[0001] 本发明涉及无人机探测技术领域，具体为一种反制无人机探测干扰的监测预警系统及方法。

[0002] 传统的反制无人机探测干扰的监测预警系统及方法在多方面存在技术问题。首先，这些系统通常依赖于单一的信号到达角度或信号到达时间差方法进行无人机定位；这种单一方法在面对复杂环境尤其是多径传播和强噪声干扰时，定位的准确性和可靠性往往大打折扣，例如，仅依赖到达时间差方法，虽然可以提供精确的时间信息，但在多径传播环境下，信号路径的复杂性和反射会导致时间信息的不确定性，从而影响定位精度；同时，仅依赖到达角度方法，由于噪声和空间干扰的存在，角度信息可能不稳定，导致定位结果不准确。

[0003] 其次，传统系统中的异常信号检测通常较为单一，依赖频率特征变化或信号强度的简单监测，缺乏多维度特征分析，导致对异常信号的识别和分类效率低下；对于多架无人机的同时入侵，传统系统往往无法快速、有效地区分和定位多架目标，进一步增加了系统响应时间和处理复杂度。此外，传统系统缺乏智能化手段，不能动态适应和调整反制策略，只能依靠预设的固定模式进行干扰，无法应对多变的无人机威胁类型和攻击手段，这极大限制了系统的灵活性和应对能力。

[0004] 最后，传统系统在实际操作中，常常无法实现对目标的精准干扰，只能进行广泛覆盖式干扰，容易影响合法通信设备和空中设备的正常运行，造成误干扰和资源浪费问题；欠缺精细化控制手段的传统方法，不能灵活调整干扰信号的功率、频率和调制方式，对环境的适应性差，难以保障系统的高效运行和长期稳定；因此，传统反制无人机探测干扰的监测预警系统及方法在定位精度、多目标处理、响应速度和干扰精度等方面存在显著技术问题，亟需改进和优化。

[0050] 下面将结合本发明中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。

[0051] 除非另有说明，此处使用的术语(包括科技术语)对所属技术领域的技术人员具有通常的理解含义。另外，可以理解的是，以通常使用的词典限定的术语，应当被理解为与其相关领域的语境具有一致的含义，而不应该被理解为理想化的或过于正式的意义。

[0052] 根据该文档，以下为部分术语定义：

[0053] 多架无人机电信号：指由多个无人机同时发射的电磁波信号，该信号被阵列空间站点接收；

[0054] 异常信号：指在多架无人机电信号中，经过频率特征分析后被识别为不符合正常无人机通信模式的信号，该信号可能表现为频带能量异常或频谱重心偏移；

[0055] 到达时间差：指同一个异常信号到达不同空间站点的时间差，通过计算参考站点与其他站点接收到异常信号的时间差，可以用于确定信号源(即异常无人机)的位置，[0056] 到达角度：指异常信号到达每个空间站点的入射角度，通过对接收信号的空间协方差矩阵进行分析，使用MUSIC算法等方法估算得出，这个角度信息与到达时间差一起用于精确定位异常无人机；

[0057] 异常无人机位置：指被识别为发出异常信号的无人机在三维空间中的精确坐标，该位置是通过综合利用到达时间差和到达角度信息，使用交叉定位技术计算得出的，它为后续的干扰抑制和应急响应提供了关键的空间信息。

[0058] 接下来，请参阅图1‑图2，本实施例目的之一在于，一种反制无人机探测干扰的监测预警系统，包括信号接收模块100、异常信号检测模块200、到达时间差检测模块300、到达角度检测模块400、交叉定位模块500和自适应干扰抑制模块600。

[0059] 信号接收模块100利用多个空间站点组成的阵列空间站点，接收多架无人机所发出的电信号，作为多架无人机电信号；其中阵列空间站点中的每个空间站点都独立接收多架无人机电信号，每个空间站点包含对应的位置信息，每个空间站点以特定的几何形状排列，如线性、二维平面或三维结构，以实现更高效的信号接收和处理；

[0060] 异常信号检测模块200中的特征提取单元201对多架无人机电信号进行特征提取，特征提取结果包括时频特征、频率特征和信号强度特征，其中特征提取的具体过程包括：

[0061] 时频特征提取：使用窗函数(如汉宁窗)对多架无人机电信号分成多个时间段，对每个时间段应用快速傅里叶变换方法，将每个时间段的变换结果存储为时频谱图的一列，将所有时间段的变换结果组合，形成二维的时频谱图；

[0062] 频率特征提取：将时频特征提取过程中每个时间段的变换结果进行模平方，并除以频率分辨率，得到频谱；将频谱划分为多个频带，计算每个频带内的能量总和，并根据该能量总和，确定频谱的重心，用于反映能量分布的中心；将每个频带的能量总和以及频谱的重心，作为频率特征；

