一种基于人工智能的无人机信号频谱识别算法的制作方法

1.本发明涉及数据信息处理，且更确切地涉及一种基于人工智能的无人机信号频谱识别算法。


背景技术：

2.随着无人机的应用越来越广泛，其带来的安全隐患也越来越受到关注。其中，无人机可能会与有人机发生碰撞，或者用作恐怖袭击和间谍活动。因此，增加了对无人机信号进行监测和识别的需求。其中，无人机识别和跟踪的关键技术之一是对其信号频谱进行分析和识别。无人机信号频谱识别算法是指一种用于识别无人机接收到的信号频谱的方法。在无人机应用中，信号频谱识别算法非常重要，可以帮助无人机驾驶员确定目标的位置和形状，并获取有用的视频和图像信息。随着无人机技术的不断发展和应用场景的不断扩大，传统的无人机信号频谱识别算法对无人机信号的识别准确率已经无法满足市场的需求，综合考虑不同地理环境、设备型号、干扰因素等因素对无人机信号的可识别程度造成的影响，市场更加注重对信号频谱多样性的兼容性。另外，传统的无人机信号频谱识别算法也无法智能地对种类繁杂的无人机信号进行解调。现有技术中，无人机首先对接收到的信号进行预处理，将无人机接收到的信号转换为电信号，并进行滤波和去噪处理，以提高信号的质量和可靠性。然后对信号频谱进行分析，使用频谱分析技术，将信号分解成不同的频率成分。例如，在图像分析中，可以使用卷积神经网络(cnn)来识别不同颜色和亮度频率的成分。但现有技术对无人机信号频谱识别能力比较差，在提取每个成分的特征信息时，例如，颜色、亮度、峰度和谷度等特征信息比较滞后，在使用提取出的特征信息，训练机器学习模型时，不同数据信息模型识别能力不足。如何提高无人机信号频谱识别能力，把控无人机信号频谱识别规律仍旧是亟待解决的技术问题。


技术实现要素：

3.针对上述技术的不足，本发明公开一种基于人工智能的无人机信号频谱识别算法，采用改进型局部三值模式ltp算法以像素点邻域中选取随机采样点做像素值对比的方式得到预备特征值，更全面地描述频谱图像的特征，减小噪声因素的影响，采用对比中心像素点预备特征值与对称像素点预备特征值的大小关系的方式得到ltp特征值，对频谱图像的边缘具有更好的适应性，采用将ltp特征转换为lfbf特征的方法，增加频谱特征的鲁棒性和表达性，采用将初始信号分为频率分布不均匀的局部频段和频率分布均匀的均匀频段，并通过tde算法分别对由lfbf特征组成的局部频段完全特征和频率分布均匀的频段进行计算的方式，得到更全面的无人机信号特征，采用改进型k-means算法智能识别信号所需的解调方式，并自动解调，得到已解调的数字信号，通过分类模块根据信号频段、信号功率、初始信号调制方式和信号接发模式对已解调的数字信号进行智能分类识别，实现一种可以智能识别信号特征和智能解调的高普适性、高鲁棒性的无人机信号频谱识别算法。
4.为了实现上述技术效果，本发明采用以下技术方案：
5.一种基于人工智能的无人机信号频谱识别算法，其中包括以下步骤：
6.步骤一、通过三合一天线接收无人机信号；
7.步骤二、将接收到的原始信号存储至存储模块；
8.存储模块用于存储接收无人机发出的原始信号，用于后续进行数据处理；
9.步骤三、通过数据预处理模块对信号进行预处理，提取信号特征；
10.数据预处理模块对信号进行滤波、正频和特征提取，方便信号识别与分析；
11.所述数据预处理模块包括滤波子模块、纠频子模块和特征提取子模块，所述滤波子模块采用带通滤波器用于滤除离散化后数字信号的带外噪声，所述纠频子模块用于对接收信号进行频率估计和频率补偿，所述特征提取子模块采用局部频率基函数lfbf算法、改进型局部三值模式ltp算法和时域差分熵tde算法相结合的方法，提取信号中的关键特征，用于后续频谱分析，所述滤波子模块的输出端连接纠频子模块的输入端，所述纠频子模块的输出端连接特征提取子模块的输入端；
12.步骤四、通过数字化模块确认原始信号的信号类型，并将模拟信号进行数字化；
13.数字化模块用于确保接收的无人机原始信号全部转换为数字信号；
14.所述数字化模块包括类型判定子模块和a/d转换器，所述类型判定子模块用于判定原始信号的信号类型，信号类型包括数字信号和模拟信号，并将模拟信号发送至所述a/d转换器，所述a/d转换器将模拟信号进行时间离散化和幅值离散化，所述判定子模块的输出端连接a/d转换器的输入端；
15.步骤五、通过解调模块对已调制的数字信号进行解调操作；
16.解调模块用于将已调制的数字信号和模拟信号转换为已解调的数字信号；
17.所述解调模块包括调制判别子模块和自解调模型，所述调制判别子模块用于判定数字信号是否已调制，将已调制的数字信号发送至所述自解调模型，所述自解调模型采用改进型k-means算法确认信号所需的解调方式，并对信号进行解调操作，所述判定子模块的输出端连接自解调模型的输入端；
18.步骤六、对已解调的数字信号进行分类；
19.分类模块根据信号频段、信号功率、初始信号调制方式和信号接发模式对已解调的数字信号进行分类。
