利用机器学习技术从射频指纹中检测与分类微型无人机
信号处理
2019-04-12 v2
摘要
本文聚焦于利用从控制器发往微型无人机（UAV）的信号的射频（RF）指纹来检测与分类微型无人飞行器（UAV）。在检测阶段，原始信号被分帧并变换到小波域。采用基于马尔可夫模型的朴素贝叶斯方法来检查每帧中是否存在 UAV。在分类阶段，不同于仅依赖时域信号及相应特征的传统方法，所提技术使用能量瞬态信号。该方法对噪声更鲁棒，并能应对不同调制技术。首先，由原始控制信号的能量-时间-频率分布生成归一化能量轨迹。接着，通过搜索能量轨迹均值中最 abrupt 的变化来检测能量瞬态的起止点。然后，从能量瞬态中提取一组统计特征。通过执行邻域成分分析（NCA）选择显著特征，以保持算法的计算成本较低。最后，将所选特征输入若干机器学习算法进行分类。使用包含 14 种不同 UAV 控制器各 100 个 RF 信号的数据库对算法进行实验评估。信号使用高频示波器以无线方式记录。数据集按 4:1 的比例随机划分为训练集与测试集进行验证。运行十次蒙特卡洛仿真并对结果取平均以评估方法性能。所有微型 UAV 均被正确检测，使用 k-近邻（kNN）分类达到了 96.3% 的平均准确率。所提方法还在不同信噪比（SNR）水平下进行了测试并给出了结果。
引用
@article{arxiv.1901.07703,
title = {Micro-UAV Detection and Classification from RF Fingerprints Using Machine Learning Techniques},
author = {Martins Ezuma and Fatih Erden and Chethan Kumar Anjinappa and Ozgur Ozdemir and Ismail Guvenc},
journal= {arXiv preprint arXiv:1901.07703},
year = {2019}
}
备注
12 pages. To be presented in 2019 IEEE Aerospace Conference