CNN-32 DC：一种改进的基于卷积神经网络的雷达无人机识别系统

可在www.sciencedirect.com上在线获取ScienceDirectICTExpress 8（2022）606www.elsevier.com/locate/icteCNN-32 DC：一种改进的基于卷积神经网络的雷达无人机识别系统Ann Janeth Garcia，Ali Aouto，Jae-Min Lee，Dong-SeongKim网络系统实验室，韩国龟尾市久茂国立技术大学信息技术融合工程系接收日期：2021年7月1日;接收日期：2022年3月15日;接受日期：2022年4月25日2022年5月19日网上发售摘要本文提出了一种系统，该系统将通过使用基于雷达设备的检测方案来检测无人机的威胁，从而保护基础设施免受无人机的威胁。建立了所获得的数据库--实多普勒雷达数据库（RealDopplerRAD-DAR）微波和雷达小组。所使用的雷达使用基于8.75 GHz频带的调频连续波（FMCW），BW最大为500 MHz。提出的卷积神经网络（CNN），CNN-32 DC随着不同的滤波器数量，组合层数和特征提取块的数量而变化，选择了给出最准确结果的偏好，并与不同的机器学习和分类学习算法进行了比较，获得了比其他网络更少的处理时间的准确性。© 2022作者（S）。由爱思唯尔公司出版代表韩国通信和信息科学研究所这是一篇基于CC BY-NC-ND许可证的开放获取文章（http://creativecommons.org/licenses/by-nc-nd/4.0/）。关键词：恒虚警率;多普勒效应;无人机探测;微多普勒信号处理;雷达1. 介绍如今，使用雷达设备保护重要基础设施已成为世界各地的一种做法。特别是从无人驾驶飞行器（UAV）（例如，由于其在经济中变得容易获得并且被不同年龄的人用作他们的爱好而造成威胁的无人机），变得易于操作并且便宜，其可以用于不同的目的，例如航空摄影、交通或灾害监测以及作为神风无人机，携带炸弹或爆炸物用于恐怖袭击的无人机，用于跨境走私非法毒品或使用配备有相机的无人机来监视远程财产[1]。图图1显示了反无人机系统的总体概况。图中显示的是一个私人财产内的雷达反无人机系统的例子，该系统正在被间谍无人机观察。也可以使用其他技术，例如B。卡莫斯角一组麦克风，或d.发射机，这将在后面的部分中全部解释。反无人机系统分为三个部分：探测、定位和决策。检测后，定位*通讯作者。电子邮件地址：ajg. kumoh.ac.kr（A. J. Garcia），ali. kumoh.ac.kr（A.Aouto），ljmpaul@kumoh.ac.kr（J.-M. Lee），dskim@kumoh.ac.kr（D.-S. Kim）。同行审议由韩国通信研究所负责教育与信息科学（KICS）。https://doi.org/10.1016/j.icte.2022.04.012接下来是无人机的估计位置，然后系统将决定是否干扰无人机的信号，狩猎或重新组装以覆盖其控制[2]。大多数研究集中在通过不同的方法检测无人机。通过无人机风扇的响亮声音进行检测，通过摄像头进行基于视觉的方法进行检测，通过其传输到控制器的信号检测UAV，或者使用雷达从更远的距离检测UAV。1.1. 音频在论文[3，4]中，DL（深度学习）技术，如卷积，卷积递归和递归神经网络（CNN，CRNN和RCNN）用于处理来自无人机的听觉信号，以进行识别和识别。他们使用自己的数据库来建立系统对于音频，它利用无人机的2405-9595/© 2022作者。 由Elsevier B.V.代表韩国通信和信息科学研究所出版。这是一CC BY-NC-ND许可下的开放获取文章（http://creativecommons.org/licenses/by-nc-nd/4.0/）。A.J. Garcia，A.Aouto，J.M. Lee等人ICT Express 8（2022）606607图1.一、反 无人机系统的总体概述。1.2. 视频对于基于视觉的无人机技术，[5]的作者通过加入从其背景中分离的实际图像形成了大量的人工数据库，并用作在无人机检测中使用CNN的端部目标检测方法。Aouto等人[6]提出了使用CNN进行无人机检测的分裂学习方法，他们的主要贡献是在全连接层之前的末端提出了图像特征图分裂和拼接。他们的方法在高每秒帧速率（FPS）下显示出良好的效果。基于运动的跟踪用于视频技术。