低信噪比环境下的鲁棒低成本无人机探测与分类
信号处理
2024-11-08 v3 机器学习
摘要
无人机（UAV）的普及引发了重大的安全隐患，因其可能被滥用于间谍活动、走私和基础设施破坏等行为。本文针对独立于无人机协作的无人机探测与分类系统的迫切需求，评估了多种卷积神经网络（CNN）在基于信号分量连续傅里叶变换得到的频谱图数据上对无人机进行探测和分类的能力。研究重点在于模型在低信噪比（SNR）环境下的鲁棒性，这对实际应用至关重要。我们提供了一个全面的数据集以支持未来的模型开发。此外，我们展示了一个使用标准计算机、软件定义无线电（SDR）和天线构建的低成本无人机探测系统，并通过实际现场测试进行了验证。在我们的开发数据集上，所有模型在信噪比 > -12dB 时均稳定实现了平均平衡分类准确率 ≥ 85%。在现场测试中，这些模型根据发射器距离和天线方向实现了 > 80% 的平均平衡准确率。我们的贡献包括：一个用于模型开发的公开数据集、低信噪比条件下用于无人机探测的CNN对比评估，以及一个实用、低成本探测系统的部署与现场评估。
关键词
引用
@article{arxiv.2406.18624,
title = {Robust Low-Cost Drone Detection and Classification in Low SNR Environments},
author = {Stefan Glüge and Matthias Nyfeler and Ahmad Aghaebrahimian and Nicola Ramagnano and Christof Schüpbach},
journal= {arXiv preprint arXiv:2406.18624},
year = {2024}
}
备注
11 pages, 9 figures