20.作为本发明进一步的技术方案，所述纠频子模块包括补频系统和估计系统，所述补频系统用于对接收信号进行快速傅氏变换，实现频率补偿，所述估计系统用于估计接收信号的频率，降低频率偏差对解调性能的影响，所述补频系统的输出端连接估计系统的输入端。
21.作为本发明进一步的技术方案，所述特征提取子模块包括判频子模块、局部频率提取模型、时域频率提取模型和融合子模块，所述判频子模块用于判断初始信号中频段的频率是否均匀，提取频率不均匀的局部频段方便后续的信号分析，所述局部频率提取模型采用局部频率基函数lfbf算法和改进型局部三值模式ltp算法，有效提取图像传输信号中局部不均匀频率的特征信息，得到局部频段静态图像特征，所述时域频率提取模型采用时域差分熵tde算法，在时域上计算信号的时间差分和差分熵，提取信号时域变化的规律信息，所述融合子模块用于将不均匀频段信号与均匀频段信号时域变化的规律信息融合为信息特征集，所述判频子模块的输出端连接局部频率提取模型和时域频率提取模型的输入
端，所述局部频率提取模型的输出端连接时域频率提取模型的输入端，所述局部频率提取模型和时域频率提取模型的输出端连接融合子模块的输入端。
22.作为本发明进一步的技术方案，所述特征提取子模块采用将初始信号分为频率分布不均匀的局部频段和频率分布均匀的均匀频段，并通过tde算法分别对局部频段的完全特征和频率分布均匀的频段进行计算的方式，得到更全面的无人机信号特征，所述特征提取子模块的工作方式为：
23.c1、提取初始信号中频率分布不均匀的局部频段，其余频段为均匀频段；
24.c2、计算局部频段的完全特征，通过所述局部频率提取模型对初始信号图像中频率分布不均匀的局部频段进行特征提取，得到局部频段静态图像的完全特征；
25.c3、对局部频段完全特征进行时序分析，采用tde算法在时域上计算局部静态图像特征的时间差分和差分熵，提取局部静态图像的动态特征；
26.c4、对频率分布均匀的频段进行时序分析，采用tde算法在时域上均匀频段的时间差分和差分熵，提取均匀频段的动态特征；
27.c5、融合特征，通过所述融合子模块将静态图像特征的动态特征和均匀频段的动态特征按照时序进行拼接，得到完整的信息特征集。
28.作为本发明进一步的技术方案，所述局部频率提取模型采用ltp图像的多尺度特征与ltp特征向量结合的方式得到全面的ltp特征，增加ltp特征表达的准确性，采用将ltp特征转换为lfbf特征的方法，增加频谱特征的鲁棒性和表达性，所述局部频率提取模型的工作方式为：
29.步骤1、对局部频段进行分帧，将局部频段划分为时域连续的帧，每一秒为48帧；
30.步骤2、对每一帧进行快速傅里叶变换，得到信号与时域对应的频域表示；
31.步骤3、将频谱映射到对数尺度上，采用mel尺度将频谱映射到坐标系中，得到人耳能感知的非线性映射；
32.步骤4、生成ltp图像，对于每一帧的频谱图像，在局部区域中计算相邻样本间差异的三值模式，生成对应的ltp图像；
33.步骤5、确认ltp特征向量，得到每一帧的特征向量，采用改进型局部三值模式ltp算法对ltp图像进行特征提取，得到每一帧的ltp特征向量；
34.步骤6、确认ltp图像的多尺度特征，采用多尺度滤波器对ltp图像进行滤波操作，对于每一个频段的ltp图像，在不同的尺度上进行滤波，提取ltp图像的多尺度特征；
35.步骤7、得到全面的ltp特征，将采用改进型局部三值模式ltp算法得到的ltp特征向量与采用多尺度滤波器滤波得到的ltp多尺度特征连接，得到全面的ltp特征；
36.步骤8、得到lfbf特征，将全面的ltp特征经过进行归一化处理和二值化操作，每个基本模式为一种特征，用出现频率来表示特征的重要程度，将每个基本模式在图像中出现的频率叠加起来，形成一个lfbf特征向量；
37.步骤9、得到局部频段的完全特征，将每一帧的lfbf特征拼接为一个特征，为局部频段的完全特征。
38.作为本发明进一步的技术方案，所述改进型局部三值模式ltp算法采用以像素点邻域中选取随机采样点做像素值对比的方式得到预备特征值，更全面地描述信号图像的特征，减小噪声因素的影响，采用对比中心像素点预备特征值与对称像素点预备特征值的大
小关系的方式得到ltp特征值，对信号图像的边缘具有更好的适应性，所述改进型局部三值模式ltp算法的工作方为：
39.s1、确认采样点，选取一帧的频谱图像中的任意像素点为中心像素点，在中心像素点的邻域中选取s个随机采样点，采样点个数的表达式为：
[0040][0041]
式(1)中，s为采样点个数，r为邻域半径，x邻域内像素点个数，n总像素点数；
[0042]
s2、对中心像素点进行编码，计算中心像素点的像素值与每个采样点像素值的大小关系，编码规则为：
[0043][0044]
式(2)中，x为中心像素点的像素值，yi为采样点像素值，i为采样点的标号，q
α
为基于采样点像素的中心像素点编码值，w为采样点像素的均值，s为采样点像素的标准差；
[0045]
s3、确认预备特征值，将基于采样点像素的中心像素点编码连接起来，得到一个长度为8的二进制编码序列，将二进制转换为十进制得到中心像素点的预备特征值；
