基于双谱分析的无人机飞控射频信号识别方法

刘冰; 刘佳琪; 时明心

doi:10.12404/j.issn.1671-1815.2500929

科学技术与工程 ›› 2026, Vol. 26 ›› Issue (1) :216-222 DOI: 10.12404/j.issn.1671-1815.2500929

电子技术、通信技术

基于双谱分析的无人机飞控射频信号识别方法

刘冰 ¹^,² ,
刘佳琪 ¹ ,
时明心 ¹

作者信息 +

Method for UAV Flight Control RF Signal Identification Based on Bispectral Analysis

LIU Bing ¹^,² ,
LIU Jia-qi ¹ ,
SHI Ming-xin ¹

Author information +

文章历史 +

摘要

为了提升无人机飞控射频信号识别的精确度,提出了一种基于双谱分析的方法。针对无人机技术快速进步及其应用领域不断扩展的趋势,有效的无人机探测和识别对于确保空域安全至关重要。特别关注了射频探测方法,因其能够直接锁定信号源,实现快速定位,且受外界环境影响较小,对非合作无人机的探测效果尤为显著。详细介绍了双谱分析的基本理论,并以DroneRFa公开数据集作为实验样本,进行了预处理、特征提取等步骤,获得了不同型号无人机飞控射频信号的双谱特征。进一步地,采用支持向量机(support vector machine,SVM)进行信号识别算法设计,通过5折交叉验证的方式测试了多种核函数的效果,最终确定Sigmoid核函数在识别准确率上表现最优,达到了96%。该方法在面对不同程度的噪声干扰时仍能保持较高的识别准确率,即使信噪比低至-5 dB的情况下,识别准确率也能维持在70%左右,体现了良好的抗噪性能。研究成果有助于提高无人机监视和管制能力,为相关领域的技术发展提供了新的思路和方法。

Abstract

A method based on bispectrum analysis was proposed to enhance the accuracy of identifying radio frequency (RF) signals in drone flight controls. Given the rapid advancement of drone technology and its expanding application areas, effective detection and identification of drones were crucial for ensuring airspace safety. Special attention has been paid to radio frequency detection methods, as they can directly lock onto the signal source, achieve rapid positioning, and are less affected by external environments, resulting in particularly significant detection effects on non cooperative drones. The basic theory of bispectrum analysis was elaborated, using the publicly available DroneRFa dataset as experimental samples to carry out preprocessing, feature extraction, and other steps to obtain bispectral features of RF signals from different drone models’ flight controls. Furthermore, support vector machine (SVM) was employed for designing the signal recognition algorithm. Through 5-fold cross-validation, various kernel functions were tested, with the Sigmoid kernel function ultimately showing the best performance in recognition accuracy, reaching 96%. This method maintains high recognition accuracy even under varying degrees of noise interference, achieving approximately 70% recognition accuracy at a signal-to-noise ratio as low as -5 dB, demonstrating good noise resistance. These research findings contribute to improving drone surveillance and control capabilities, providing new ideas and methods for technological development in related fields.

Graphical abstract

关键词

无人机 / 飞控信号 / 信号识别 / 双谱分析 / 支持向量机

Key words

unmanned aerial vehicle / flight control signals / signal recognition / bispectral analysis / support vector machine

引用本文

引用格式 ▾

刘冰, 刘佳琪, 时明心. 基于双谱分析的无人机飞控射频信号识别方法[J]. 科学技术与工程, 2026, 26(1): 216-222 DOI:10.12404/j.issn.1671-1815.2500929

LIU Bing, LIU Jia-qi, SHI Ming-xin. Method for UAV Flight Control RF Signal Identification Based on Bispectral Analysis[J]. Science Technology and Engineering, 2026, 26(1): 216-222 DOI:10.12404/j.issn.1671-1815.2500929

