田 園，文 紅，何先定，王思源，唐 斌

（1.電子科技大學(xué)，四川 成都 611731；2.成都航空職業(yè)技術(shù)學(xué)院，四川 成都 610100）

近年來，隨著民用無人機相關(guān)技術(shù)及產(chǎn)品的成熟，無人機已經(jīng)廣泛應(yīng)用于巡線測繪、物流運輸和航拍社交等領(lǐng)域。但部分無人機的非法使用，也暴露出一些安全隱患和管理漏洞，對社會公共安全和航空飛行安全構(gòu)成了威脅。目前，針對低空無人機監(jiān)管防御主要有雷達探測、光電探測和聲音探測等方式，但仍存在探測識別率不高、受環(huán)境影響較大和探測距離不足等問題。

無人機和地面控制站之間的數(shù)據(jù)鏈?zhǔn)菬o人機執(zhí)行任務(wù)必不可缺的系統(tǒng)組成，無人機通過數(shù)傳電臺在無人機地面站和無人機之間建立遙控遙測鏈路。其中遙控鏈路用于無人機地面站把無人機操控人員的各種控制指定發(fā)送到無人機平臺，遙測鏈路用于無人機把飛機姿態(tài)、飛行參數(shù)和設(shè)備狀態(tài)等發(fā)送給地面控制站。由于無人機數(shù)傳電臺的電子器件存在元件容差，導(dǎo)致實際硬件參數(shù)也會存在差異，使得每個無人機數(shù)傳電臺都具有射頻指紋。射頻指紋是發(fā)射機的獨特原生屬性，具有唯一性、時不變性、獨立性和穩(wěn)健性四種基本特性，可作為無人機數(shù)傳設(shè)備識別的依據(jù)。

近年來，隨著機器學(xué)習(xí)與人工智能的不斷發(fā)展，國內(nèi)外不少文獻將眾多機器學(xué)習(xí)算法應(yīng)用到了無人機通信設(shè)備信號的識別中。經(jīng)典的機器學(xué)習(xí)算法主要有基于距離模型的最近鄰算法、基于概率模型的貝葉斯算法以及基于樹模型的決策樹算法等。文獻[7]主要利用微型無人機遙控器的射頻指紋對微型無人機進行檢測和分類，該方法對噪聲有較強的魯棒性，采用K近鄰算法分類的平均準(zhǔn)確率達到96.3%。文獻[8]提出了一種改進的基于射頻指紋的無人機檢測方法，采用頻譜累積和統(tǒng)計指紋分析兩種方法進行頻率估計，以確定無人機是否存在于探測環(huán)境中。該方法在2.4 km內(nèi)識別率接近100%，在3 km內(nèi)識別率大于90%。文獻[9]設(shè)計了射頻信號分類工具箱，可用于無人機通信系統(tǒng)的射頻信號探測、檢測和分類，并討論了如何使用軟件無線電實現(xiàn)無人機探測和分類。文獻[10]提出了一種基于軟件無線電的民用無人機無線電信號檢測、分類和分析系統(tǒng)，重點介紹了機器學(xué)習(xí)技術(shù)在無線電信號分類中的應(yīng)用，提出了實現(xiàn)信號檢測分類的方法。文獻[11]提出了一種通過對WiFi網(wǎng)絡(luò)進行指紋統(tǒng)計分析來檢測消費級無人機信號的方法，并驗證了方法的有效性。相關(guān)文獻研究中主要是通過信號采集設(shè)備對無人機遙控器信號（含Wi Fi）進行接收處理，再利用機器學(xué)習(xí)算法將采樣獲取的數(shù)據(jù)進行識別。無人機遙控器信號都是在目視飛行操控下使用，而在遠(yuǎn)距離飛行時無人機通常是以數(shù)傳設(shè)備通信為主。因此本文重點對無人機數(shù)傳設(shè)備的射頻指紋識別開展研究，完善無人機射頻信號識別方法，同時提出一種基于特征貢獻度的加權(quán)KNN優(yōu)化算法，以提升無人機數(shù)傳設(shè)備射頻指紋識別性能。

1 系統(tǒng)模型

無人機數(shù)傳電臺的射頻指紋可以唯一表征無線發(fā)射設(shè)備，并且具有難以克隆的特性，因此可以準(zhǔn)確實現(xiàn)對無人機信號的識別。無人機數(shù)傳電臺射頻指紋識別包括射頻指紋數(shù)據(jù)庫建立和射頻指紋識別處理。射頻指紋數(shù)據(jù)庫建立是針對已知無人機數(shù)傳設(shè)備，通過軟件無線電設(shè)備采集射頻信號，利用信號處理算法提取信號特征，將反映數(shù)傳電臺射頻特征的數(shù)據(jù)向量與相應(yīng)設(shè)備對應(yīng)，生成射頻指紋數(shù)據(jù)庫。射頻指紋識別處理是采集無人機數(shù)傳設(shè)備信號，生成待識別信號的射頻指紋特征，利用機器學(xué)習(xí)算法將待檢測的射頻指紋特征與指紋數(shù)據(jù)庫中的特征進行相似性的比較，從而得到該射頻特征所對應(yīng)的設(shè)備編號。無人機數(shù)傳射頻指紋識別系統(tǒng)模型如圖1所示。