它利用无人机的外观和运动特征进行检测，但在检测小物体时精度较低。无人机的视觉检测在恶劣的天气条件下也不那么有效1.3. 射频（RF）[7]提出了两种使用RF信号发现无人机的实用方法。首先是使用发射机不断发射无线电信号，并等待被反射的信号或从无人机反弹的信号。其次，它将监视现有的信号，然后使用接收器隔离和检查它。本文中面临的试验是它只在短距离内有效，并且由于RF信号被Wi-Fi或无线保真设备大量使用，因此快速搜索和读取信号变得很棘手。 操作员用来控制和连接无人机的无线电频率可以也可用于基于信号的接收信号强度（RSS）或DOA来定位无人机。该技术的局限性不适用于非视线场景。Akter等人在[8]中提出了一种名为RFDOA-Net的深度神经网络，用于对通过非均匀线性天线阵列（NRFD）获得的频率进行DOA估计 在这项研究中，他们研究了各种处理模型和天线配置，在5 dB信噪比（SNR）下能够实现94%的准确度1.4. 雷达Multerer等人[9]使用了一种雷达技术，该技术包括3DFMCW（调频连续波）和MIMO（多输入多输出）雷达，并带有干扰设备，以识别无人机并干扰或阻止操作员用于控制不想要的无人机的信号。[10，11]还使用基于雷达的反无人机系统来对抗不受欢迎的无人机可能带来的威胁。他们的共同目标是对使用Wi-Fi或GPS（全球定位系统）的商用无人机进行长期监视，并为团体活动提供短期安全保障。这些方法总是面临检测UAV的问题，声学面临环境噪声的问题，基于视觉的方法难以从远距离检测UAV，并且当天空不清晰时，如果无人机与控制器没有连接，则基于RF的技术是不可靠的。另一方面，雷达设备提供对无人机的早期检测，并通过对它们的位置和动态的高精度估计发送来自传入威胁的警告。这些系统需要关于目标的更多样化的信息。此外，自动分类技术与质量标记的数据将需 要 提 高 这 个 系 统 的 效 率 。 该 系 统 基 于 数 据 库 RealDoppler RAD-DAR（带数字阵列接收器的雷达），该数据库包含超过17，000个汽车，无人机和人类的数据样本，由微波和雷达集团构建。用于收集该数据库的雷达使用基于8.75GHz频带的调频连续波（FMCW），带宽最大为500 MHz。作者将改变过滤器的数量，组合层和中间块的数量，然后选择哪个偏好将给出最准确的结果。 结果将与不同的机器学习算法进行比较。本文的研究安排如下，第二部分论述了-详细讨论了所提出的系统模型。第3节简要介绍了所使用的数据集和模拟环境。第四部分是仿真结果，最后是结论和未来的工作。2. CNN-32 DC：建议的系统模型卷积神经网络（CNN或ConvNet）是以图像和视频作为输 入 的深 度 学 习 最 流行 的 算 法 之一 。 网 络 的输 入 是11x61多普勒矩阵步幅等参数，是过滤器移动的步长。池化层中的步幅被设置为（2，2），卷积层中的步幅被设置为（1，1）。由于有3个系列的卷积层和池化层彼此重叠，因此过滤器大小设置为（3，3），（5，5）和（7，7）。滤波器大小决定了神经元在处理当前层时可以看到多少邻居信息。当滤波器大小为（3，3）时，每个神经元可以看到总共8周围的邻居信息（见图）。2）的情况。连接到输入层的是隐藏层，也称为特征检测层。这是三种类型之一，A.J. Garcia，A.Aouto，J.M. Lee等人ICT Express 8（2022）606608表1图二、C N N -32 DC：拟议的网络结构设计。户外场景他们获得了高精度的结果详细的CNN-32 DC建议的网络架构。图层输出参数（99.48%）使该系统在将无人机与其他物体分类时非常有用。用于捕获数据的雷达是Conv1Conv211 ×613× 3 conv，stride 15× 5转换，步幅1由微波和Real公司创建的恒定雷达系统多普勒雷达数字阵列接收机。它运行-Conv3 7× 7 conv，步幅1在以8.75 GHz为中心的频带上，maxPool1maxPool26 ×313× 3最大池化，步幅25× 5最大池化，步幅2带宽最大为500 MHz FMCW。在数字信号处理之后，获取用于每个单个场景的4092x512矩阵的maxPool3 7× 7最大池化，步幅2avePool 3× 16 5× 5平均池化，步幅2 FC 3全连接层对数据的操作，即池化、卷积和/或激活层。输入块由输入层和归一化层组成，这是信号进入的地方。中间块是特征检测层，由卷积、池化和ReLU激活函数组成。