[0046]
s4、对对称像素点进行编码，根据对称规则，确认中心像素点的对称像素点，按照s1、s2和s3中方法，计算对称像素点的预备特征值；
[0047]
s5、对中心像素点进行再编码，计算中心像素点预备特征值与对称像素点预备特征值的大小关系，编码规则为：
[0048][0049]
式(3)中，a为中心像素点预备特征值，b为对称像素点预备特征值，q
β
为基于对称像素的中心像素点编码，zj为对称像素点邻域中的采样点像素值，j为对称像素点邻域中的采样点的标号；
[0050]
s6、确认特征值，将基于对称像素的中心像素点编码连接起来，得到一个长度为8的二进制编码序列，将二进制转换为十进制得到中心像素点的ltp特征值；
[0051]
s7、历遍频谱图像中的像素点，计算一帧的频谱图像中所有像素点的ltp特征值，得到ltp特征向量。
[0052]
作为本发明进一步的技术方案，所述自解调模型包括样本库、分类系统和调制解调库，所述样本库用于存储已标注调制解调方式的已调制数字信号特征，作为确认原始信号调制方式的参考样本，所述分类系统用于确认已调制的数字信号的调制方式，所述调制
解调库根据所述分类系统确认的调制方式，为已调制的数字信号匹配相应的解调方式，实现数字信号的解调，所述样本库的输出端连接分类系统的输入端，所述分类系统的输出端连接调制解调库的输入端。
[0053]
作为本发明进一步的技术方案，所述改进型k-means算法通过去除孤点,消除冗余数据，通过适应度排序法，确认聚类中心点，增加所述分类系统的分类准确性，通过计算已标注调制解调方式的数字信号特征和待分类的已调制数字信号之间距离的方法，确认待分类的已调制数字信号的调制方式，所述改进型k-means算法的工作方式为：
[0054]
1)、确认k值，将k值固定为10；
[0055]
2)、将已调制的数字信号特征看作一个数据点；
[0056]
3)、去除孤点，计算数据点的点密度，确认点密度低于密度指数的数据点为孤点，将孤点从数据集中删除；
[0057]
4)、确认聚类中心点，对数据点按适应度的大小排序，选取适应度最高的十个数据点为聚类中心点；
[0058]
5)、聚类计算，将聚类中心点周围的数据按照欧式距离为半径归类为待分类数据簇；
[0059]
6)、数据归类，将已标注调制解调方式的数字信号特征合并入待分类数据簇中，计算已标注调制解调方式的数字信号特征与待分类数据簇的距离小于距离阈值时，待分类数据簇归类到已标注调制解调方式的数字信号特征的类别中，距离阈值公式为：
[0060][0061]
式(4)中，pn为已标注调制解调方式的数字信号特征的中心点位置，gm为待分类数据簇的聚类中心点，k为待分类数据簇个数，n为待分类数据簇中心点的标号，m为已标注调制解调方式的数字信号特征的聚类中心点标号，λ为待分类数据簇的半径，ν为已标注调制解调方式的数字信号特征的聚类半径，d为距离阈值。
[0062]
本发明有益的积极效果在于：
[0063]
区别于常规的无人机信号频谱识别算法，针对上述技术的不足，本发明公开一种基于人工智能的无人机信号频谱识别算法，采用改进型局部三值模式ltp算法以像素点邻域中选取随机采样点做像素值对比的方式得到预备特征值，更全面地描述频谱图像的特征，减小噪声因素的影响，采用对比中心像素点预备特征值与对称像素点预备特征值的大小关系的方式得到ltp特征值，对频谱图像的边缘具有更好的适应性，采用将ltp特征转换为lfbf特征的方法，增加频谱特征的鲁棒性和表达性，采用将初始信号分为频率分布不均匀的局部频段和频率分布均匀的均匀频段，并通过tde算法分别对由lfbf特征组成的局部频段完全特征和频率分布均匀的频段进行计算的方式，得到更全面的无人机信号特征，采用改进型k-means算法智能识别信号所需的解调方式，并自动解调，得到已解调的数字信号，通过分类模块根据信号频段、信号功率、初始信号调制方式和信号接发模式对已解调的数字信号进行智能分类识别，实现一种可以智能识别和智能解调的高普适性、高鲁棒性的无人机信号频谱识别算法。
附图说明
[0064]
为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动性的前提下，还可以根据这些附图获得其他的附图，其中：
[0065]
图1本发明实施例提供的一种基于人工智能的无人机信号频谱识别算法流程图；
[0066]
图2本发明实施例提供的一种基于人工智能的无人机信号频谱识别算法的结构图；
[0067]
图3本发明特征提取子模块的工作流程图；
[0068]
图4本发明局部频率提取模型的工作流程图；
[0069]
图5本发明改进型局部三值模式ltp算法的工作流程图。
具体实施方式
[0070]
下面将结合本文实施例中的附图，对本文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文一部分实施例，而不是全部的实施例。应该理解，这些描述只是示例性的，而并非要限制本发明的范围。此外，在以下说明中，省略了对公知结构和技术的描述，以避免不必要地混淆本发明的概念。
