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(jī)相關(guān)技術(shù)及產(chǎn)品的成熟，無人機(jī)已經(jīng)廣泛應(yīng)用于巡線測繪、物流運(yùn)輸和航拍社交等領(lǐng)域。但部分無人機(jī)的非法使用，也暴露出一些安全隱患和管理漏洞，對社會(huì)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(jī)監(jiān)管防御主要有雷達(dá)探測、光電探測和聲音探測等方式，但仍存在探測識(shí)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(jī)和地面控制站之間的數(shù)據(jù)鏈?zhǔn)菬o人機(jī)執(zhí)行任務(wù)必不可缺的系統(tǒng)組成，無人機(jī)通過數(shù)傳電臺(tái)在無人機(jī)地面站和無人機(jī)之間建立遙控遙測鏈路。其中遙控鏈路用于無人機(jī)地面站把無人機(jī)操控人員的各種控制指定發(fā)送到無人機(jī)平臺(tái)，遙測鏈路用于無人機(jī)把飛機(jī)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(jī)數(shù)傳電臺(tái)的電子器件存在元件容差，導(dǎo)致實(shí)際硬件參數(shù)也會(huì)存在差異，使得每個(gè)無人機(jī)數(shù)傳電臺(tái)都具有射頻指紋。射頻指紋是發(fā)射機(jī)的獨(dú)特原生屬性，具有唯一性、時(shí)不變性、獨(dú)立性和穩(wěn)健性四種基本特性，可作為無人機(jī)數(shù)傳設(shè)備識(shí)別的依據(jù)。

近年來，隨著機(jī)器學(xué)習(xí)與人工智能的不斷發(fā)展，國內(nèi)外不少文獻(xiàn)將眾多機(jī)器學(xué)習(xí)算法應(yīng)用到了無人機(jī)通信設(shè)備信號(hào)的識(shí)別中。經(jīng)典的機(jī)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(xiàn)[7]主要利用微型無人機(jī)遙控器的射頻指紋對微型無人機(jī)進(jìn)行檢測和分類，該方法對噪聲有較強(qiáng)的魯棒性，采用K近鄰算法分類的平均準(zhǔn)確率達(dá)到96.3%。文獻(xiàn)[8]提出了一種改進(jìn)的基于射頻指紋的無人機(jī)檢測方法，采用頻譜累積和統(tǒng)計(jì)指紋分析兩種方法進(jìn)行頻率估計(jì)，以確定無人機(jī)是否存在于探測環(huán)境中。該方法在2.4 km內(nèi)識(shí)別率接近100%，在3 km內(nèi)識(shí)別率大于90%。文獻(xiàn)[9]設(shè)計(jì)了射頻信號(hào)分類工具箱，可用于無人機(jī)通信系統(tǒng)的射頻信號(hào)探測、檢測和分類，并討論了如何使用軟件無線電實(shí)現(xiàn)無人機(jī)探測和分類。文獻(xiàn)[10]提出了一種基于軟件無線電的民用無人機(jī)無線電信號(hào)檢測、分類和分析系統(tǒng)，重點(diǎn)介紹了機(jī)器學(xué)習(xí)技術(shù)在無線電信號(hào)分類中的應(yīng)用，提出了實(shí)現(xiàn)信號(hào)檢測分類的方法。文獻(xiàn)[11]提出了一種通過對WiFi網(wǎng)絡(luò)進(jìn)行指紋統(tǒng)計(jì)分析來檢測消費(fèi)級無人機(jī)信號(hào)的方法，并驗(yàn)證了方法的有效性。相關(guān)文獻(xiàn)研究中主要是通過信號(hào)采集設(shè)備對無人機(jī)遙控器信號(hào)（含Wi Fi）進(jìn)行接收處理，再利用機(jī)器學(xué)習(xí)算法將采樣獲取的數(shù)據(jù)進(jìn)行識(shí)別。無人機(jī)遙控器信號(hào)都是在目視飛行操控下使用，而在遠(yuǎn)距離飛行時(shí)無人機(jī)通常是以數(shù)傳設(shè)備通信為主。因此本文重點(diǎn)對無人機(jī)數(shù)傳設(shè)備的射頻指紋識(shí)別開展研究，完善無人機(jī)射頻信號(hào)識(shí)別方法，同時(shí)提出一種基于特征貢獻(xiàn)度的加權(quán)KNN優(yōu)化算法，以提升無人機(jī)數(shù)傳設(shè)備射頻指紋識(shí)別性能。

