李超群，王金明

（中国人民解放军陆军工程大学，江苏 南京 210007）

0 引言

近年来，随着无人机技术的不断成熟和发展，非军用小型无人机的应用领域不断扩大。除了一部分业余爱好者用于娱乐，无人机在民用的很多领域迅猛发展，如在货物运送、视频采集、土地测绘、农药喷洒等[1]领域均有应用。然而，无人机在带来便利的同时，也带来了公共安全问题，如由于无人机操作人员缺乏系统的技能培训，部分不法分子利用无人机来进行偷拍甚至入侵敏感区域等违法犯罪活动。因此，加强对无人机的管控，消除安全隐患，对城市、机场以及涉密场所的安全尤为重要。

针对无人机的目标识别有多种方法，如雷达探测、光电探测、声波探测以及射频探测[2]。传统的雷达探测技术通常用来探测大飞机等航空器，无法探测到微型无人机。此外，由于环境噪声影响和光线条件限制，声波探测、光电探测适用于短程场景[3]。基于射频指纹的探测技术是识别无人机的有效手段之一。无人机通过射频信号进行飞行控制和图像传输，因此捕获的无人机射频信号可以用于无人机的识别。文献[4]通过对接收到的无人机通信信号进行识别，来判断是否存在无人机。文献[5]采用基于射频信号倒谱的方法研究了无人机射频信号的检测与分类。文献[6]提出了采用希尔伯特-黄变换对蓝牙信号的时频能量分布进行分析，提取信号瞬态特征，实现对蓝牙设备的射频指纹识别。

信号瞬态部分因自身蕴含设备细微特征被人们用来进行识别研究。本文对接收到的无人机遥控器射频信号进行时频能量分析，检测信号能量瞬态的起始点，提取瞬态指纹特征，通过近邻成分分析（Neighborhood Component Analysis，NCA）进行特征降维，并选用4 种不同的分类器进行测试，研究分类识别效果。

1 无人机控制器射频信号

瞬态信号与设备的发射机内部相关硬件的组成和器件质量有关。发射机不同，瞬态信号也完全不同。因此，可以用来唯一表征设备的硬件特性。瞬态信号发生在设备工作状态变换时，有明显的开始和结束时间。侦测收集到的信号x(n)为：

式中：s(n)为发射信号；v(n)为加性白噪声。

瞬态信号的特征信息主要与信号的时域、频域、相位有关[7-8]。当有瞬态信号发生时，从波形上看，信号的幅度变化明显；从频率上看，信号的频谱发生跳变，瞬时频率急剧变换上升。图1 是从4 个不同的无人机遥控器捕获的射频信号样本。从时域波形来看，部分无人机遥控器信号很难通过肉眼进行分辨。

特征提取前对射频信号进行预处理，能够大大减少提取识别阶段的计算量。同时，由于采集信号过程中存在外部环境噪声的干扰，为减少噪声对信号识别阶段的频率干扰，采用带通滤波器对信号进行滤波处理。

本文使用小波变换来消除接收到的射频信号中的偏差，并能够在一定程度上消除噪声。两级离散小波变换如图2 所示。与传统的时域和傅里叶分析相比，小波变换具有双重优势。一个是提高信噪比，也就是实现去噪的功能；另一个是进行数据压缩而不丢失信息，提高数据的处理效率。文献[9]证明使用离散小波变换的多分辨率分解，例如Haar 小波变换，可以有效地分析信号和图像的信息内容，同时可以有效去除噪声。图3 是捕获的数据信号和经过两级离散小波变换后的细节分量，从图中可以清楚地看到，信号经过小波变换消除了数据偏差，并减小了数据的大小，降低了计算量，波形的特征得到了保留。

图2 两级离散小波变换

图3 无人机原始信号及小波变换后细节分量

2 基于短时傅里叶变换的无人机识别分类

2.1 基于短时傅里叶变换的射频信号时频分析

短时傅里叶变换（Short-time Fourier Transform，STFT）的原理是通过使信号加乘窗函数，将窗内信号视为平稳信号进行傅里叶变换，并通过窗函数在时间轴上平移，对信号进行逐段分析得到信号的一组局部频谱。

连续时间短时傅里叶变换定义为：

式中：x(t)为连续时间信号；w*(t)为滑动窗口函数。

离散信号短时傅里叶变换定义为：

式中：x(m)为输入信号；w(n)为滑动窗口函数；ω为频率。

使用离散短时傅里叶变换的平方幅值计算信号的频谱图，表示信号能量的分布。图4 显示了从Fly Sky FST6 遥控器捕获的信号的频谱。计算信号频谱过程可数学表示为：

图4 Fly Sky FST6 遥控器信号时频谱

基于离散短时傅里叶变换频谱的能量时频域，提取能量瞬变作为无人机遥控器射频信号的指纹特征。通过对捕获的射频信号进行频谱分析，如图4 所示，可以清晰地看到，信号的发射频率为2.4 GHz。根据定义，频谱图显示信号沿时频轴的能量/强度分布，因此，可以通过沿时间轴取最大能量值，从频谱图计算能量轨迹。根据分布，通过搜索归一化能量轨迹的均值或方差中最突然的变化来估计能量瞬态。能量瞬态定义了能量域中信号的瞬态特性，能量瞬态用fE(n)表示，n=1,…,N。瞬态能量携带了有关瞬态特征行为的信息[10]，可用于分类任务。针对图4 中的射频信号，根据频谱图计算的能量轨迹以及相应的能量瞬态如图5 所示。