[0071]
如图1所示，一种基于人工智能的无人机信号频谱识别算法，包括以下步骤：
[0072]
步骤一、通过三合一天线接收无人机信号；
[0073]
步骤二、将接收到的原始信号存储至存储模块；
[0074]
存储模块用于存储接收无人机发出的原始信号，用于后续进行数据处理；
[0075]
步骤三、通过数据预处理模块对信号进行预处理，提取信号特征；
[0076]
数据预处理模块对信号进行滤波、正频和特征提取，方便信号识别与分析；
[0077]
所述数据预处理模块包括滤波子模块、纠频子模块和特征提取子模块，所述滤波子模块采用带通滤波器用于滤除离散化后数字信号的带外噪声，所述纠频子模块用于对接收信号进行频率估计和频率补偿，所述特征提取子模块采用局部频率基函数lfbf算法、改进型局部三值模式ltp算法和时域差分熵tde算法相结合的方法，提取信号中的关键特征，用于后续频谱分析，所述滤波子模块的输出端连接纠频子模块的输入端，所述纠频子模块的输出端连接特征提取子模块的输入端；
[0078]
步骤四、通过数字化模块确认原始信号的信号类型，并将模拟信号进行数字化；
[0079]
数字化模块用于确保接收的无人机原始信号全部转换为数字信号；
[0080]
所述数字化模块包括类型判定子模块和a/d转换器，所述类型判定子模块用于判定原始信号的信号类型，信号类型包括数字信号和模拟信号，并将模拟信号发送至所述a/d转换器，所述a/d转换器将模拟信号进行时间离散化和幅值离散化，所述判定子模块的输出端连接a/d转换器的输入端；
[0081]
步骤五、通过解调模块对已调制的数字信号进行解调操作；
[0082]
解调模块用于将已调制的数字信号和模拟信号转换为已解调的数字信号；
[0083]
所述解调模块包括调制判别子模块和自解调模型，所述调制判别子模块用于判定数字信号是否已调制，将已调制的数字信号发送至所述自解调模型，所述自解调模型采用
改进型k-means算法确认信号所需的解调方式，并对信号进行解调操作，所述判定子模块的输出端连接自解调模型的输入端；
[0084]
步骤六、对已解调的数字信号进行分类；
[0085]
分类模块根据信号频段、信号功率、初始信号调制方式和信号接发模式对已解调的数字信号进行分类。
[0086]
通过上述实施例中，所述分类模块包括频段分类子模块、功率分类子模块、调制分类子模块、模式分类子模块和汇总子模块，所述频段分类子模块根据已解调的数字信号使用的频段不同，将信号分为常规任务信号、控制信号、图像传输信号和定位信号，所述功率分类子模块根据已解调的数字信号功率大小不同，将信号分为控制信号、图像传输信号和遥测信号，所述调制分类子模块根据已解调的数字信号采用的调制方式不同，将信号分为控制信号、遥测信号和图像传输信号，所述模式分类子模块根据已解调的数字信号单向发送和双向发送，将信号分为单向信号和双向信号，所述单向信号包括图像传输信号、定位信号和遥测信号，所述双向信号包括常规任务信号和控制信号，所述汇总模块采用投票法将根据信号频段、信号功率、初始信号调制方式和信号接发模式的分类结果汇总为最终的分类结果，使信号分类更精确，所述模式分类子模块、功率分类子模块、调制分类子模块和模式分类子模块的输出端连接汇总子模块的输入端，分类辨别参数如表1所示：
[0087]
表1分类参数表
[0088][0089]
如表1所示，常规任务信号为非控制信号，可在命令接收器和接收器之间传输，控制信号为控制飞行器的方向、速度和高度等的信号，图像传输信号为通过无人机相机捕捉的图像和视频的信号，定位信号为提供无人机定位、速度和方向等信息的信号，遥测信号为无人机上搭载的传感器发出，用于监测环境和无人机状态等信息所产生的信号。
[0090]
在具体实施例中，所述纠频子模块包括补频系统和估计系统，所述补频系统用于对接收信号进行快速傅氏变换，实现频率补偿，所述估计系统用于估计接收信号的频率，降低频率偏差对解调性能的影响，所述补频系统的输出端连接估计系统的输入端。
[0091]
在具体实施例中，所述特征提取子模块包括判频子模块、局部频率提取模型、时域频率提取模型和融合子模块，所述判频子模块用于判断初始信号中频段的频率是否均匀，提取频率不均匀的局部频段方便后续的信号分析，所述局部频率提取模型采用局部频率基函数lfbf算法和改进型局部三值模式ltp算法，有效提取图像传输信号中局部不均匀频率的特征信息，得到局部频段静态图像特征，所述时域频率提取模型采用时域差分熵tde算法，在时域上计算信号的时间差分和差分熵，提取信号时域变化的规律信息，所述融合子模块用于将不均匀频段信号与均匀频段信号时域变化的规律信息融合为信息特征集，所述判频子模块的输出端连接局部频率提取模型和时域频率提取模型的输入端，所述局部频率提
取模型的输出端连接时域频率提取模型的输入端，所述局部频率提取模型和时域频率提取模型的输出端连接融合子模块的输入端。
[0092]