登录浏览全文

4963

注册一个新账户忘记密码

无人机探测与识别的研究在当前科技发展背景下具有重要的理论意义和应用价值。随着无人机技术的迅速进步,其应用领域已经从最初的军事用途扩展到民用、商业乃至个人使用^[1]。因此,对无人机进行有效的探测和识别成为了确保空域安全、保护关键基础设施以及维护公共秩序的重要手段。随着无人机数量的增长,特别是非合作无人机(即未经授权或未登记的飞行器)可能威胁到民航飞机和其他合法航空活动的安全。高效的无人机探测和识别系统可以提供实时监控,预防潜在冲突,保障空中交通管理系统的顺畅运行^[2-3]。

无人机探测与识别的技术路线主要包括雷达探测、光电探测和射频探测等,其中雷达是主要的探测工具之一,但针对“低慢小”的无人机目标,常规雷达存在诸多局限性,对无人机的探测效果并不是十分理想;光电和红外探测传感器能够捕捉可见光谱之外的信息,对于夜间操作或者隐蔽条件下的无人机有较好的探测效果,结合计算机视觉算法,可以从复杂的背景中提取出无人机特征,但是这类方法受限于自然环境和天气条件制约较大;由于大多数消费级无人机依赖无线电信号进行遥控和数据传输,射频探测可以直接锁定信号源,实现快速定位。这类方法尤其对于非合作无人机的探测具有较好的效果,并且受外界环境、天气状况等影响较小^[4]。文献[5]为了提高多无人飞行载具(unmanned aerial vehicle,UAV)协同监控性能,提出了一种基于无线通信网络的多UAV协同路径优化架构,旨在通过动态规划各UAV的监控位置来克服由障碍物遮挡导致的低效监控问题。文献[6]提出的方法在保证无人机与地面节点保持连通通信图的前提下,寻找使覆盖质量最大化的无人机位置监视。不同于许多需要全局信息的集中式算法,所提出的算法只需要每架无人机知道部署区域和预计算的概率密度函数即可实现有效监视。文献[7]利用智能无人机构建了一个无碰撞的监控系统,特别是在多域物联网环境中。研究的主要目的是解决在复杂且动态变化的环境中,多个无人机同时执行任务时可能遇到的碰撞问题,并提高无人机系统的监控效率和安全性。文献[8]提出一种无人机合成孔径雷达图像的目标识别问题,提出了一种稳健的复数深度神经网络(CV-DNN)。该网络旨在处理合成孔径雷达(synthetic aperture radar,SAR)图像中存在的复杂值数据,并提高目标识别的准确性。文献[9]研究了一种基于三重残差语义网络的少样本学习方法,用于无人机识别,解决在训练数据有限的情况下如何实现高效的UAV识别问题,提出了一个新颖的深度学习框架,通过结合多尺度特征提取和残差学习机制来增强模型的表现。

现研究一种基于双谱分析的无人机飞控射频信号识别方法,通过无人机飞控射频信号的双谱特征,对无人机的具体型号进行有效识别,提升无人机监视和管制能力。

1 双谱基本理论

高阶谱通过累积量函数进行定义,又被称作累积量谱^[10-11]。假设一个零均值的n阶平稳过程,该平稳过程的n阶累积量定义如下。

(1)$\begin{array}{l}{C}_{nx}({\tau }_{1},{\tau }_{2},\dots,{\tau }_{n-1})=\mathrm{c}\mathrm{u}\mathrm{m}\left\{x\right(n),x(n+{\tau }_{1}),\dots,\\ x(n+{\tau }_{n-1})\}\end{array}$

式(1)中:$x\left(n\right),x(n+{\tau }_{1}),\dots,x(n+{\tau }_{n-1})$为在不同时延下的取值;τ为时间延迟参数。

假设式(1)中的n阶累积量是绝对可和的,则n阶累积量谱可以定义为n阶累积量的n-1阶傅里叶变换,表达式为

(2)$\begin{array}{l}{S}_{nx}({\omega }_{1},{\omega }_{2},\dots,{\omega }_{n-1})=\stackrel{+\infty }{\sum _{{\tau }_{1}=-\infty }}\dots \stackrel{+\infty }{\sum _{{\tau }_{n-1}=-\infty }}{C}_{nx}({\tau }_{1},{\tau }_{2},\dots,\\ {\tau }_{n-1}\left)\mathrm{e}\mathrm{x}\mathrm{p}\right(-\mathrm{j}\stackrel{n-1}{\sum _{i=1}}{\omega }_{i}{\tau }_{i})\end{array}$