圖1 無人機數(shù)傳射頻指紋識別系統(tǒng)模型

在無人機數(shù)傳通信中，瞬態(tài)信號是指信號發(fā)射功率從0到達額定功率或從額定功率回到0的信號部分，這部分信號具有射頻指紋特征。在實際通信環(huán)境中，通信信號往往會受到多分量信號和環(huán)境噪聲干擾，實際信號會產(chǎn)生幅度失真?？蓪⒔邮盏降男盘柋硎緸椋?/p>

式中為發(fā)射設(shè)備實際的工作頻率。對（）進行基于發(fā)射設(shè)備標(biāo)準(zhǔn)工作頻率的下變頻，降低信號載波頻率得到基帶信號（）：

式中，Δ是發(fā)射設(shè)備與接收設(shè)備的頻率偏差，并不影響中頻復(fù)信號()的包絡(luò) ||()，因此可以將 ||()作為無人機數(shù)傳電臺的信號特征進行處理。

2 無人機數(shù)傳電臺瞬態(tài)信號識別算法

2.1 射頻信號采集

Pixhawk/APM是目前開源無人機研究和應(yīng)用領(lǐng)域廣泛使用的軟硬件平臺。本文基于Pixhawk/APM的平臺，結(jié)合SiK系列數(shù)傳電臺和Mission Planner地面站軟件搭建無人機數(shù)傳電臺信號采集環(huán)境。多旋翼無人機試驗平臺如圖2所示。

圖2 多旋翼無人機試驗平臺

通過USRP X310軟件無線電設(shè)備和UBX-160射頻子板，在GNU Radio環(huán)境下建立信號流程圖，對無人機數(shù)傳電臺設(shè)備進行信號采集，將采集到的信號進行數(shù)字化表示，轉(zhuǎn)化為維信號，得到=[,,…,x]。

2.2 瞬態(tài)信號包絡(luò)提取

無人機數(shù)傳信號采樣完成后，需要從采樣數(shù)據(jù)中提取出瞬態(tài)信號用于后續(xù)處理分析。采集的無人機數(shù)傳信號開端為信道噪聲等，其短時能量值較小。瞬態(tài)信號起點之后短時能量值開始出現(xiàn)波動，瞬態(tài)信號提取分為粗定位和精對準(zhǔn)兩個步驟。瞬態(tài)信號粗定位基于短時窗口能量差方法檢測信號能量的突變區(qū)間；瞬態(tài)信號精對準(zhǔn)需要確保每個提取瞬態(tài)信號的起始點位置對準(zhǔn)，以便后續(xù)對瞬態(tài)信號樣本的特征處理分析。圖3為根據(jù)瞬態(tài)信號提取方法，在Matlab R2017a平臺上從數(shù)傳電臺信號中提取的5個512維的瞬態(tài)信號，驗證了瞬態(tài)信號提取方法的準(zhǔn)確性。

圖3 無人機數(shù)傳電臺的瞬態(tài)信號

2.3 瞬態(tài)信號特征提取

小波變換能對時間-頻率進行局部化分析，通過伸縮平移運算對信號逐步進行多尺度細(xì)化，能自動適應(yīng)時頻信號分析的要求。小波多分辨率分析是利用階層架構(gòu)進行離散小波變換的過程，令：[]為離散的輸入信號，[]為低通濾波器，[]為高通濾波器，x[]表示級多分辨率分析后的高頻部分，x[]表示級多分辨率分析后的低頻部分。則多分辨率分析的第層得到的低頻部分和高頻部分可以表示為：

小波多分辨率分析是通過伸縮和平移等運算功能對信號進行多尺度細(xì)化分析，可以更加精確地對信號特征進行局部描述，并實現(xiàn)信號特征的分離和提取。圖4是對采集得到的512維瞬態(tài)信號在Matlab R2017a平臺上按照3級Haar小波分析處理后得到的64維小波特征。

圖4 3級Haar小波特征提取

2.4 加權(quán)KNN算法優(yōu)化

K-近鄰算法（K Near Neighbor，KNN）是通過測量不同特征值之間的距離進行分類，將測試樣本的特征與訓(xùn)練樣本對應(yīng)的特征進行相互比較，在訓(xùn)練集中找到與之最為相似的前個樣本，則該測試樣本對應(yīng)的類別就是個樣本中出現(xiàn)次數(shù)最多的類別。KNN依據(jù)個對象中占優(yōu)的類別進行決策，一般使用歐氏距離計算樣本特征值之間的距離。維空間點(,,…,x)與(,,…,y)間的歐氏距離計算方法為：