1 系統(tǒng)模型

無人機(jī)數(shù)傳電臺(tái)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(shí)現(xiàn)對無人機(jī)信號(hào)的識(shí)別。無人機(jī)數(shù)傳電臺(tái)射頻指紋識(shí)別包括射頻指紋數(shù)據(jù)庫建立和射頻指紋識(shí)別處理。射頻指紋數(shù)據(jù)庫建立是針對已知無人機(jī)數(shù)傳設(shè)備，通過軟件無線電設(shè)備采集射頻信號(hào)，利用信號(hào)處理算法提取信號(hào)特征，將反映數(shù)傳電臺(tái)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(shí)別處理是采集無人機(jī)數(shù)傳設(shè)備信號(hào)，生成待識(shí)別信號(hào)的射頻指紋特征，利用機(jī)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(jìn)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(hào)。無人機(jī)數(shù)傳射頻指紋識(shí)別系統(tǒng)模型如圖1所示。

圖1 無人機(jī)數(shù)傳射頻指紋識(shí)別系統(tǒng)模型

在無人機(jī)數(shù)傳通信中，瞬態(tài)信號(hào)是指信號(hào)發(fā)射功率從0到達(dá)額定功率或從額定功率回到0的信號(hào)部分，這部分信號(hào)具有射頻指紋特征。在實(shí)際通信環(huán)境中，通信信號(hào)往往會(huì)受到多分量信號(hào)和環(huán)境噪聲干擾，實(shí)際信號(hào)會(huì)產(chǎn)生幅度失真?？蓪⒔邮盏降男盘?hào)表示為：

式中為發(fā)射設(shè)備實(shí)際的工作頻率。對（）進(jìn)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(hào)載波頻率得到基帶信號(hào)（）：

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(hào)()的包絡(luò) ||()，因此可以將 ||()作為無人機(jī)數(shù)傳電臺(tái)的信號(hào)特征進(jìn)行處理。

2 無人機(jī)數(shù)傳電臺(tái)瞬態(tài)信號(hào)識(shí)別算法

2.1 射頻信號(hào)采集

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

圖2 多旋翼無人機(jī)試驗(yàn)平臺(tái)

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(hào)流程圖，對無人機(jī)數(shù)傳電臺(tái)設(shè)備進(jìn)行信號(hào)采集，將采集到的信號(hào)進(jìn)行數(shù)字化表示，轉(zhuǎn)化為維信號(hào)，得到=[,,…,x]。

2.2 瞬態(tài)信號(hào)包絡(luò)提取

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

圖3 無人機(jī)數(shù)傳電臺(tái)的瞬態(tài)信號(hào)

2.3 瞬態(tài)信號(hào)特征提取

小波變換能對時(shí)間-頻率進(jìn)行局部化分析，通過伸縮平移運(yùn)算對信號(hào)逐步進(jìn)行多尺度細(xì)化，能自動(dòng)適應(yīng)時(shí)頻信號(hào)分析的要求。小波多分辨率分析是利用階層架構(gòu)進(jìn)行離散小波變換的過程，令：[]為離散的輸入信號(hào)，[]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(yùn)算功能對信號(hào)進(jìn)行多尺度細(xì)化分析，可以更加精確地對信號(hào)特征進(jìn)行局部描述，并實(shí)現(xiàn)信號(hào)特征的分離和提取。圖4是對采集得到的512維瞬態(tài)信號(hào)在Matlab R2017a平臺(tái)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(jìn)行分類，將測試樣本的特征與訓(xùn)練樣本對應(yīng)的特征進(jìn)行相互比較，在訓(xùn)練集中找到與之最為相似的前個(gè)樣本，則該測試樣本對應(yīng)的類別就是個(gè)樣本中出現(xiàn)次數(shù)最多的類別。KNN依據(jù)個(gè)對象中占優(yōu)的類別進(jìn)行決策，一般使用歐氏距離計(jì)算樣本特征值之間的距離。維空間點(diǎn)(,,…,x)與(,,…,y)間的歐氏距離計(jì)算方法為：