在具体实施例中，所述特征提取子模块采用将初始信号分为频率分布不均匀的局部频段和频率分布均匀的均匀频段，并通过tde算法分别对局部频段的完全特征和频率分布均匀的频段进行计算的方式，得到更全面的无人机信号特征，所述特征提取子模块的工作方式为：
[0093]
c1、提取初始信号中频率分布不均匀的局部频段，其余频段为均匀频段；
[0094]
c2、计算局部频段的完全特征，通过所述局部频率提取模型对初始信号图像中频率分布不均匀的局部频段进行特征提取，得到局部频段静态图像的完全特征；
[0095]
c3、对局部频段完全特征进行时序分析，采用tde算法在时域上计算局部静态图像特征的时间差分和差分熵，提取局部静态图像的动态特征；
[0096]
c4、对频率分布均匀的频段进行时序分析，采用tde算法在时域上均匀频段的时间差分和差分熵，提取均匀频段的动态特征；
[0097]
c5、融合特征，通过所述融合子模块将静态图像特征的动态特征和均匀频段的动态特征按照时序进行拼接，得到完整的信息特征集。
[0098]
在具体实施例中，所述局部频率提取模型采用ltp图像的多尺度特征与ltp特征向量结合的方式得到全面的ltp特征，增加ltp特征表达的准确性，采用将ltp特征转换为lfbf特征的方法，增加频谱特征的鲁棒性和表达性，所述局部频率提取模型的工作方式为：
[0099]
步骤1、对局部频段进行分帧，将局部频段划分为时域连续的帧，每一秒为48帧；
[0100]
步骤2、对每一帧进行快速傅里叶变换，得到信号与时域对应的频域表示；
[0101]
步骤3、将频谱映射到对数尺度上，采用mel尺度将频谱映射到坐标系中，得到人耳能感知的非线性映射；
[0102]
步骤4、生成ltp图像，对于每一帧的频谱图像，在局部区域中计算相邻样本间差异的三值模式，生成对应的ltp图像；
[0103]
步骤5、确认ltp特征向量，得到每一帧的特征向量，采用改进型局部三值模式ltp算法对ltp图像进行特征提取，得到每一帧的ltp特征向量；
[0104]
步骤6、确认ltp图像的多尺度特征，采用多尺度滤波器对ltp图像进行滤波操作，对于每一个频段的ltp图像，在不同的尺度上进行滤波，提取ltp图像的多尺度特征；
[0105]
步骤7、得到全面的ltp特征，将采用改进型局部三值模式ltp算法得到的ltp特征向量与采用多尺度滤波器滤波得到的ltp多尺度特征连接，得到全面的ltp特征；
[0106]
步骤8、得到lfbf特征，将全面的ltp特征经过进行归一化处理和二值化操作，每个基本模式为一种特征，用出现频率来表示特征的重要程度，将每个基本模式在图像中出现的频率叠加起来，形成一个lfbf特征向量；
[0107]
步骤9、得到局部频段的完全特征，将每一帧的lfbf特征拼接为一个特征，为局部频段的完全特征。
[0108]
在具体实施例中，所述改进型局部三值模式ltp算法采用以像素点邻域中选取随机采样点做像素值对比的方式得到预备特征值，更全面地描述信号图像的特征，减小噪声因素的影响，采用对比中心像素点预备特征值与对称像素点预备特征值的大小关系的方式得到ltp特征值，对信号图像的边缘具有更好的适应性，所述改进型局部三值模式ltp算法
的工作方为：
[0109]
s1、确认采样点，选取一帧的频谱图像中的任意像素点为中心像素点，在中心像素点的邻域中选取s个随机采样点，采样点个数的表达式为：
[0110][0111]
式(1)中，s为采样点个数，r为邻域半径，x邻域内像素点个数，n总像素点数；
[0112]
s2、对中心像素点进行编码，计算中心像素点的像素值与每个采样点像素值的大小关系，编码规则为：
[0113][0114]
式(2)中，x为中心像素点的像素值，yi为采样点像素值，i为采样点的标号，q
α
为基于采样点像素的中心像素点编码值，w为采样点像素的均值，s为采样点像素的标准差；
[0115]
s3、确认预备特征值，将基于采样点像素的中心像素点编码连接起来，得到一个长度为8的二进制编码序列，将二进制转换为十进制得到中心像素点的预备特征值；
[0116]
s4、对对称像素点进行编码，根据对称规则，确认中心像素点的对称像素点，按照s1、s2和s3中方法，计算对称像素点的预备特征值；
[0117]
s5、对中心像素点进行再编码，计算中心像素点预备特征值与对称像素点预备特征值的大小关系，编码规则为：
[0118][0119]
式(3)中，a为中心像素点预备特征值，b为对称像素点预备特征值，q
β
为基于对称像素的中心像素点编码，zj为对称像素点邻域中的采样点像素值，j为对称像素点邻域中的采样点的标号；
[0120]
s6、确认特征值，将基于对称像素的中心像素点编码连接起来，得到一个长度为8的二进制编码序列，将二进制转换为十进制得到中心像素点的ltp特征值；
[0121]
s7、历遍频谱图像中的像素点，计算一帧的频谱图像中所有像素点的ltp特征值，得到ltp特征向量。
[0122]
