。這種在通道維度上的注意力機制，可以使網(wǎng)絡自動學習到不同通道特征的重要程度，更關注重要的通道特征，而抑制那些不太重要的通道，最終提升網(wǎng)絡的整體檢測精度。

3 實驗驗證

3.1 超參數(shù)設置與網(wǎng)絡訓練

本文網(wǎng)絡結(jié)構(gòu)如圖3，首先對數(shù)據(jù)進行預處理，將從信號接收器采集得到的原始數(shù)據(jù)進行分段、頻域轉(zhuǎn)換、聚合、數(shù)據(jù)標注、歸一化、維度轉(zhuǎn)換等操作，最終生成維度為[1,1,2 048]的數(shù)據(jù)輸入卷積神經(jīng)網(wǎng)絡進行訓練。Backbone中Stage的輸出通道數(shù)為32，32，64，64，128，128，卷積核尺寸為[1,3]，池化層核尺寸為[1,2]，具體的層尺寸如表2所示，其中B表示批尺寸(Batch size)。

表2 Backbone網(wǎng)絡層尺寸

然后將Backbone輸出的特征圖拉伸為一維向量，輸入Classification Head中進行分類，對于檢測無人機是否存在設置輸出函數(shù)為Sigmoid函數(shù)，用于二分類任務，對于4種無人機型號識別與10種無人機運行模式識別設置輸出函數(shù)為softmax函數(shù)，用于多分類任務。

在訓練網(wǎng)絡前，將預處理完成的數(shù)據(jù)集按照0.8∶0.2的比例，分為訓練集與測試集，其中測試集將在每次循環(huán)訓練時隨機切分128個樣本用于驗證集，主要作用是為了觀測模型訓練時測試集樣本準確率的平穩(wěn)性。測試集(包括驗證集)不參與訓練，主要用于網(wǎng)絡模型性能的評估。

在訓練過程中，將學習率設置為0.000 16，批尺寸設置為128，訓練次數(shù)設置為128，并采用預熱訓練(Warm Up)的方法對網(wǎng)絡進行預訓練，有助于減緩模型在初始訓練階段對批量數(shù)據(jù)的提前過擬合現(xiàn)象，保持批量數(shù)據(jù)分布的平穩(wěn)，并且保持深層網(wǎng)絡在訓練時的穩(wěn)定性。同時，在對4種無人機型號識別與10種無人機運行模式識別的任務上采取了標簽平滑(Label Smoothing)的正則化方法以抑制過擬合，具體如下：

(5)

式中，y為原始標簽；ylabelsmoothing為標簽平滑后的標簽，用于網(wǎng)絡訓練；ε為一個較小的參數(shù)；K為類別數(shù)。

所有實驗均基于Python實現(xiàn)，并采用Pytorch深度學習框架，訓練環(huán)境為Windows 10操作系統(tǒng)，NVIDIA GTX 2060 Super GPU計算平臺。

3.2 實驗結(jié)果分析

實驗分為3個任務，分別為檢測無人機是否存在的二分類任務，實驗結(jié)果如圖5所示；識別4種無人機型號的四分類任務，實驗結(jié)果如圖6所示；以及識別10種無人機運行模式的十分類任務，實驗結(jié)果如圖7所示。

(a) 損失函數(shù)收斂曲線

(b) 準確率曲線

(a) 損失函數(shù)收斂曲線

(b) 準確率曲線

(a) 損失函數(shù)收斂曲線

(b) 準確率曲線

圖5～圖7中的(a)為損失函數(shù)收斂曲線(Loss曲線)，橫坐標為訓練迭代次數(shù)，縱坐標為批量數(shù)據(jù)的損失函數(shù)值。由圖可得，3個任務的Loss曲線最終收斂值分別為0.000 020，0.105 432，0.307 754。

圖5～圖7中的(b)為測試集與驗證集的準確率隨迭代次數(shù)而變化的曲線圖(Acc曲線)，橫坐標為訓練迭代次數(shù)，圖中“(/50)”表示除以50，表示在訓練時每迭代50次計算準確率，縱坐標為準確率值，其中紅色曲線為驗證集準確率，藍色曲線為測試集準確率。由圖可得，3個任務中，對于識別無人機是否存在的二分類任務，準確率達到了99.975 7%，對于識別4種無人機型號的四分類任務，準確率達到了91.211 5%，對于識別10種無人機運行模式的十分類任務，準確率達到了71.044 1%。

對比圖5～圖7中的圖(a)與圖(b)可得，隨著分類類別減少，最終的收斂值也越小，模型的分類準確率越好，測試集的準確率分布越平穩(wěn)。隨著分類類別增多，性能就越差，因此在后續(xù)的研究中可以著重關注多分類任務。

與此同時，還將本文方法與其他方法進行了比較，結(jié)果如表3所示。本文提出的方法相對于BaseNet，識別無人機是否存在的準確率提升了0.37%，識別無人機型號準確率提升了6.7%，識別無人機運行模式的準確率提升了24.2%，且網(wǎng)絡模型參數(shù)量更龐大的同時，推理耗時相差不大。由表3可得本文方法的檢測性能，如耗時或檢測準確率，均優(yōu)于其他方法。

表3 與其他方法的對比

4 結(jié)束語

本文針對在復雜電磁環(huán)境下如何有效地檢測無人機，設計了一種基于卷積神經(jīng)網(wǎng)絡的無人機射頻信號識別方法。通過捕捉空域中無人機自身發(fā)射的射頻信號，并進行時頻變換預處理，然后送入一個基于多殘差塊及通道注意力的卷積神經(jīng)網(wǎng)絡進行分析與識別，大大地簡化了UVA檢測過程，并通過神經(jīng)網(wǎng)絡自動學習信號特征，有效地提升了檢測精度。實驗驗證了該算法在檢測無人機是否存在、識別4種無人機型號、識別10種無人機運行模式的任務上分別達到了99.975 7%，91.211 5%,71.044 1%的準確率，能夠較準確地識別無人機信號及無人機類型，且相比于其他方法具備較強的魯棒性和環(huán)境抗干擾能力。