歐氏距離忽略了特征向量中特征屬性與分類強(qiáng)弱的關(guān)系，在對不平衡數(shù)據(jù)集進(jìn)行分類時(shí)，分類判決會(huì)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(gè)點(diǎn)的距離增加一個(gè)權(quán)重，使得距離近的點(diǎn)可以得到更大的權(quán)重。但在分類時(shí)，沒有考慮每個(gè)特征在樣本區(qū)分中貢獻(xiàn)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(xiàn)度的加權(quán)KNN優(yōu)化算法，以提高無人機(jī)數(shù)傳信號(hào)的識(shí)別準(zhǔn)確性。優(yōu)化算法主要步驟為：

輸入：瞬態(tài)信號(hào)訓(xùn)練樣本集合={…,X}，每個(gè)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(gè)特征屬性字段）進(jìn)行零均值化；

3 實(shí)驗(yàn)測試與分析

3.1 射頻指紋識(shí)別正確率測試

無人機(jī)數(shù)傳電臺(tái)測試設(shè)備如圖5所示。實(shí)驗(yàn)測試中分別對配置6個(gè)不同數(shù)傳電臺(tái)的無人機(jī)進(jìn)行信號(hào)采集，其中數(shù)傳測試電臺(tái)分為3種類型，每種類型2個(gè)設(shè)備。測試中個(gè)體識(shí)別指每個(gè)單獨(dú)唯一的無人機(jī)數(shù)傳設(shè)備識(shí)別，類型識(shí)別指同一生產(chǎn)廠商的同一型號(hào)無人機(jī)數(shù)傳設(shè)備識(shí)別。

圖5 無人機(jī)數(shù)傳電臺(tái)測試設(shè)備

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

圖6 Haar小波特征識(shí)別混淆矩陣

同時(shí)為了驗(yàn)證本文提出的基于特征貢獻(xiàn)度的加權(quán)KNN優(yōu)化算法性能，將該算法的識(shí)別性能與Matlab機(jī)器學(xué)習(xí)工具箱中的KNN算法識(shí)別性能進(jìn)行了對比測試。圖7為兩種算法在相同特征參數(shù)下的識(shí)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(jī)數(shù)傳設(shè)備射頻指紋具有更好的識(shí)別性能。

圖7 KNN算法識(shí)別性能對比

文獻(xiàn)[7-8，11]中多種無人機(jī)遙控器信號(hào)分類識(shí)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(hào)識(shí)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(hào)存在較大差異，因此具有較高的識(shí)別性能。文獻(xiàn)[15]研究結(jié)果表明，隨著無人機(jī)遙控信號(hào)類型的增加，信號(hào)識(shí)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(jī)射頻信號(hào)的差異性對識(shí)別正確率有很大影響。文獻(xiàn)[7-8，11]只是針對無人機(jī)遙控器信號(hào)的射頻指紋識(shí)別，而本文是針對典型無人機(jī)數(shù)傳電臺(tái)射頻指紋識(shí)別開展研究。通過實(shí)驗(yàn)測試表明，利用本文提出的無人機(jī)數(shù)傳設(shè)備射頻指紋識(shí)別方法，能夠?qū)崿F(xiàn)87.9%的個(gè)體識(shí)別正確率和92.8%的類型識(shí)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(huì)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(hào)識(shí)別正確率如圖8所示。圖中數(shù)據(jù)是進(jìn)行了10次實(shí)驗(yàn)后得到的平均值，值取值范圍為1~25，按照步長為2進(jìn)行選擇設(shè)置。

圖8 不同K值下的個(gè)體識(shí)別正確率

在等于13時(shí)，基于加權(quán)KNN優(yōu)化算法的瞬態(tài)信號(hào)個(gè)體識(shí)別正確率達(dá)到88.7%；當(dāng)值大于13后，個(gè)體識(shí)別正確率趨于穩(wěn)定；在值小于13時(shí)，預(yù)測結(jié)果對近鄰樣本點(diǎn)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(fèi)級無人機(jī)探測識(shí)別問題，提出一種利用無人機(jī)數(shù)傳電臺(tái)射頻指紋進(jìn)行無人機(jī)探測識(shí)別的方法。實(shí)驗(yàn)結(jié)果表明，本文方法對無人機(jī)個(gè)體識(shí)別平均正確率可達(dá)到87.9%，類型識(shí)別平均正確率可達(dá)到92.8%。與Matlab機(jī)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(xiàn)度的加權(quán)KNN優(yōu)化算法有更好的識(shí)別性能。同時(shí)也說明該方法對采用開源軟硬件平臺(tái)無人機(jī)識(shí)別有效，能夠彌補(bǔ)現(xiàn)有雷達(dá)、可見光、紅外等無人機(jī)探測方式的不足。