在具体实施例中，所述自解调模型包括样本库、分类系统和调制解调库，所述样本库用于存储已标注调制解调方式的已调制数字信号特征，作为确认原始信号调制方式的参考样本，所述分类系统用于确认已调制的数字信号的调制方式，所述调制解调库根据所述分类系统确认的调制方式，为已调制的数字信号匹配相应的解调方式，实现数字信号的解
调，所述样本库的输出端连接分类系统的输入端，所述分类系统的输出端连接调制解调库的输入端。
[0123]
在具体实施例中，所述改进型k-means算法通过去除孤点,消除冗余数据，通过适应度排序法，确认聚类中心点，增加所述分类系统的分类准确性，通过计算已标注调制解调方式的数字信号特征和待分类的已调制数字信号之间距离的方法，确认待分类的已调制数字信号的调制方式，所述改进型k-means算法的工作方式为：
[0124]
1)、确认k值，将k值固定为10；
[0125]
2)、将已调制的数字信号特征看作一个数据点；
[0126]
3)、去除孤点，计算数据点的点密度，确认点密度低于密度指数的数据点为孤点，将孤点从数据集中删除；
[0127]
4)、确认聚类中心点，对数据点按适应度的大小排序，选取适应度最高的十个数据点为聚类中心点；
[0128]
5)、聚类计算，将聚类中心点周围的数据按照欧式距离为半径归类为待分类数据簇；
[0129]
6)、数据归类，将已标注调制解调方式的数字信号特征合并入待分类数据簇中，计算已标注调制解调方式的数字信号特征与待分类数据簇的距离小于距离阈值时，待分类数据簇归类到已标注调制解调方式的数字信号特征的类别中，距离阈值公式为：
[0130][0131]
式(4)中，pn为已标注调制解调方式的数字信号特征的中心点位置，gm为待分类数据簇的聚类中心点，k为待分类数据簇个数，n为待分类数据簇中心点的标号，m为已标注调制解调方式的数字信号特征的聚类中心点标号，λ为待分类数据簇的半径，ν为已标注调制解调方式的数字信号特征的聚类半径，d为距离阈值。
[0132]
通过上述实施例中，所述特征提取子模块中提取信号特征的完整度如表2所示：
[0133]
表2信号特征的完整度表
[0134][0135]
根据信号发射次数不同，设置三个测试组，三组发送信号中常规任务信号、控制信号、图像传输信号、遥测信号和定位信号的占比为2：1：3：1：3，采用四种算法分别对三组信号进行特征提取，将四种算法的特征提取结果与信号样本特征对比，计算四种算法提取的信号特征完整度，算法1为tde算法对信号进行特征提取，算法2为采用以ltp算法提取局部静态图像，在局部静态图像基础上使用tde算法提取动态特征的方法对信号进行特征提取，算法3为采用将ltp特征转换为lfbf特征的方法提取局部静态图像，在局部静态图像基础上使用tde算法提取动态特征的方法对信号进行特征提取，算法4采用本发明的算法，用以改
进型局部三值模式ltp算法计算信号频谱的ltp特征，并将ltp特征转换为lfbf特征的方法提取局部静态图像，在局部静态图像基础上使用tde算法提取动态特征的方法对信号进行特征提取，如表2所示，算法2的特征提取完整度明显高于算法1，说明使用ltp算法在信号频率波动的频段提取局部静态特征的方法，提高了信号特征提取的准确性，算法2与算法1在进行特征提取时随着信号接收数目增加，特征提取的完整度明显下降，说明仅仅使用tde算法或ltp与tde混合算法的特征提取鲁棒性较低，算法3和算法4的特征提取完整度的稳定性明显高于算法1和算法2，说明将ltp特征转换为lfbf特征的方法提高了信号特征提取的鲁棒性，算法4的特征提取完整度明显高于算法3，说明改进型局部三值模式ltp算法能更全面地描述信号图像的特征，减小噪声因素的影响，对信号图像的边缘具有更好的适应性，可知本发明中的信号特征提取方法是全面性强、完整度高、鲁棒性强的信号处理方法。
[0136]
虽然以上描述了本发明的具体实施方式，但是本领域的技术人员应当理解，这些具体实施方式仅是举例说明，本领域的技术人员在不脱离本发明的原理和实质的情况下，可以对上述方法和系统的细节进行各种省略、替换和改变。例如，合并上述方法步骤，从而按照实质相同的方法执行实质相同的功能以实现实质相同的结果则属于本发明的范围。因此，本发明的范围仅由所附权利要求书限定。

技术特征：
1.一种基于人工智能的无人机信号频谱识别算法，其特征在于：包括如下步骤：步骤一、通过三合一天线接收无人机信号；步骤二、将接收到的原始信号存储至存储模块；存储模块用于存储接收无人机发出的原始信号，用于后续进行数据处理；步骤三、通过数据预处理模块对信号进行预处理，提取信号特征；数据预处理模块对信号进行滤波、正频和特征提取，方便信号识别与分析；所述数据预处理模块包括滤波子模块、纠频子模块和特征提取子模块，所述滤波子模块采用带通滤波器用于滤除离散化后数字信号的带外噪声，所述纠频子模块用于对接收信号进行频率估计和频率补偿，所述特征提取子模块采用局部频率基函数lfbf算法、改进型局部三值模式ltp算法和时域差分熵tde算法相结合的方法，提取信号中的关键特征，用于后续频谱分析，所述滤