中间块中的最后一层是组合层，该层将激活层的输出组合成一个输出。最后，输出块由该网络的分类层组成。最后一层的第三个基础是全连接层（FC），其输出为k维向量，其中k是网络将能够检测的输出类的数量。该向量包括被分类的任何帧的每个分类的可能性，并且网络中的最后一层是SoftMax层，其提供被分类的分类输出，在这种情况下，它是无人机，人或汽车。在表1中列出了网络层的详细规格3. 数据集和模拟环境真实多普勒雷达数据集是一个质量标记的数据库，已经产生后，广泛的控制试验测试活动。这个新颖的数据集是由Roldan等人为了[12]的唯一目的而创建的。它有超过17，000个真实获得的汽车，人和无人机距离单元以行为单位，多普勒频率以列为单位，全部以dBm为单位。这些矩阵已被简化为11x61矩阵。该检测器是基于恒虚警技术。使用带有动量的随机梯度下降（SDGM）优化器，网络设置为20个历元。从0.01开始，每5个epoch的学习率将下降90%。此外，最小批处理大小设置为64。分析是在配备NVIDIA GeForce RTX 2070 GPU的低成本基准测试系统上进行的。数据集分为70%用于训练，其余用于验证。4. 仿真结果在特征提取层中设置的滤波器的数量从16、24、32和48变化，然后比较和检查哪个滤波器的数量将导致最高的精度，同时将组合层改变为深度连接层或添加层。使用具有深度级联层作为组合层的32个滤波器的模拟在其他变型中给出了更高的准确度，并且给出了96.85%的准确度。图图3示出了当系统设置为32个滤波器时，训练和验证准确度和损失的曲线。表2中的时间消耗的倒数总结了网络可以处理的速度（以帧/秒为单位）。而对于加法层，32个滤波器的网络比其他数量的滤波器具有更高的精度，但与32个滤波器的深度级联层的精度相比，它略低。这些结果的图示如图4所示。另一种变化是改变所使用的中间块的数量，从1个中间块添加额外的中间块到串联连接的3个中间块仿真结果A.J. Garcia，A.Aouto，J.M. Lee等人ICT Express 8（2022）606609图三. 准确度（上图）和损失（下图）的训练和验证曲线，其中系统能够达到96.86%的准确度。见图4。在改变过滤器数量的情况下，在特征提取块的末尾表2不同型号的比较。网络准确度（%）时间消耗（ms）可学习参数CNN-32DC96.863.216,771ResNet-1896.745.8177,411SqueezeNet95.346.3280,867SVM92.548.8303,741k-NN91.107.4292,307LDA95.766.5282,819示出了仅使用一个中间块仍将给出比使用两个或三个中间块更高的精度，因此在所提出的网络中使用表2列出了我们获得的结果的比较- 使用CNN-32 DC，ResNet- 18，SqueezeNet，支持向量机（SVM），K-最近邻（KNN）和线性判别分析（LDA）对RAD-DAR数据库进行分析。ResNet-18和SqueezeNet是预先训练的卷积神经网络，包含来自ImageNet数据库的数百万张图像，图五. 拟议的CNN-32 DC和不同的现有系统之间的准确性和时间消耗的比较。在MATLAB中很容易找到这些网络的输入和输出块是不同的，以便与所使用的图5表明，如果与其他机器学习和分类算法区分开来，CNN-32 DC获得了更好的准确性。此外，所提出的网络导致的时间消耗为3.2 ms，这是最低的，当它与其他算法相比。5. 结论和未来工作所提出的网络名为CNN-32 DC，它是一个卷积神经网络（CNN），具有一个中间块、32个滤波器和一个深度级联层，在所提出的网络中调整的所有变体中具有最高的准确 性 。 CNN-32 DC 也 超 过 了 ResNet-18 ， SqueezeNet ，SVM，k-NN和LDA的准确性。虽然表2所示的这些网络的准确性没有太大的差异，但由于时间消耗，CNN-32 DC仍然是最佳的网络选择。这是网络处理一帧所消耗的时间。因此，较低的处理时间表明网络有多快CNN-32 DC是一个很有前途的模型，可以应用于基于雷达的反无人机系统。尽管性能优于其他考虑的模型，但网络应在实施之前进行优化，并在更多场景中进行验证。这项研究面临的主要限制之一是，类似的无人机雷达数据集几乎不可用。在未来的工作中，我们正在考虑通过测试和比较不同的数据集来改进网络，以评估其在不同场景下的可靠性。CRediT作者贡献声明安贾内特加西亚：写作-原始草案，概念化，方法，软件。