技术领域
[0001] 本发明涉及信号处理技术领域，特别是一种基于机器学习的无人机检测方法。
相关背景技术
[0002] 当前主要有三种检测无人机的方法：基于雷达的无人机检测法,基于音视频的无人机检测法以及基于无线电的无人机检测法，各种探测方法的优点与不足如表1所示。
[0003] 表1各种探测方法的优点与不足
[0004]
[0005] 使用雷达对无人机信号进行探测是目前最为完善的方案，但雷达探测系统成本过于昂贵,且仅对大且高速移动的目标有效,而无人机是低速低空飞行平台，具有较小的雷达截面，即低速小型(LSS)平台，雷达探测法对于无人机目标存在探测效能不足的问题，另外，雷达的另一个缺点是耗电量大，无法全天候工作；而由于音频视频的检测设备存在一定的局限性，使音视频探测法作用的距离较短，同时环境也会对音频和视频的检测产生较大的影响，如大雾天气时摄像头无法捕捉无人机的图像、嘈杂环境中麦克风无法捕捉无人机发出的音频等情况；无线电探测法通过频谱检测对无人机信号进行探测，使用射频传感器来采集无人机通信信号，其优点是成本较低，运算量较小，不会产生回波干扰。
具体实施方式
[0042] 下面结合附图对本发明的实施例进行详细说明。
[0043] 实施例
[0044] 如图1所示，一种基于机器学习的无人机检测方法，主要指对指定范围内的无人机图传信号进行检测的算法，包括：
[0045] S1、数据预处理：对接收机采集的2.4Ghz‑2.5Ghz无人机频段频谱数据进行数据滤波处理，去除噪声影响。常用的平滑滤波方法有低通滤波、中值滤波以及均值滤波，经过比较，平滑处理效果较好的是中值滤波法，因此选取中值滤波作为信号平滑处理的方案。
[0046] 具体的，定义原频谱序列为x(i‑N),…,x(i),x(i+N)。定义奇数长L的窗口，(L＝2N+1,N为正整数)。对L个信号样本进行排序，取i处的样本值作为中值滤波的输出值，如y(i)＝Med[x(i‑N),…,x(i),x(i+n)]。滤波前后仿真图如图2和图3所示：
[0047] 从图2和图3可知，滤波前信号毛刺过多，对后续信号提取造成干扰，经过中值滤波后信号曲线更加平滑。
[0048] S2、信号提取：对预处理后的数据进行信号提取操作，提取出与无人机信号带宽相似的所有信号。
[0049] 具体的，定义频段数据的频率步进step(Khz)从整个频段中找出带宽大于5Mhz的所有信号，定义频段内提取出的信号集合 其中n为频段内的带宽大于5Mhz的信号数量，单个信号表示为 其中，k为单个
信号总采样点数。提取出的无人机信号与非无人机信号仿真图如图4和图5所示。
[0050] 从图4和图5可得，无人机信号的频谱曲线相对非无人机信号包络在频谱两侧更加陡峭，带内平坦。
[0051] S3、数据标准化：为了统一比较的标准，保证结果的可靠性，所有提取出来的信号进行z‑score标准化处理。
[0052] 具体的，对输入信号数据进行标准化，需要使用其均值和标准差，将原始信号数据的标准差映射为1，经过处理后的数据符合正态分布(均值为0，标准差为1)。也叫标准差归一化。标准化公式如下：
[0053] 求得原序列 的平均值μ，原序列的标准差σ，求得标准化后的序列
[0054] S4、特征提取：通过在数据中提取足够数量的特征，可以最大限度地减少机器学习分类器过度拟合的问题。对标准化后的信号数据进行特征提取操作，包括信号带宽、变异系数、峰度、波动率，作为区分无人机与非无人机信号的不同数据特征。
[0055] 具体的，带宽是信号的基本特征；变异系数用来衡量数据的发散程度，是数据标准差与平均值的比值；峰度用来衡量数据分布相对于正态分布是否更尖或平坦，高峰度数据在均值附近有明显峰值，下降很快并且有重尾，低峰度在均值附近往往为平坦的顶部；波动率定义为某次数据标准化后的90分位值‑10分位值；
[0056] 变异系数、峰度、波动率的计算公式如下：
[0057] 定义μ为序列 的平均值，σ为序列 的标准差，n为序列总样点数：
[0058] 定义变异系数为CV：
[0059]
[0060] 定义峰度为K：
[0061]
[0062] 定义波动率为wave rate：
[0063]
[0064] 其中，Y＝quantile(X,p)为百分位数计算，其中X是向量或矩阵，p是百分位数，取值范围为[0,1]，数学意义为：对于向量X，P{X<＝Y}＝p。
[0065] 具体的特征图6‑图9所示，图6‑图9给出了无人机信号和非无人机信号的四种特征统计曲线。从图中可以看出单从一种特征对无人机信号进行检测是存在虚警的，因此需要联合多维度特征进行判别。
[0066] S5、无人机信号检测：根据所给出的信号的各特征值，使用机器学习算法进行无人机信号检测，若发现无人机信号则输出无人机信号参数。
[0067] 具体的，将提取到的无人机图传信号和非无人机的特征数据整合到一起，并给无人机信号和非无人机信号打上标签形成数据集。将数据集放入机器学习中的随机森林算法进行检测，得到检测结果。随机森林算法中树数目与袋外错误率分布如10所示。
[0068] 在机器学习中机器预测的和实际的还是会有所偏差，所以本实施例引入准确率，精确率和召回率来评价分类器的优良。将分类表示为两类，一类为正类，一类为负类，TP表示无人机被预测为无人机，TN表示非无人机被预测为非无人机，FP表示非无人机被预测为无人机，FN表示无人机被预测为非无人机。
[0069] 准确率(Accuracy)：就是全部预测准确的(无人机被预测为无人机和非无人机被预测为非无人机的和)占所有预测的比重，公式定义如下所示：
[0070]
[0071] 精确率(Precision)：也被称为查准率。无人机被预测为无人机占全部预测为无人机(无人机被预测为无人机和非无人机被预测为无人机的和)的比例。也就是真正预测为无人机的占所有预测为无人机的比例，公式定义如下所示：
[0072]
[0073] 召回率(Recall)：也被称为查全率。即无人机被预测为无人机的占实际为无人机(无人机被预测为无人机和无人机被预测为非无人机的和)的比例。就是真正预测为无人机的占所有实际为无人机的比例，公式定义如下所示：
[0074]
[0075] 由于数据集中，非无人机的数据量远大于无人机的数据量，所以使用调和均值Fscore，公式定义如下所示：
[0076]
[0077] 使用统计指标检测概率(the probability of detection,POD)，公式定义如下所示：
[0078]
[0079] 累计成功指数(cumulatives success index,CSI)，公式定义如下所示：
[0080]
[0081]
[0082] 以上所述实施例仅表达了本发明的具体实施方式，其描述较为具体和详细，但并不能因此而理解为对本发明专利范围的限制。应当指出的是，对于本领域的普通技术人员来说，在不脱离本发明构思的前提下，还可以做出若干变形和改进，这些都属于本发明的保护范围。
