[发明专利]一种民用无人机系统被动式探测方法

说明书

本发明涉及一种民用无人机系统被动式探测方法，属于电子对抗技术领域。该方法以民用无人机系统通信信号为目标信号，采用机器学习算法对目标信号进行自动识别。首先将截获的外界信号通过时频分析转换为灰度图像，其次建立灰度图像的高斯差分尺度空间，然后在差分尺度空间中提取局部极值点的位置信息构建特征向量，最后采用机器学习算法进行信号识别。该方法采用高斯差分尺度空间中的局部极值点位置信息作为特征向量，进行信号的识别，有效提升了低信噪比环境下民用无人机通信信号的识别精度，与现有民用无人机通信信号识别方法相比，在低信噪比环境下具有更好的识别效果。

技术领域

本发明涉及一种民用无人机系统被动式探测方法，属于电子对抗技术领域。

背景技术

随着民用无人机技术的快速发展，在给人们生活带来便利的同时也造成了违法飞行问题，为了克服该问题，无人机干扰技术得到了推广，并成为电子对抗领域的重要研究方向。对无人机进行干扰包含探测和干扰实施两个主要步骤，其中探测是干扰实施的前提。

无人机探测技术是制约无人机干扰技术发展的主要因素。现有对无人机系统的探测方式主要包含两种：主动式探测和被动式探测。其中主动式探测通过接收无人机系统反射的无线电波实现对无人机系统的探测，该类探测方式在实际应用中易受高层建筑物遮挡和地面杂波干扰，实际探测效果不佳。被动式探测指通过被动接收民用无人机系统的通信信号实现对无人机系统的探测，该探测方式受杂波干扰影响小，是目前民用无人机系统的主要探测方式。

现有的民用无人机系统被动式探测方法主要包含突发信号检测、频谱分析和机器学习方法。

突发信号检测方法指对空间电磁环境进行持续性监测，当电磁环境中出现突发的新型信号，且信号能量超过阈值，则认为该信号是民用无人机信号，这种探测方式算法简单，但是虚警率很高，难以实际应用；频谱分析指对接收到的信号进行频谱分析，当出现特定频率的信号时认为是民用无人机信号，这种信号检测方法同样具有简单易行的特点，但是现有民用信号频段越来越拥挤，在同一频点出现不同信号的可能性越来越高，造成频谱分析方法虚警率越来越高；基于机器学习的信号探测方法首先提取民用无人机系统通信信号的本质特征，构建特征向量，并采用机器学习算法对提取的特征向量进行自动识别，该识别方法具有识别精度高，虚警率低的特点，是民用无人机系统探测技术的发展方向。

现有基于机器学习的民用无人机探测方法能够在高信噪比环境下实现对民用无人机系统的精确探测，如文献[1]：Zhang Gexiang,Li Xu.Anew recognition system forradar emitter signals[J].Kybernetes,2012,(41):1351-1360.和文献[2]：ZhuJiandong,Zhao Yongjun,Tang Jiang.Automatic recognition of radar signals basedon time-frequency image character[J].International Radar Conference,2013,63(3):1-6.所提算法。

但是，随着信噪比的降低，基于机器学习的探测方法探测效果相应降低，难以在现有复杂电磁环境下实现民用无人机系统的精确探测。

发明内容

为了克服现有基于机器学习的民用无人机探测方法在低信噪比环境下探测效果差的问题，提供了一种民用无人机系统被动式探测方法，该方法能够在低信噪比环境下实现对民用无人机系统的精确探测，同时能够进一步提升在高信噪比环境下对民用无人机系统的探测精度。

民用无人机系统通信信号采用直接序列扩频编码方式，具有编码方式和频率固定的特点。本发明以图像空间的极值点位置信息为特征向量，以支持向量机(SVM)为识别算法，对截获的信号进行自动分类识别，判定截获信号是否为民用无人机通信信号。如果截获信号判定为民用无人机通信信号，则认为民用无人机系统存在，反之，则认为其不存在。

本发明的目的是通过下述技术方案实现的。