[0063] 信号强度特征提取：通过计算多架无人机电信号的均方根值来获得信号的整体能量水平；对多架无人机电信号进行峰值检测以找出信号的最大绝对值，这有助于识别突发或异常强的信号；对多架无人机电信号估算信噪比来评估信号质量和可靠性；使用包络检测技术(如希尔伯特变换)来提取多架无人机电信号的振幅变化趋势；将上述结果综合起来，作为信号强度特征，为后续的无人机分类提供重要依据。

[0064] 异常信号检测模块200中的异常检测单元202根据特征提取结果中的频率特征变化，利用频谱分析技术检测多架无人机电信号中的异常信号，具体包括：

[0065] 从公共数据库中收集多架无人机在正常运行状态下的电信号数据，对所收集的正常电信号数据，进行频率特征提取，计算出各正常频带的能量总和，并计算每个正常频带能量总和的平均值和标准差，以及正常频谱重心的平均位置和标准差，以确定频谱基线；

[0066] 设定每个频带能量总和的偏差阈值，通过定义超过频谱基线中正常频带能量总和的平均值的3个标准差的范围作为能量偏差阈值；

[0067] 设定频谱重心范围，通过定义频谱基线中正常频谱重心的平均位置±2个标准差，作为频谱重心偏差阈值；

[0068] 比较特征提取单元201中提取的频率特征与能量偏差阈值和频谱重心偏差阈值的关系，如果频率特征中任一频带的能量总和超出能量偏差阈值，或者频率特征中频谱的重心超出频谱重心偏差阈值，则确定该频率特征所对应的多架无人机电信号为异常信号，根据该异常信号所对应的频谱位置，确定异常时间段以及异常频率范围。

[0069] 到达时间差检测模块300根据异常检测单元202检测到的异常信号中的异常时间段，计算每个空间站点对异常信号的到达时间差，具体包括：

[0070] 对于每个空间站点接收到的异常信号,选择首个检测到异常信号的空间站点作为参考空间站点,并根据异常信号中的异常时间段，确定参考空间站点异常信号的到达时间T_ref；

[0071] 计算参考空间站点的异常信号f_ref(t)与其他空间站点异常信号f_i(t)的交叉相关函数R_{ref,i}(τ),该函数表示两个信号在时间差τ下的相关程度；该函数中的峰值位置τ_max对应其他空间站点与参考空间站点之间异常信号的到达时间差ΔT_i＝τ_max；

[0072] 对于每个空间站点与参考空间站点的时间差ΔT_i,计算出每个空间站点的相对到达时间差TDOA_i＝T_i‑T_ref,作为每个空间站点对异常信号的到达时间差，通过这种交叉相关的方法,可以在复杂的多径传播和信号干扰环境下,精确地估计出各个空间站点接收到异常信号的时间差。

[0073] 到达角度检测模块400对异常检测单元202检测到的异常信号，构建空间协方差矩阵；并对空间协方差矩阵进行特征值分解，并根据该分解结果检测谱峰，根据所述谱峰确定每个空间站点对异常信号的到达角度，具体包括：

[0074] 将每个空间站点接收到的异常信号表示为一个复向量，形成一个M×N的复数矩阵X，其中M为空间站点的个数，N为每个站点异常段中每个时间点的个数；通过计算X与其共轭转置X^H的乘积，再除以N来获得空间协方差矩阵R，即R＝(1/N)*X*X^H，R包含了不同空间站点之间信号的相关性信息，反映了信号在空间上的分布特性，为后续的特征值分解和到达角度估计提供了基础，H表示矩阵的共轭转置操作；

[0075] 对空间协方差矩阵R进行特征值分解，将其中的向量分为信号子空间和噪声子空间；利用这种分解，构建MUSIC谱，通过在0°到360°范围内搜索MUSIC谱的峰值来检测谱峰，谱峰对应的角度为异常信号的估计到达角度，其中MUSIC谱是一种基于子空间分解的角度估计方法。

[0076] 交叉定位模块500根据每个空间站点对异常信号的到达时间差，以及每个站点对异常信号的到达角度，确定异常信号所对应的无人机位置，作为异常无人机位置，具体包括：

[0077] 根据每个空间站点相对于参考站点接收异常信号的到达时间差TDOA_i，结合已知的空间站点位置信息，构建一个非线性方程组；该方程组以无人机的未知三维坐标(x,y,z)为变量，以各空间站点的已知坐标和测得的TDOA_i值为已知量，采用超级分辨率技术解决该非线性方程组；通过泰勒级数展开，将非线性方程组线性化；利用最小二乘法或其他优化算法，迭代求解线性化后的方程组；在每次迭代中，会更新估计的无人机位置，并计算新位置下的理论到达时间差值与实际测量值之间的误差，通过不断调整估计位置以最小化这个误差，最终收敛到一个最优解，作为初步无人机位置；

