1、262023 adio Engineering Vol.53 No.1doi:103969/jissn10033106202301004引用格式:马子博，吴呈瑜，占敖基于 D-A Xception 网络模型的无人机识别技术研究J 无线电工程，2023，53(1):2633 MA Zibo，WU Chengyu，ZHAN Ao esearch on UAV Identification Technology Based on D-A Xception Network ModelJ adioEngineering，2023，53(1):2633基于 D-A Xception 网络模型的无人机识别技
2、术研究马子博，吴呈瑜*，占敖(浙江理工大学 信息科学与工程学院，浙江 杭州 310018)摘要:无人机识别任务对社会通信安全具有重要意义，传统的无人机识别方法并不完全可靠，并且基于深度神经网络的识别模型需要对数据进行复杂的预处理。为了更有效地提升无人机的识别性能，提出了一种基于空洞卷积(Dilated/Atrous Convolution)和 DANet 注意力机制的 Xception 改进网络模型，即 D-A Xception 网络模型。对原始射频信号通过快速傅里叶变换(Fast Fourier Transform，FFT)转换到频域上进行 Savitzky-Golay 平滑滤波、归一化等处
3、理生成能量谱密度图，在生成的能量谱图像上添加高斯噪声和椒盐噪声以扩充数据样本;进一步改进 Xception 模型，采用空洞卷积来保持卷积核数量和大小，同时扩大感受野，采用 DANet 提取同一类别卷积生成的局部感受野特征图的不同细微特征，有效降低网络复杂度的同时提升无人机识别的准确度。利用公开真实采集到的 DroneF 无人机信号数据集，与不同网络模型进行实验对比分析，并对 D-A Xception 模型进行消融实验来验证模型的有效性。实验结果表明，提出的 D-A Xception 模型在对未训练的数据进行十分类测试时，准确率能够达到 99.58%，为无人机识别任务提供可靠的技术支撑。关键词:
4、无人机识别;Savitzky-Golay 平滑滤波;Xception;空洞卷积;DANet中图分类号:TN9117文献标志码:A开放科学(资源服务)标识码(OSID):文 章 编 号:10033106(2023)01002608esearch on UAV Identification Technology Based onD-A Xception Network ModelMA Zibo，WU Chengyu*，ZHAN Ao(School of Information Science and Engineering，Zhejiang Sci-Tech University，Hangzhou
5、 310018，China)Abstract:UAV identification task is of great significance to social communication security，while traditional methods are notcompletely reliable，and the identification model based on deep neural networks needs complex data preprocessing To improve UAVidentification performance more effe
6、ctively，an enhanced Xception network model，namely D-A Xception，is proposed based on dilatedconvolution and DANet attention mechanism First，the original F signal is converted to the frequency domain through Fast FourierTransform(FFT)，and then Savitzky-Golay smoothing filtering and normalization are p
7、erformed to generate the energy spectrum densitymap Gaussian noise and salt pepper noise are added to the generated energy spectrum image to expand data samples In order tofurther refine the Xception model，dilated convolution is used to maintain the number and size of convolution cores as well as au
8、gmentthe receptive field，so as to effectively reduce network complexity Moreover，DANet is used to extract different subtle features of thelocal receptive field feature map generated by convolution of the same category，so as to effectively improve the accuracy of UAVidentification Finally，the DroneF