式(2)中:ω为经过傅里叶变换之后得到的频率分量。j为虚数单位,满足 j²=-1。当n取值3时为双谱,又称为三阶谱,即

(3)${S}_{3x}({\omega }_{1},{\omega }_{2})=\stackrel{+\infty }{\sum _{{\tau }_{1}=-\infty }}\stackrel{+\infty }{\sum _{{\tau }_{2}=-\infty }}{C}_{3x}({\tau }_{1},{\tau }_{2})\mathrm{e}\mathrm{x}\mathrm{p}(-\mathrm{j}\stackrel{2}{\sum _{i=1}}{\omega }_{i}{\tau }_{i})$

信号的双谱是二维函数,即具备经过傅里叶变换后的两个频率分量作为自变量。由于双谱变换的计算量较大,对计算资源的要求较高,且不具备实时性的特点。为了降低计算复杂度,令式(3)中的${\tau }_{1}={\tau }_{2}=\tau $,即可以得到信号的双谱变换的一维对角切片估计^[12-13]。

选取无人机飞控射频信号作为研究对象,通过对信号进行双谱变换,提取双谱对角一维切片特征,构造特征矩阵后输入到支持向量机分类新,实现对无人机飞控射频信号进行分类,进而实现对应型号无人机的识别。

2 实验数据处理

2.1 DroneRFa数据集预处理

选取文献[14]公开的DroneRFa数据集作为数据样本。该数据集中每一类型号的无人机飞控射频信号共计包括4通道数据,分别为1通道的同相分量值“RF0_I”和正交分量值“RF0_Q”,第2通道的同相分量值“RF1_I”和正交分量值“RF1_Q”。DroneRFa数据集使用“采集-存储-采集-存储”的模式,采样周期为10×10⁶个采样点,为保证数据完整性和信号处理速率,对于每段数据样本以50 000点作为截取窗口。图1所示为大疆Phantom 3无人机的飞控射频信号。图1(a)~图1(d)分别为飞控射频信号的RF0_I、RF0_Q、RF1_I和RF1_Q通道信号,每个通道的信号分别采集了50 000个采样点。

2.2 双谱特征提取

在2.1节中,对于每种型号无人机的飞控射频信号共计采集了4个数据片段,每个数据片段包含5 000个采样点,对RF0_I、RF0_Q、RF1_I和RF1_Q分别进行双谱变换,对于特定型号无人机飞控射频信号分别得到4个双谱信号,图2所示为经过双谱变换的4路射频信号,图2(a)~图2(d)分别为RF0_I双谱、RF0_Q双谱、RF1_I双谱和RF1_Q双谱,由双谱变换的定义可知,信号经过双谱变换后,其等高线图关于原点对称。

由于双谱变换关于原点对称,因此在双谱图中存在部分信息冗余,为降低计算复杂度,选取双谱对角切片作为特征,对角切片选取的令式(3)中的${\tau }_{1}={\tau }_{2}=\tau $,图3所示为提取无人机飞控射频信号双谱的对角切片特征。双谱对角切片相比于双谱变换计算复杂度大大降低,同时保留了双谱变换中的大部分信息,并不丢失信号固有的信息。

特定型号无人机的飞控射频信号共计4个通道,分别经双谱变换且提取对角切片特征后,构成共计4维特征,即RF0_I双谱对角切片、RF0_Q双谱对角切片、RF1_I双谱对角切片和RF1_Q双谱对角切片。将4维双谱对角切片构成特征向量,作为后续信号分类的分类器输入向量,如式(4)所示。

(4)$Fe=[\mathrm{I}{0}_{\mathrm{d}},\mathrm{Q}{0}_{\mathrm{d}},\mathrm{I}{1}_{\mathrm{d}},\mathrm{Q}{1}_{\mathrm{d}}]$