[0078] 在确定初步无人机位置后，进一步利用到达角度检测模块400提供的到达角度信息来优化定位结果，具体来说，根据到达角度检测模块400中每个空间站点异常信号的到达角度，结合之前通过到达时间差方法得到的初步无人机位置，构建一个新的联合优化问题，该问题同时考虑到达角度和到达时间差；

[0079] 建立一个包含未知无人机位置的数学模型，变量包括各空间站点的位置信息、以及每个空间站点对异常信号的到达角度和到达时间差；该模型的目标函数包含两个部分，一部分是到达角度测量误差的平方和，另一部分是到达时间差测量误差的平方和，通过最小化该目标函数，能够同时减小时间差和角度测量带来的定位误差；

[0080] 在迭代优化过程中，逐步调整无人机的估计位置，每次调整都会计算新的理论到达角度和到达时间差，并与实际测量值进行对比，以修正估计的位置；经过多次迭代，最终得出一个使目标函数达到最小值的估计位置，作为异常无人机位置；该过程通过综合利用到达角度和到达时间差两类独立的空间信息，实现对无人机位置的更精确定位；

[0081] 这种联合定位方法相较于单一的到达角度和到达时间差方法，显著提高了定位精度，降低了噪声和多径传播等因素带来的影响，最终，交叉定位模块500输出异常无人机的精确位置信息，这些精确的坐标数据为后续的应急响应、干预措施以及安全管控提供了关键依据，使相关部门能够迅速、准确地采取必要的行动，确保区域安全。

[0082] 自适应干扰抑制模块600接收特征提取单元201提供的特征提取结果，包括时频特征、频率特征和信号强度特征，这些特征作为预先训练的机器学习模型的输入，该模型包括但不限于深度神经网络、支持向量机等，专门用于识别和分类不同类型的异常无人机；

[0083] 该模型基于输入的特征提取结果，输出异常无人机类型，如商业、军用或自制无人机等；根据识别出的异常无人机类型，从公共抑制策略库中选择最适合的干扰抑制方案，策略包括但不限于频率干扰、信号欺骗和定向能量武器等；

[0084] 利用交叉定位模块500提供的精确无人机位置信息，控制阵列空间站点的波束形成系统，将天线阵列的主瓣对准异常无人机位置，这种精确对准能够最大化干扰效果，同时最小化对周围环境的影响，通过调整干扰信号的功率、频率和调制方式，有效抑制异常无人机对正常通信和导航系统的干扰，同时保护合法无人机和其他空中设备的正常运行，这种自适应的干扰抑制方法不仅能够快速响应不同类型的无人机威胁，还能根据实时情况动态调整抑制策略，确保干扰效果的最优化和系统资源的高效利用。

[0085] 本实施例目的之二在于，提供了一种反制无人机探测干扰的监测预警系统的方法，包括如下方法步骤：

[0086] S1、利用多个空间站点组成的阵列空间站点，接收多架无人机所发出的电信号，作为多架无人机电信号；其中阵列空间站点中的每个空间站点都独立接收多架无人机电信号，每个空间站点包含对应的位置信息；

[0087] S2、对多架无人机电信号进行特征提取，特征提取结果包括时频特征、频率特征和信号强度特征，并根据特征提取结果中的频率特征变化，利用频谱分析技术检测多架无人机电信号中的异常信号；

[0088] S3、根据检测到的异常信号，计算每个空间站点对异常信号的到达时间差；

[0089] S4、对检测到的异常信号，构建空间协方差矩阵；并对空间协方差矩阵进行特征值分解，并根据该分解结果检测谱峰，根据所述谱峰确定每个空间站点对异常信号的到达角度；

[0090] S5、根据每个空间站点对异常信号的到达时间差，以及每个空间站点对异常信号的到达角度，确定异常信号所对应的无人机位置，作为异常无人机位置；

[0091] S6、将异常信号所对应的特征提取结果作为机器学习模型的输入，生成异常无人机类型；根据异常无人机类型，选择对应的抑制策略，并根据异常无人机位置将阵列空间站点进行对准，用于抑制其对有效信号的干扰。

[0092] 以上显示和描述了本发明的基本原理、主要特征和本发明的优点。本行业的技术人员应该了解，本发明不受上述实施例的限制，上述实施例和说明书中描述的仅为本发明的优选例，并不用来限制本发明，在不脱离本发明精神和范围的前提下，本发明还会有各种变化和改进，这些变化和改进都落入要求保护的本发明范围内。本发明要求保护范围由所附的权利要求书及其等效物界定。