歐氏距離忽略了特征向量中特征屬性與分類強弱的關(guān)系，在對不平衡數(shù)據(jù)集進行分類時，分類判決會傾向于多數(shù)類，導(dǎo)致分類性能下降。此外，傳統(tǒng)加權(quán)KNN算法是為每個點的距離增加一個權(quán)重，使得距離近的點可以得到更大的權(quán)重。但在分類時，沒有考慮每個特征在樣本區(qū)分中貢獻的差異性。因此本文在傳統(tǒng)加權(quán)KNN算法基礎(chǔ)上，提出一種基于特征貢獻度的加權(quán)KNN優(yōu)化算法，以提高無人機數(shù)傳信號的識別準(zhǔn)確性。優(yōu)化算法主要步驟為：

輸入：瞬態(tài)信號訓(xùn)練樣本集合={…,X}，每個樣本的數(shù)據(jù)為維，測試樣本數(shù)據(jù)為Y；

過程：

1）將的每一列（代表一個特征屬性字段）進行零均值化；

3 實驗測試與分析

3.1 射頻指紋識別正確率測試

無人機數(shù)傳電臺測試設(shè)備如圖5所示。實驗測試中分別對配置6個不同數(shù)傳電臺的無人機進行信號采集，其中數(shù)傳測試電臺分為3種類型，每種類型2個設(shè)備。測試中個體識別指每個單獨唯一的無人機數(shù)傳設(shè)備識別，類型識別指同一生產(chǎn)廠商的同一型號無人機數(shù)傳設(shè)備識別。

圖5 無人機數(shù)傳電臺測試設(shè)備

在Matlab R2017a平臺上，每個設(shè)備提取150個瞬態(tài)信號，在=11的條件下，采用基于特征貢獻度的加權(quán)KNN優(yōu)化算法選擇5折交叉驗證，使用64維3級Haar小波特征進行瞬態(tài)信號識別正確率測試，每種測試結(jié)果進行10次取平均值。圖6為小波變換系數(shù)作為識別特征的混淆矩陣。結(jié)果表明，個體識別平均正確率為87.9%，類型識別平均正確率為92.8%。

圖6 Haar小波特征識別混淆矩陣

同時為了驗證本文提出的基于特征貢獻度的加權(quán)KNN優(yōu)化算法性能，將該算法的識別性能與Matlab機器學(xué)習(xí)工具箱中的KNN算法識別性能進行了對比測試。圖7為兩種算法在相同特征參數(shù)下的識別性能測試對比。測試結(jié)果表明，本文提出的優(yōu)化算法針對無人機數(shù)傳設(shè)備射頻指紋具有更好的識別性能。

圖7 KNN算法識別性能對比

文獻[7-8，11]中多種無人機遙控器信號分類識別正確率在90%以上，但這些研究都是針對不同類型遙控器信號識別。由于不同類型遙控器生產(chǎn)廠商和使用硬件不同，射頻信號存在較大差異，因此具有較高的識別性能。文獻[15]研究結(jié)果表明，隨著無人機遙控信號類型的增加，信號識別正確率從99.7%（2類射頻硬件）下降到84.5%（4類射頻硬件），可見無人機射頻信號的差異性對識別正確率有很大影響。文獻[7-8，11]只是針對無人機遙控器信號的射頻指紋識別，而本文是針對典型無人機數(shù)傳電臺射頻指紋識別開展研究。通過實驗測試表明，利用本文提出的無人機數(shù)傳設(shè)備射頻指紋識別方法，能夠?qū)崿F(xiàn)87.9%的個體識別正確率和92.8%的類型識別正確率。

3.2 K值影響分析

作為KNN算法輸入?yún)?shù)的值，其較大易引起欠擬合，模型的復(fù)雜度會下降；較小則容易過擬合，模型復(fù)雜度較高。在選擇不同值條件下，加權(quán)KNN優(yōu)化算法瞬態(tài)信號識別正確率如圖8所示。圖中數(shù)據(jù)是進行了10次實驗后得到的平均值，值取值范圍為1~25，按照步長為2進行選擇設(shè)置。

圖8 不同K值下的個體識別正確率

在等于13時，基于加權(quán)KNN優(yōu)化算法的瞬態(tài)信號個體識別正確率達到88.7%；當(dāng)值大于13后，個體識別正確率趨于穩(wěn)定；在值小于13時，預(yù)測結(jié)果對近鄰樣本點敏感，容易發(fā)生過擬合。

4 結(jié) 語

本文針對采用開源飛控的消費級無人機探測識別問題，提出一種利用無人機數(shù)傳電臺射頻指紋進行無人機探測識別的方法。實驗結(jié)果表明，本文方法對無人機個體識別平均正確率可達到87.9%，類型識別平均正確率可達到92.8%。與Matlab機器學(xué)習(xí)工具箱中的KNN算法相比，本文提出的基于特征貢獻度的加權(quán)KNN優(yōu)化算法有更好的識別性能。同時也說明該方法對采用開源軟硬件平臺無人機識別有效，能夠彌補現(xiàn)有雷達、可見光、紅外等無人機探測方式的不足。