式(4)中:Fe为特征矩阵;I0_d、Q0_d、I1_d和Q1_d分别为RF0_I、RF0_Q、RF1_I和RF1_Q的双谱对角切片。

3 飞控射频信号识别算法

支持向量机(support vector machine, SVM)具备完备的理论基础,相比于其他传统的机器学习算法,在处理小样本、非线性和高维模式识别问题时,具有显著的优势^[15-16]。同时采用的结构风险最小化原则在机器学习的学习性能和泛化性能之间起到了很好的平衡作用^[17-18]。SVM的性能高度依赖于其参数的选择,包括但不限于正则化参数C、核函数及其参数。尽管存在多种方法用于优化这些参数以提高模型性能,但每种方法都有其不足之处^[19]。目前最常用的SVM参数优化方法为网格搜索(grid search)法,作为一种直接且易于实现的方法,通过穷举预定参数组合来寻找最优参数设置^[20]。然而,这种方法在面对高维参数空间时表现出极大的计算成本,随着参数数量和每个参数可能取值范围的增加,所需评估的参数组合呈指数级增长,导致效率低下,尤其不适合处理大规模数据集或实时应用。

目前常用的SVM核函数包括线性核函数、高斯核函数、Sigmoid核函数^[21]等,故对这几种常用的核函数分别进行测试,选取效果最优的作为SVM的核函数。

选取DroneRFa公开数据集中共计9种型号无人机飞控射频信号,每一型号的数据集截取共计1 500个数据片段,采用5折交叉验证的方法对截取的数据片段进行交叉验证。即将每一类信号无人机飞控射频信号平均分为5个部分,第一次计算将其中1部分作为测试样本,另外4部分作为学习训练样本;第二次计算将另1部分作为测试样本,其余4部分作为训练学习样本,以此类推,最终使得每组都有机会作为一次测试样本,如图4所示。

将上述的测试过程重复进行100次,取最终测试结果的平均值作为最终的测试结果。论文所提方法的算法流程图如图5所示,算法包括“训练部分”和“识别部分”两个部分,其中训练部分利用5折交叉验证中的任意4部分进行,识别部分选取剩下的1部分进行。在训练部分,以无人机飞控射频信号训练样本为算法输入,通过4通道信号的双谱变换和一维对角切片特征提取后构成特征向量,输入SVM中,以分类识别准确率作为适应度函数,不断对惩罚参数和核函数参数进行优化,当适应度函数达到预先设定的值后,训练停止。测试部分以未知型号的无人机飞控射频信号作为输入,经双谱变换和一维对角切片特征提取后构造特征矩阵输入已经训练好的SVM中,通过重复迭代实验后得到最终识别结果的均值作为最终的结果。

选取识别准确率指标作为所提方法的衡量指标,识别准确率定义为

(5)$A=\frac{{N}_{\mathrm{R}}}{{N}_{\mathrm{R}}+{N}_{\mathrm{W}}}\times 100\mathrm{\%}$

式(5)中:A为识别准确率;N_R为识别正确的样本数目;N_W为识别错误的样本数目。

3.1 核函数选取对结果的影响

由于SVM的核函数有多种类型,对常用的核函数分别进行算法验证,选取径向基核函数、多项式核函数、线性核函数和Sigmoid核函数分别进行实验。选取不同核函数时,保证训练样本和测试样本的一致性,即利用不同核函数构造支持向量机,利用相同的训练样本对支持向量机进行训练,相同的测试样本对算法进行测试,并求得最终的平均值作为最终的测试结果,上述过程的结果如表1所示。可知,选取核函数为Sigmoid核函数时,识别准确率最高达到96%,方差为0.39%,相比于径向基核函数、多项式核函数和线性核函数的总体识别准确率更高。

