【摘 要】
：
近年来,消费级无人机在日常生活中得到快速普及,由于无人机体积小、可载重且自带摄像头,给人们带来了诸多便利。但无人机的不当使用也带来许多安全威胁,如偷拍、非法交易等,因此,当前对无人机探测与分类技术的需求迫在眉睫。传统无人机探测与分类技术主要有雷达、音频、光电等方式,这些技术在一些环境中性能不佳,而基于无人机通信Wi Fi信号并结合唯一的射频指纹技术来探测与分类无人机则具有更强的适用性和性能。软件无
论文部分内容阅读
近年来,消费级无人机在日常生活中得到快速普及,由于无人机体积小、可载重且自带摄像头,给人们带来了诸多便利。但无人机的不当使用也带来许多安全威胁,如偷拍、非法交易等,因此,当前对无人机探测与分类技术的需求迫在眉睫。传统无人机探测与分类技术主要有雷达、音频、光电等方式,这些技术在一些环境中性能不佳,而基于无人机通信Wi Fi信号并结合唯一的射频指纹技术来探测与分类无人机则具有更强的适用性和性能。软件无线电（Software-Defined Radio,SDR）平台可以有效地监听无人机通信信号并进行相关分析,而Wireless In Site软件则可以模拟无人机飞行环境,实现多场景实验。因此,本文开展了基于无人机通信Wi Fi信号与射频指纹特征的无人机探测与分类技术研究,并利用SDR平台与Wireless In Site软件进行测试验证。本文研究内容如下:首先,利用恒虚警检测方法与空域特征来探测无人机。利用Haar小波变换对信号进行预处理,并设置加权的标准差作为阈值来检测无人机是否进入。当无人机进入后,解析无人机信号的信道状态信息并结合超分辨参数估计算法得到空域特征方位角（Angle of Azimuth,AOA）、俯仰角（Angle of Elevation,AOE）,然后利用多台接收机搭建无人机定位模型,并基于SDR平台与Wireless In Site软件验证无人机探测系统方案。其次,利用射频指纹的唯一性来分类无人机。基于预处理后的无人机信号提取轴向积分双谱（Axially Integrated Bispectra,AIB）、矩形积分双谱（Square Integrated Bispectra,SIB）特征,并分别利用主成分分析（Principal Component Analysis,PCA）、近邻成分分析（Neighbourhood Component Analysis,NCA）算法对AIB、SIB进行维数约简与分配权重。接着,提取分形维数（Fractal Dimension,FD）同样作为射频指纹用于无人机分类。然后,基于SDR平台与机器学习算法验证无人机分类技术。最后,本文的实验结果如下:在真实环境中,当标准差加权系数为4.5时,无人机进入的最佳检测率为100.00%,此时虚警率为0.63%;对于无人机分类,所有射频指纹下的平均分类精度为97.23%。在Wireless In Site软件中,置信度为50%时的三维空间误差优于2.41米。
其他文献
在线学习系统提倡因材施教,能够根据学生的知识掌握情况为其提供个性化的学习内容和学习路径。然而面对海量的试题资源,学生很容易陷入“信息迷航”的困境。因此,如何为学生推荐合适的试题是智慧教育领域亟待解决的关键难点。知识追踪能建模学生随时间不断变化的知识状态,预测学生在未来试题上的表现,为试题推荐提供决策依据。为此,本文基于深度学习提出了两种知识追踪模型用于试题推荐,一种为输入仅包含知识点信息的试题序列
智能电网是电网系统的智能化,具有应用场景广泛、业务种类繁多、传输稳定性的特点,是目前世界电力系统的发展趋势。电力线通信（Power Line Communication,PLC）因其覆盖范围广、布线简单的特点是智能电网的主要通信技术。但由于其信道特性,电力线通信存在较强的信道衰减和脉冲噪声。无线通信因布线灵活、可扩展性好的特点也成为智能电网的通信技术之一。但由于智能电网网络拓扑结构复杂,接入用电设