9、dataset collected practically and publicly is used for experimental comparison and analysis withdifferent network models，and the D-A Xception is ablated to verify the effectiveness of the model Experimental results also show thatthe proposed D-A Xception model can achieve 9958%accuracy in the catego
10、ry test of untrained data，which provides reliable technicalsupport for UAV identification tasksKeywords:UAV identification;Savitzky-Golay smooth filtering;Xception;dilated convolution;DANet收稿日期:20220915基金项目:国家自然科学基金(61801430);浙江理工大学基本科研业务费专项资金资助(2021Q029)Foundation Item:National Natural Science Foun
11、dation of China(61801430);Fundamental esearch Funds of Zhejiang Sci-Tech University(2021Q029)专题:面向 B5G/6G 的无人机通信2023 年 无线电工程 第 53 卷 第 1 期270引言无人机在灾害抢险、航拍测绘等众多领域产生较大影响但对社会公共安全构成严重威胁1，这使得无人机识别成为比较重要的研究任务。无人机的内在物理层模拟组件在制造过程中的细微差别会令无人机发射的射频信号携带非调制信号，它无关信号传递的内容，被称作通信的射频指纹2，利用射频指纹的特性可进行无人机信号分类3。随着深度学习在机器视
12、觉和语音识别方面取得的进展4，将深度学习引入到无人机识别领域是当前的重要发展趋势，例如卷积神经网络(Convolutional Neural Network，CNN)的卷积层和池化层用于特征信息的提取，全连接层用于无人机信号的分类5。文献 6提出了采用分组卷积层来识别无人机，通过设计多级跳跃连接和多间隙机制防止梯度消失。文献 7将无人机分类看作图像识别任务，功率谱密度图作为 CNN 的输入经交叉验证和独立数据集进行验证。文献 8 提出了信噪比(Signal toNoise atio，SN)传感引擎、去噪引擎和具有混合精度卷积和内存访问的专用深度 CNN 相结合。上述提出的模型基于 CNN，对无
13、人机飞行模式都有超过90%的识别精度，算法性能明显优于传统方法。为了消除信号因随机因素产生的无关干扰和简化数据预处理，本文利用 Savitzky-Golay 进行平滑滤波提取信号特征。此外，为了在现有研究基础上进一步提升无人机的识别准确率和提高模型在真实场景的实用性，提出了 D-A Xception CNN 模型，模型中的空洞卷积能够有效降低模型的复杂度，DANet 注意力机制能够有效提升识别的准确度。1D-A Xception CNN 模型本节介绍了用于本模型训练的公共数据集和用于无人机识别的网络模型，基于数据集在频域上处理无人机信号并生成能量谱图片，进行数据增强扩充数据集。11数据预处理1
14、11数据集本文使用了公开数据集 DroneF9，采集到的射频信号是 2 个工作频率在 12 6 GHz、带宽为40 MHz的射频接收器通过拦截无人机与控制器之间的通信获得的。数据集中的无人机射频信号包括没有无人机存在的射频背景信号、Phantom 连接控制器的射频信号以及 A 和 Bebop 两个无人机各自开机、悬停、无视频飞行和录视频飞行 4 种模式的射频信号。数据集通过 2 个接收器拦截，每个片段由2 个 L 和 H 的 CSV 文件构成。文件包含射频信号在时域内的幅值信息，每个文件包含 100 万个样本，其文件名以二进制唯一标识符 BUI 格式表述此文件中数据的详细信息。原始数据集的信号
15、类型数量如表 1 所示。由于A 和 Bebop 品牌的无人机出自同一公司以及同一无人机不同飞行模式等因素产生的射频信号相似性极大，利用此数据集给无人机识别技术增加了挑战性，极具研究价值且实用性较高。表 1原始数据集的信号类型数量Tab1Signal type and number of original dataset场景无人机品牌飞行模式信号数量无无人机存在的射频背景4 100无人机存在时的射频背景Bebop连接控制器2 100BebopBebopBebopAAAAPhantom悬停飞行飞行时视频录制连接控制器悬停飞行飞行时视频录制连接控制器2 1002 1002 1002 1002 100
16、2 1001 8002 100112数据预处理基于文献 68，本文采用 CNN 衍生出来的Xception 改进模型进行网络训练，需要先对 CNN 输入的数据进行预处理。本文将训练网络的输入设定为每个信号一定频率内的能量谱密度，生成22 700张图像作为网络输入。无人机发射射频信号有其频率范围，不同频率的响应不同。首先加载所有原始射频数据，经过傅里叶变换到频域后将样本间隔重新分割，再进行类聚合处理将各类信号分别存储。设定频率采样点数，同时设定以 fs/(M1)为间隔的能量谱密度图的横坐标范围，fs为采样频率，M 为样本间隔。计算随频率变化的信号强度，未经过平滑滤波一定带宽范围内信号强度如图 1 所示。需对频域上的样本进行平滑处理来提高能量谱的平滑性，并进行归一化处理。平滑处理采用的是Savitzky-Golay10 平滑滤波，对设定的窗口长度内部的样本点采用 n 阶多项式拟合11。专题:面向 B5G/6G 的无人机通信282023 adio Engineering Vol.53 No.1图 1未经过平滑滤波一定带宽范围内信号强度Fig1Signal strength within a