3.2 不同信噪比对结果的影响

在实际工程实践中,无人机飞控射频信号的识别需要考虑不同信噪比条件下的效果,算法能够对抗噪声的性能直接影响其应用的普适性。选取公开数据集中的原始数据,在原始数据的基础上,分别加入不同信噪比的噪声信号。设置信噪比从0 dB降低至-5 dB,在不同信噪比条件下,分别提取射频信号的双谱对角切片特征,同时支持向量机的核函数选择Sigmoid核函数,以5折交叉验证法对选取的1 500组数据进行50次重复实验,求得平均值作为最终结果,实验结果如图6所示。可知,利用所提的基于双谱对角切片特征进行无人机飞控射频信号的识别时,随着信噪比的降低,识别准确率呈现缓慢下降的趋势,当信噪比为0 dB时,识别准确率超过95%,当信噪比逐渐降低至-1dB时,识别准确率保持在90%以上,信噪比降低至-5 dB时,识别准确率依然保持在将近70%的水平。由此可知,所提方法具有较好的抵抗噪声的能力,在较低信噪比条件下依然可以较为准确地对射频信号进行识别。

4 结论

提出了一种基于双谱分析的无人机飞控射频信号识别方法,并通过实验验证了该方法的有效性和优越性。研究结果如下。

(1)通过采用双谱分析方法对无人机飞控射频信号进行特征提取,能够有效地获取不同型号无人机的独特双谱特征,此方法对于非合作无人机的探测尤为有效。

(2)在对多种核函数的支持向量机进行比较后, Sigmoid核函数在识别准确率上表现最优,达到了96%。

(3)实验结果显示,所提出的算法在面对不同程度的噪声干扰时仍能保持较高的识别准确率。即使信噪比低至-5 dB的情况下,识别准确率也能维持在70%左右,体现了该方法良好的抗噪性能。

综上所述,基于双谱分析和支持向量机的无人机飞控射频信号识别方法不仅提高了识别精度,而且增强了系统的鲁棒性,适用于复杂多变的实际环境中。未来的工作可以进一步探索更多类型的无人机信号特性,并优化现有的识别算法以适应更广泛的应用场景。

参考文献

原文顺序 | 出版日期 | 本文引用

[1]	王熙宇. 无人机倾斜摄影测量的关键技术与应用分析[J]. 中文科技期刊数据库(全文版)工程技术, 2023(2): 108-111.

[2]	Wang Xiyu. Key technologies and application analysis of UAV tilt photogrammetry[J]. Chinese Science and Technology Journal Database (Full-text Edition) Engineering Technology, 2023(2): 108-111.

[3]	汤新民, 顾俊伟, 刘冰, 等. 低空监视技术及其发展趋势综述[J]. 南京航空航天大学学报, 2024, 56(6): 973-993.

[4]	Tang Xinmin, Gu Junwei, Liu Bing, et al. Review of low-altitude surveillance technology and its development trend[J]. Journal of Nanjing University of Aeronautics and Astronautics, 2024, 56(6): 973-993.

[5]	徐开明, 王佰录, 李溯琪, 等. 低空监视雷达“走-停-走”目标跟踪技术[J]. 雷达学报, 2022, 11(3): 443-458.

[6]	Xu Kaiming, Wang Bailu, Li Suqi, et al. Move-stop-move target tracking technology for low altitude surveillance radar[J]. Radar Journal, 2022, 11(3): 443-458.

[7]	许旭, 李忱, 张越, 等. X波段低空监视一次雷达技术研究[J]. 微波学报, 2014, 30(S1): 594-597.

[8]	Xu Xu, Li Chen, Zhang Yue, et al. X-band low altitude surveillance primary radar technology research[J]. Microwave Journal, 2014, 30(S1): 594-597.

[9]	Liu Daqian, Bao Weidong, Zhu Xiaomin, et al. Cooperative path optimization for multiple UAVs surveillance in uncertain environment[J]. IEEE Internet of Things Journal, 2022, 9(13): 10676-10692.

[10]	Savkin A V, Huang H L. A method for optimized deployment of a network of surveillance aerial drones[J]. IEEE Systems Journal, 2019, 13(4): 4474-4477.

[11]	Hyunbum K, Jalel B O. A collision-free surveillance system using smart UAVs in multi domain IoT[J]. IEEE Communications Letters, 2018, 22(12): 2587-2590.

[12]	Cheng F, Sonh Y, Guan F. A robust complex-valued deep neural network for target recognition of UAV SAR imagery[J]. IEEE Journal on Miniaturization for Air and Space Systems, 2023, 4(2): 175-185.

