基于深度残差网络从射频指纹进行无人机分类
信号处理
2024-10-30 v1
摘要
检测无人机对于机场与核电站等各类行业正变得愈发关键，以提升监控与安全措施。利用基于射频 (RF) 的无人机控制与通信，可实现被动式的无人机检测，适用于广泛环境，甚至在无有利视距 (LOS) 条件下亦可。在本文中，我们在一个新的真实无人机射频数据集上评估了各种最先进 (SoA) 模型的基于 RF 的无人机分类性能。借助新提出的残差卷积神经网络 (CNN) 模型，我们表明无人机射频频率签名可用于有效分类。分类器的鲁棒性在多径环境中进行了评估，考虑了飞行无人机可能引入的变化多普勒频率。我们还表明该模型在不同无线信道与无人机速度场景下实现了更好的泛化能力。此外，新提出模型的分类性能在同时多无人机场景下进行了评估。该分类器在信噪比 (SNR) 0 dB 时达到接近 99% 的分类准确率，且在 -10 dB SNR 时相较现有框架获得了 5% 更好的分类准确率。
引用
@article{arxiv.2011.13663,
title = {Drone classification from RF fingerprints using deep residual nets},
author = {Sanjoy Basak and Sreeraj Rajendran and Sofie Pollin and Bart Scheers},
journal= {arXiv preprint arXiv:2011.13663},
year = {2024}
}
备注
This article has been accepted in the IEEE COMSNETS 2021 for possible publication