波子模块的输出端连接纠频子模块的输入端，所述纠频子模块的输出端连接特征提取子模块的输入端；步骤四、通过数字化模块确认原始信号的信号类型，并将模拟信号进行数字化；数字化模块用于确保接收的无人机原始信号全部转换为数字信号；所述数字化模块包括类型判定子模块和a/d转换器，所述类型判定子模块用于判定原始信号的信号类型，信号类型包括数字信号和模拟信号，并将模拟信号发送至所述a/d转换器，所述a/d转换器将模拟信号进行时间离散化和幅值离散化，所述判定子模块的输出端连接a/d转换器的输入端；步骤五、通过解调模块对已调制的数字信号进行解调操作；解调模块用于将已调制的数字信号和模拟信号转换为已解调的数字信号；所述解调模块包括调制判别子模块和自解调模型，所述调制判别子模块用于判定数字信号是否已调制，将已调制的数字信号发送至所述自解调模型，所述自解调模型采用改进型k-means算法确认信号所需的解调方式，并对信号进行解调操作，所述判定子模块的输出端连接自解调模型的输入端；步骤六、对已解调的数字信号进行分类；分类模块根据信号频段、信号功率、初始信号调制方式和信号接发模式对已解调的数字信号进行分类。2.根据权利要求1所述的一种基于人工智能的无人机信号频谱识别算法，其特征在于：所述纠频子模块包括补频系统和估计系统，所述补频系统用于对接收信号进行快速傅氏变换，实现频率补偿，所述估计系统用于估计接收信号的频率，降低频率偏差对解调性能的影响，所述补频系统的输出端连接估计系统的输入端。3.根据权利要求1所述的一种基于人工智能的无人机信号频谱识别算法，其特征在于：所述特征提取子模块包括判频子模块、局部频率提取模型、时域频率提取模型和融合子模块，所述判频子模块用于判断初始信号中频段的频率是否均匀，提取频率不均匀的局部频段方便后续的信号分析，所述局部频率提取模型采用局部频率基函数lfbf算法和改进型局部三值模式ltp算法，有效提取图像传输信号中局部不均匀频率的特征信息，得到局部频段静态图像特征，所述时域频率提取模型采用时域差分熵tde算法，在时域上计算信号的时间差分和差分熵，提取信号时域变化的规律信息，所述融合子模块用于将不均匀频段信号与均匀频段信号时域变化的规律信息融合为信息特征集，所述判频子模块的输出端连接局部
频率提取模型和时域频率提取模型的输入端，所述局部频率提取模型的输出端连接时域频率提取模型的输入端，所述局部频率提取模型和时域频率提取模型的输出端连接融合子模块的输入端。4.根据权利要求3所述的一种基于人工智能的无人机信号频谱识别算法，其特征在于：所述特征提取子模块采用将初始信号分为频率分布不均匀的局部频段和频率分布均匀的均匀频段，并通过tde算法分别对局部频段的完全特征和频率分布均匀的频段进行计算的方式，得到更全面的无人机信号特征，所述特征提取子模块的工作方式为：c1、提取初始信号中频率分布不均匀的局部频段，其余频段为均匀频段；c2、计算局部频段的完全特征，通过所述局部频率提取模型对初始信号图像中频率分布不均匀的局部频段进行特征提取，得到局部频段静态图像的完全特征；c3、对局部频段完全特征进行时序分析，采用tde算法在时域上计算局部静态图像特征的时间差分和差分熵，提取局部静态图像的动态特征；c4、对频率分布均匀的频段进行时序分析，采用tde算法在时域上均匀频段的时间差分和差分熵，提取均匀频段的动态特征；c5、融合特征，通过所述融合子模块将静态图像特征的动态特征和均匀频段的动态特征按照时序进行拼接，得到完整的信息特征集。5.根据权利要求4所述的一种基于人工智能的无人机信号频谱识别算法，其特征在于：所述局部频率提取模型采用ltp图像的多尺度特征与ltp特征向量结合的方式得到全面的ltp特征，增加ltp特征表达的准确性，采用将ltp特征转换为lfbf特征的方法，增加频谱特征的鲁棒性和表达性，所述局部频率提取模型的工作方式为：步骤1、对局部频段进行分帧，将局部频段划分为时域连续的帧，每一秒为48帧；步骤2、对每一帧进行快速傅里叶变换，得到信号与时域对应的频域表示；步骤3、将频谱映射到对数尺度上，采用mel尺度将频谱映射到坐标系中，得到人耳能感知的非线性映射；步骤4、生成ltp图像，对于每一帧的频谱图像，在局部区域中计算相邻样本间差异的三值模式，生成对应的ltp图像；步骤5、确认ltp特征向量，得到每一帧的特征向量，采用改进型局部三值模式ltp算法对ltp图像进行特征提取，得到每一帧的ltp特征向量；步骤6、确认ltp图像的多尺度特征，采用多尺度滤波器对ltp图像进行滤波操作，对于每一个频段的ltp图像，在不同的尺度上进行滤波，提取ltp图像的多尺度特征；步骤7、得到全面的ltp特征，将采用改进型局部三值模式ltp算法得到的ltp特征向量与采用多尺度滤波器滤波得到的ltp多尺度特征连接，得到全面的ltp特征；步骤8、得到lfbf特征，将全面的ltp特征经过进行归一化处理和二值化操作，每个基本模式为一种特征，用出现频率来表示特征的重要程度，将每个基本模式在图像中出现的频率叠加起来，形成一个lfbf特征向量；步骤9、得到局部频段的完全特征，将每一帧的lfbf特征拼接为一个特征，为局部频段的完全特征。6.根据权利要求5所述的一种基于人工智能的无人机信号频谱识别算法，其特征在于：所述改进型局部三值模式ltp算法采用以像素点邻域中选取随机采样点做像素值对比的方