[13]	Liang H, Wang R, Xu M. Few-shot learning UAV recognition methods based on the tri-residual semantic network[J]. IEEE Communications Letters, 2022, 26(9): 2072-2076.

[14]	李立元, 栗苹, 李国林, 等. 基于双谱分析的高原灌木回波信号分类[J]. 北京航空航天大学学报, 2022, 48(10): 2070-2078.

[15]	Li Liyuan, Li Ping, Li Guolin, et al. Classification of alpine shrub echo signals based on bispectrum analysis[J]. Journal of Beijing University of Aeronautics and Astronautics, 2022, 48(10): 2070-2078.

[16]	Dinesh K K, Daniel F. Assessment of scale interactions associated with wake meandering using bispectral analysis methodologies[J]. Theoretical and Applied Mechanics Letters, 2024, 14(2): 1-11.

[17]	钟怡. 基于无线通信信号的目标识别关键技术研究[D]. 北京: 北京邮电大学, 2018.

[18]	Zhong Yi. Research on key technologies of target recognition based on wireless communication signals[D]. Beijing: Beijing University of Posts and Telecommunications, 2018.

[19]

Sogol A, Faranak B, Davood O C, et al. The effect of Dexmedetomidine on suppression of the bispectral index score and hemodynamic response during laryngoscopy and intubation in addicted patients in supratentorial brain tumor surgery, a randomized double-blinded controlled trial[J]. Trends in Anaesthesia and Critical Care, 2023, 53(12): 23762-23775.

[20]	俞宁宁, 毛盛健, 周成伟, 等. DroneRFa: 用于侦测低空无人机的大规模无人机射频信号数据集[J]. 电子与信息学报, 2024, 46(4): 1147-1156.

[21]	Yu Ningning, Mao Shengjian, Zhou Chengwei, et al. DroneRFa: large-scale UAV RF signal data set for detecting low-altitude UAVs[J]. Journal of Electronics and Informatics, 2024, 46(4): 1147-1156.

[22]	Ifeoluwa T A, Sun Y, Isaiah G A. daily peak demand forecasting using pelican algorithm optimised support vector machine(POA-SVM)[J]. Energy Reports, 2024, 12(12): 4438-4448.

[23]	Wang T, Zhang D, Liu H. Toward effective SVM sample reduction based on fuzzy membership functions[J]. Chemometrics and Intelligent Laboratory Systems, 2024, 254(15): 105233.

[24]	陈冰梅, 樊晓平, 周志明, 等. 支持向量机原理及展望[J]. 制造业自动化, 2010, 32(12): 136-138.

[25]	Chen Bingmei, Fan Xiaoping, Zhou Zhiming, et al. Support vector machine principle and prospect[J]. Manufacturing Automation, 2010, 32(12): 136-138.

[26]	杜聪, 邵建华, 杨薇, 等. 网格搜索法优化的支持向量机室内可见光定位[J]. 激光杂志, 2021, 42(3): 104-109.

[27]	Du Cong, Shao Jianhua, Yang Wei, et al. Support vector machine indoor visible light positioning optimized by grid search method[J]. Laser Magazine, 2021, 42(3): 104-109.

[28]	Yan Y, Le X, Yang T, et al. Interpretable PCA and SVM-based leak detection algorithm for identifying water leakage using SAR-derived moisture content and InSAR closure phase[J]. IEEE Journal of Selected Topics in Applied Earth Observations and Remote Sensing, 2024, 17(8): 15136-15147.

[29]	郭辉, 付接递, 李振东, 等. 基于改进鲸鱼算法优化SVM参数和特征选择[J]. 吉林大学学报(工学版), 2023, 53(10): 2952-2963.

[30]	Guo Hui, Fu Jiedi, Li Zhendong, et al. Optimize SVM parameters and feature selection based on improved whale algorithm[J]. Journal of Jilin University(Engineering Edition), 2023, 53(10): 2952-2963.

[31]	Lin K, Chen M. On the design and analysis of the privacy-preserving SVM classifier[J]. IEEE Transactions on Knowledge and Data Engineering, 2011, 23(11): 1704-1717.