阿里Aouto：概念化，方法论，写作-审查和编辑。Jae-minA.J. Garcia，A.Aouto，J.M. Lee等人ICT Express 8（2022）606610李 ： 方 法 论 ， 软 件 ， 写 作 - 审 查 和 编 辑 . Dong-SeongKim：监督，写作竞合利益作者声明，他们没有已知的可能影响本文所报告工作致谢这项研究工作得到了韩国MEST资助的NRF优先研究中心计划（2018 R1 A6 A1 A03024003）和韩国MSIT监督的IITP监督的大信息技术研究中心支持计划（IITP-2022-2020-0- 01612）的引用[1] X.施角，澳-地杨，W. Xie C. Liang，Z. Shi，J. Chen，Anti-DroneSystemwith Multiple Surveillance Technologies ： Architecture ，Implementation ， andChallenges ， IEEE Commun. 麦 格 56 （ 4 ）（2018）68[2] B. Taha，A. Shoufan，基于机器学习的无人机检测和分类：最先进的研究，IEEE Access 7（2019）138669-138682。[3] S. Al-Emadi，A. Al-Ali，A. Mohammad，A. Al-Ali，基于音频的无人机检测和识别使用深度学习，在：2019年第15届国际无线通信移动计算会议，IWCMC，2019年，第100页。459-464.[4] J. Mezei，V. Fiaska，A. Molnár，无人机声音检测，在：2015年第16届IEEE计算智能和信息学国际研讨会，CINTI，2015年，pp.333-338[5] C. Aker，S. Kalkan，使用深度网络进行无人机检测，2017年第14届IEEE高级视频和基于信号的监控国际会议，AVSS，2017年，第14 页。1比6[6] A. Aouto，J. M.李，D.- S. Kim，使用分裂并行CNN进行无人机检测监视系统，在：2021年信息和通信技术融合国际会议，ICTC，2021年，pp. 1178-1181年。[7] P. Nguyen，M. Ravindranatha，A.阮河汉，T. Vu，调查基于RF的无人机检测的成本效益，在：微型飞行器网络，系统和民用应用的第二次研讨会的会 议记 录，2016年，pp。十七比二十二[8] R. Akter，V. S. Doan，T. Huynh-The，D. S. Kim，RFDOA-net：一个有效的ConvNet为基于RF的DOA估计在无人机监视系统，IEEE trans.veh。70（11）（2021），12209-12214中所述。[9] T. Multerer，A. Ganis，U. Prechtel，E. Miralles，A. Meusling，J.Mietzner，M. Vossiek，M. Loghi，V. Ziegler，使用基于3D MIMO雷达跟踪的低成本干扰系统对抗小型无人机，2017年欧洲雷达会议，EURAD，2017年，pp. 299-302[10] J. Park ， D.- H. Jung ， K.- B. Bae ， S. O. Park ， Range-Dopplermapimprovement in FMCW radar for small moving drone detectionusingthe stationary point concentration technique ， IEEE Trans.Microw. 理论技术68（5）（2020）1858[11] J. Park，K.- B. Bae，D. H. Jung，S. O. Park，基于固定点集中技术的FMCW雷达的微型无人机检测，在：2019年国际研讨会上，ISAP，2019年，pp. 1比3。[12] I. Roldan，C.R.del Blanco，A.Duque de Quevedo，F.伊巴涅斯·乌尔扎伊兹，J. Gismero Menoyo，A. Asensio López，D. 贝尔洪湾Jaureguizar，N. García，Dopplernet：一种卷积神经网络，用于使用持续距离多普勒雷达识别真实场景中的目标， IET 雷 达 声 纳 导 航 。14（4）（2020）593