式得到预备特征值，更全面地描述信号图像的特征，减小噪声因素的影响，采用对比中心像素点预备特征值与对称像素点预备特征值的大小关系的方式得到ltp特征值，对信号图像的边缘具有更好的适应性，所述改进型局部三值模式ltp算法的工作方为：s1、确认采样点，选取一帧的频谱图像中的任意像素点为中心像素点，在中心像素点的邻域中选取s个随机采样点，采样点个数的表达式为：式(1)中，s为采样点个数，r为邻域半径，x邻域内像素点个数，n总像素点数；s2、对中心像素点进行编码，计算中心像素点的像素值与每个采样点像素值的大小关系，编码规则为：式(2)中，x为中心像素点的像素值，y
i
为采样点像素值，i为采样点的标号，q
α
为基于采样点像素的中心像素点编码值，w为采样点像素的均值，s为采样点像素的标准差；s3、确认预备特征值，将基于采样点像素的中心像素点编码连接起来，得到一个长度为8的二进制编码序列，将二进制转换为十进制得到中心像素点的预备特征值；s4、对对称像素点进行编码，根据对称规则，确认中心像素点的对称像素点，按照s1、s2和s3中方法，计算对称像素点的预备特征值；s5、对中心像素点进行再编码，计算中心像素点预备特征值与对称像素点预备特征值的大小关系，编码规则为：式(3)中，a为中心像素点预备特征值，b为对称像素点预备特征值，q
β
为基于对称像素的中心像素点编码，z
j
为对称像素点邻域中的采样点像素值，j为对称像素点邻域中的采样点的标号；s6、确认特征值，将基于对称像素的中心像素点编码连接起来，得到一个长度为8的二进制编码序列，将二进制转换为十进制得到中心像素点的ltp特征值；s7、历遍频谱图像中的像素点，计算一帧的频谱图像中所有像素点的ltp特征值，得到ltp特征向量。7.根据权利要求1所述的一种基于人工智能的无人机信号频谱识别算法，其特征在于：所述自解调模型包括样本库、分类系统和调制解调库，所述样本库用于存储已标注调制解
调方式的已调制数字信号特征，作为确认原始信号调制方式的参考样本，所述分类系统用于确认已调制的数字信号的调制方式，所述调制解调库根据所述分类系统确认的调制方式，为已调制的数字信号匹配相应的解调方式，实现数字信号的解调，所述样本库的输出端连接分类系统的输入端，所述分类系统的输出端连接调制解调库的输入端。8.根据权利要求7所述的一种基于人工智能的无人机信号频谱识别算法，其特征在于：所述改进型k-means算法通过去除孤点,消除冗余数据，通过适应度排序法，确认聚类中心点，增加所述分类系统的分类准确性，通过计算已标注调制解调方式的数字信号特征和待分类的已调制数字信号之间距离的方法，确认待分类的已调制数字信号的调制方式，所述改进型k-means算法的工作方式为：1)、确认k值，将k值固定为10；2)、将已调制的数字信号特征看作一个数据点；3)、去除孤点，计算数据点的点密度，确认点密度低于密度指数的数据点为孤点，将孤点从数据集中删除；4)、确认聚类中心点，对数据点按适应度的大小排序，选取适应度最高的十个数据点为聚类中心点；5)、聚类计算，将聚类中心点周围的数据按照欧式距离为半径归类为待分类数据簇；6)、数据归类，将已标注调制解调方式的数字信号特征合并入待分类数据簇中，计算已标注调制解调方式的数字信号特征与待分类数据簇的距离小于距离阈值时，待分类数据簇归类到已标注调制解调方式的数字信号特征的类别中，距离阈值公式为：式(4)中，p
n
为已标注调制解调方式的数字信号特征的中心点位置，g
m
为待分类数据簇的聚类中心点，k为待分类数据簇个数，n为待分类数据簇中心点的标号，m为已标注调制解调方式的数字信号特征的聚类中心点标号，λ为待分类数据簇的半径，ν为已标注调制解调方式的数字信号特征的聚类半径，d为距离阈值。

技术总结
本发明公开一种基于人工智能的无人机信号频谱识别算法，涉及数据信息处理技术领域，解决问题是无人机信号频谱识别能力滞后，无人机信号频谱识别算法包括：接收信号；存储信号；信号预处理；信号数字化；信号解调；信号分类。采用改进型局部三值模式LTP算法得到预备特征值，减小噪声影响，增强边缘适应性，采用将LTP特征转为LFBF特征的方法，增加频谱特征的鲁棒性和表达性，采用TDE算法与LFBF算法融合得到更全面的无人机信号特征，采用改进型K-means算法智能解调信号，通过分类模块根据信号频段、功率、调制方式和接发模式对信号进行智能分类识别，大大提高无人机信号频谱识别能力。大大提高无人机信号频谱识别能力。大大提高无人机信号频谱识别能力。


技术研发人员：刘洋 张宇超 吴珠伟 吴斌 沈晓荣 陈源迪 罗林
受保护的技术使用者：浙江瑞通电子科技有限公司
技术研发日：2023.06.12
技术公布日：2023/8/14