随着多功能移动终端的普及,智能识别、增强现实（Augmented Reality,AR）及电子医疗等新型应用逐渐向移动网络渗透。然而,由于移动用户（Mobile User,MU）的计算及缓存能力有限,难以为资源密集型应用提供高质量服务。移动边缘计算（Mobile Edge Computing,MEC）技术可解决上述问题。MEC融合了无线通信网络和云计算技术,通过在网络边缘部署MEC服务器支持MU任
短波通信以其通信距离远、技术成熟、成本低等优势使得其被广泛应用于商业、工业、军事等国民经济的各个部门。尤其在军事领域,它一直是军事作战主要的通信方式之一。而移动自组织网络的组网简单灵活、无需架设基础通信设施、自愈性强等优势,使得其和短波通信相结合形成的短波自组网具有重要的应用价值。短波自组网中节点组网需要路由协议的支持,本文以优化链路状态路由（Optimized Link State Routin
现如今,全球导航卫星系统（Global Navigation Satellite Systems,GNSS）取得了快速的发展,导航定位等功能在我们日常生活中的应用也越来越普遍,随着这些发展所带来的不仅有我们生活方面的便利,还有越来越拥挤的导航频段。为了在一定程度上缓解频段拥挤的问题,二进制偏移载波信号（Binary Offset Carrier,BOC）以及由其所产生的衍生信号随之产生,但是在解决
随着无线通信作为网络的主要接入方式所需要承载的数据量越来越大,无线频谱资源作为提升网络速率的关键因素日益紧缺。可以缓解频谱资源紧张和提高设备近距离通信速率的太赫兹通信技术受到越来越多的学者的关注。太赫兹无线个域网是一种使用太赫兹波作为通信载波进行近距离超高速通信的无线网络系统。但由于太赫兹波信号在空气中衰减严重的特性,其传输距离受到限制。太赫兹无线个域网双信道媒体接入控制（Media Access
自由空间光通信（Free Space Optical Communication,FSOC）系统容易受到大气湍流的影响,导致传输的光束产生波前畸变,影响通信质量,因此研究如何更好地补偿波前畸变对FSOC系统具有重大意义。无波前传感自适应光学（Wavefront Sensorless Adaptive Optics,WFS-less AO）是当下可以有效校正波前畸变的技术之一,它将成像清晰度或者接收
表情识别是智能化人机交互领域中的关键技术,有助于机器更好地理解人类的情感状态和意图。其中,面向图像序列的动态表情识别凭借着时间变化关系在描述面部表情时具有更大优势,成为当前热门研究方向。但研究发现还存在着一些问题,如现有方法提取到的特征无法精确表征面部表情,易受光照变化的影响,且现有损失函数难以有效区分高相似度表情类别。因此,本文采用融合特征提取方法和改进损失函数对动态表情识别展开分析和研究。1.
随着信息化技术的革新和发展,产生了大量的互联网用户数据,传统的集中式学习具有很高的风险和成本,日益严重的隐私安全问题促进了联邦学习（Federated Learning,FL）的诞生。同时,随着边缘网络的发展、硬件设备计算和存储能力的提升,大量的网络服务下沉到网络边缘,边缘计算（Edge Computing,EC）得到了普及。得益于此,联邦学习的技术理念能够很好地应用于边缘计算当中,然而本地模型可
行人检测作为计算机视觉任务中的重要组成部分,被广泛应用于智能监控、自动驾驶、无人机搜索等多个领域。由于检测场景复杂多变,行人较为密集,容易受到尺度、姿态、遮挡等方面的影响,要实现实时、高效地检测仍存在着一定问题。本文主要针对行人检测任务中小尺度行人特征信息提取不充分和遮挡行人特征提取困难问题进行研究,同时兼顾检测准确性和实时性,主要研究工作如下:针对小尺度行人特征提取过程中浅层特征丢失严重导致检测