杨小伟，文清丰，杨 雪，杨鹤猛，金 熙，王泽跃

(1.国网天津市电力公司 城西供电分公司，天津 300301； 2.国网天津电力科学研究院，天津 300301； 3.天津航天中为数据系统科技有限公司，天津 300301)

0 引言

近年来，无人机(Unmanned Aerial Vehicle，UAV)应用越来越广泛，在专业摄影、拍摄、农业和灾难搜救等方面皆有应用[1]，给人们工作和生活带来了极大的便利，但也引发了大量个人隐私和公共安全问题[2-3]，如UAV被用于入侵、侦察和运输爆炸物等活动。因此由UAV引发的一系列事故警示人们，需要迅速有效地对抗无人机“黑飞”行为[4]。

目前，常用的UAV信号检测方法包括雷达探测、声学检测、视频检测和射频信号(Radio Frequency，RF)信号检测等[5-6]。其中，在雷达探测方面[7]，可能存在频谱分辨率低，无法实现远距离探测；在声学检测方面[8]，对环境噪声敏感；在视频检测方面[9]，天气、光照及鸟类等也会极大影响检测性能。而RF信号属于无源信号，因此RF信号检测不用信号传输，不受UAV本身物理特性及天气光照的影响，检测条件相对较好，完全依赖于对目标UAV的RF信号接收[5，10-11]。

RF信号广泛应用于无人机与其控制器之间的通信，基于RF信号进行检测是识别无人机的有效方法[12-14]。文献[15]使用无人机信号在频域的三种特征组成三维矩阵，然后将其送入人工神经网络进行训练学习，实现了改进频域特征与人工神经网络算法的结合。文献[16]通过捕获与拦截UAV跳频信号和图传信号并进行信号识别来对无人机进行监测。文献[17]通过提取无人机RF信号的31个特征，并利用机器学习分类器识别无人机是否存在。……