基于小波变换与机器学习的 RF 无人机检测与识别系统分析
信号处理
2021-02-25 v1
摘要
在这项工作中，我们使用机器学习算法和一种称为 SqueezeNet 的预训练卷积神经网络算法作为分类器，对基于射频（RF）的无人机检测与识别系统（DDI）在无线干扰（如 WiFi 和蓝牙）下进行了详尽的对比分析。在 RF 信号指纹识别研究中，信号的瞬态和稳态可用于从 RF 信号中提取唯一特征。通过利用来自无人机（UAV）的 RF 控制信号进行 DDI，我们分别考虑信号的每种状态进行特征提取，并比较了无人机检测与识别的优缺点。使用各类小波变换（离散小波变换、连续小波变换和小波散射变换）从信号中提取特征，我们利用这些特征构建了不同的模型。我们研究了这些模型在不同信噪比（SNR）水平下的性能。通过使用小波散射变换从 30 dB SNR 下 RF 信号的稳态中提取特征（散射图），并使用这些散射图训练 SqueezeNet，我们在 10 dB SNR 下达到了 98.9% 的准确率。
引用
@article{arxiv.2102.11894,
title = {Wavelet Transform Analytics for RF-Based UAV Detection and Identification System Using Machine Learning},
author = {Olusiji Medaiyese and Martins Ezuma and Adrian P. Lauf and Ismail Guvenc},
journal= {arXiv preprint arXiv:2102.11894},
year = {2021}
}
备注
Single column, 34 pages