图5 Fly Sky FST6 遥控器能量轨迹

2.2 目标特征提取与选择

本文根据频谱图计算出能量轨迹，并通过分析能量轨迹中均值或方差最突然的变化，估计能量瞬态。当检测到能量发生瞬变，就开始提取射频指纹特征。射频指纹特征是描述能量瞬变的统计矩，偏度是平均值周围能量分布不对称性的度量，方差是测量关于平均值的能量轨迹的扩散，峰度是对能量瞬变的锐度或平坦度的度量，熵是对能量功率的度量。提取的能量瞬态特征如表1 所示。

表1 提取的能量瞬态特征

由提取的特征构建的特征向量为：

式中：i为每架无人机提取的特征集合；N为同一架无人机实验的次数。

所有待识别分类无人机的瞬态特征集为：

式中：j为不同类型无人机的个数。

2.3 分类识别

在对无人机遥控器射频信号进行数据预处理和特征提取后，利用K-近邻（K-Nearest Neighbor，KNN）分类器对上述特征组成的数据集进行训练，并验证测试分类效果。由于部分特征可能存在相关性，在实际过程中，需要利用特征选择算法降低特征集的维度，从而达到降低分类算法的计算成本的目的。特征选择器是将原始数据或特征集投影到低维空间的线性操作。

NCA 算法是一种基于最近邻的特征加权算法，其主要特点是非参数、嵌入式和监督学习。NCA 学习一个矩阵，并通过该矩阵将原始数据转换为低维空间[11]。在低维空间中，特征根据权重度量进行排序，更重要的特征获得更高的权重值。NCA 通过最大化关于权重变量w的正则化目标函数f(w)来实现这一目标。正则化目标函数定义为：

式中：λ为正则化项；N为特征集中的样本数，pi为平均漏检概率。为了进行特征选择，NCA 使用正则化项将冗余或相关特征对应的所用权重置零。

对于训练和测试，分类器可以丢弃部分特征，并仍能够产生良好的结果，这可以防止训练分类器时出现过拟合问题。此外，对于大规模分类问题，训练具有较少显著特征的分类器可以节省大量计算量。

3 实验分析

实验过程中，从4 个无人机遥控器捕获射频信号，所有的无人机控制器在2.4 GHz 频带内传输控制信号。表2 给出了用于数据采集的无人机控制的额目录及其类别标签。射频感应系统和检测系统包括一个6 GHz 带宽的Keysight MSOS604A 示波器，最高采样频率为20 Gsa/s，以及2 dBi 全向天线，天线工作在2.4 GHz 频段。对于每个控制器，收集100 个射频信号，每个射频信号是一个500 000×1 的向量，时间跨度为0.25 ms。数据集按ratio=0.8进行分区，即80%的数据集用于训练，20%的数据集用于测试。

表2 无人机遥控器目录

由于每个信号提取的特征维数有14 维，采用NCA 算法将特征集进行降维，从而减少数据运算量，提高运算效率和处理能力。F1，F2和F3分别表示散点图中对应的维数特征。

3.1 不同特征维数下的识别率分析

首先对数据集进行降维，特征分类器选择KNN分类器。采用二维特征数据集进行分类的结果如表3 所示。二维特征散点图如图6 所示。采用三维特征数据集进行分类的结果如表4 所示。三维特征散点图如图7 所示。

图6 无人机遥控器信号二维特征散点

图7 无人机遥控器信号三维特征散点

表3 二维特征集识别分类结果

表4 三维特征识别分类结果

从表3 可以看出，采用二维特征进行分类识别时，各类无人机识别率均达到90%以上，无人机总识别率为96.06%。通过表4 可知，采用三维特征进行分类识别的效果更好，各类无人机识别率均达到95%以上，总识别率达到98.19%。

由图6、图7 的散点中的不同形状可以清晰分辨出各类无人机训练数据和测试数据的散点分布情况。同时可以看到部分形状明显不同于周围数据，这就表示存在错误识别。结合表3、表4，三维特征与二维特征相比，增加了信息特征方面的描述，从而增强了对无人机的识别性能，提高了识别准确率。

3.2 不同信噪比下不同分类器的识别率分析

为更好地验证识别分类性能，在射频信号中加入高斯白噪声，按照本文方法对加噪后的信号进行处理，并提取新的特征数据集。其中信噪比设置间隔为5 dB，范围为-15 dB 至20 dB。实验条件为，每一信噪比下均进行100 次实验。得到无人机的平均识别率，如图8 所示。由图8 可以看出，分类精度随着信噪比的降低而降低，在信噪比为20 dB 时，KNN 的分类准确率为98.19%；在信噪比为5 dB 时，KNN 的分类准确率在85%左右，且与支持向量机（Support Vector Machine，SVM）、判别分析分类器（Discriminant Analysis Classifier，DAC）、随机森林3 种分类算法相比，KNN 在信噪比大于-5 dB时，分类的识别率相对更高，性能更好。

图8 不同信噪比下各分类算法的分类识别率

4 结语

本文提出了基于短时傅里叶变换获取能量轨迹的瞬态特征提取方法，通过获取无人机遥控器的射频信号进行无人机的识别分类。利用NCA 算法进行特征数据集降维后，通过在不同维度和不同信噪比条件下进行测试实验得出，三维特征比二维特征能够取得更好的分类识别率，并且其识别率能够达到98.19%，同时，KNN 分类器的识别率相对较好。在下一步工作中，将针对同一型号不同无人机个体进行分析研究，验证该方法在同型号无人机之间的识别性能，进而拓展应用场景。