基于射频的低信噪比无人机卷积神经网络分类
信号处理
2020-09-22 v2 图像与视频处理
摘要
本文研究了在低信噪比（SNR）条件下利用射频（RF）指纹对无人机（UAVs）进行分类的问题。我们使用卷积神经网络（CNNs）进行训练，训练数据包括 15 种不同市售无人机控制器射频信号的时间序列图像和频谱图。当使用时间序列信号图像时，CNN 从信号的瞬态和包络中提取特征。随着 SNR 的降低，这种方法性能急剧下降，因为瞬态中的信息淹没在噪声中，且包络被严重扭曲。与时间序列表示的射频信号相比，使用频谱图可以仅聚焦于期望的频带，即 2.4 GHz ISM 频段，并滤除该频带之外的任何其他信号分量。这些优势相比基于时间序列信号的方法带来了显著的性能提升。为了进一步提高基于频谱图的 CNN 的分类准确率，我们通过将频谱图截断至有限的谱密度区间来对其去噪。利用含噪信号的频谱图创建单一模型并调整 CNN 模型参数，我们在 SNR 从 -10 dB 到 30 dB 的范围内取得了 92% 到 100% 的分类准确率，据我们所知这显著优于现有方法。
引用
@article{arxiv.2009.05519,
title = {RF-Based Low-SNR Classification of UAVs Using Convolutional Neural Networks},
author = {Ender Ozturk and Fatih Erden and Ismail Guvenc},
journal= {arXiv preprint arXiv:2009.05519},
year = {2020}
}
备注
18 pages, 9 figures, 4 tables, journal