无人机分类：基于射频信号频谱特征的机器学习方法

工程科学与技术，国际期刊28（2022）101028完整文章基于射频信号频谱特征的无人机分类Rabiye Kılı，Nida Kumbasar，Emin Argun Oral，Ibrahim Yucel Ozuk阿塔图尔克大学，电气电子工程系，雅库特，埃尔祖鲁姆25240，土耳其阿提奇莱因福奥文章历史记录：收到2021年2021年5月19日修订2021年6月15日接受2021年7月31日在线提供关键词：无人机探测分类射频信号PSDMFCCLFCCSVMA B S T R A C T在军事和民用应用中重要的无人机检测和分类使用不同的传感器信号来执行。拟议的研究利用基本的机器学习方法使用射频（RF）信号来处理这项任务。它由两个主要阶段组成，即特征提取和模型的训练/测试。在特征提取阶段，获得了RF信号中包含的对分类有价值的为此目的，频谱特征，经常用于语音处理- ING应用程序，采用。具体地说，功率谱密度（PSD），梅尔频率倒谱系数（MFCC）和线性频率倒谱系数（LFCC）通过调整滤波器组的边缘和参数的这项任务。在第二阶段中，首先根据获得的特征训练支持向量机（SVM）所有实验研究均使用公开的DroneRF数据集进行该数据集分别包含无人机存在与背景（BG）、无人机类型和无人机操作模式的2类、最好的分类结果是使用PSD，MFCC和LFCC为基础的功能2类，MFCC和LFCC为基础的功能4类和LFCC为基础的功能10类。2级、4级和10级的准确率分别为100%、98.67%和95.15%这些结果表明，所提出的方法优于文献中给出的DroneRF数据集的结果©2021 Karabuk University. Elsevier B.V.的出版服务。这是CCBY-NC-ND许可证（http://creativecommons.org/licenses/by-nc-nd/4.0/）。1. 介绍无人机，也被称为无人机（UAV），具有广泛的用途[1]。它们被用于许多军事和民用应用。虽然它们通常在军事领域用作观察工具，但它们也用于广告，运输，消防，搜索和救援工作，交通监测和民用大气研究。无人机的迅速普及也带来了安全问题。因此，如果周围有一个，检测它的存在或它的操作目的是非常重要的。为此，使用传感器、声信号和雷达等传统方法，尽管它们不够可靠[2]。在这项研究中，基于射频（RF）的无人机的检测和分类进行了研究。1.1. 相关研究在文献中，存在关于无人机检测和分类的广泛应用和方法。这些*通讯作者。电 子 邮 件 地 址 ： rabiyekilic@atauni.edu.tr （ R. Kılı ） ， nida. edu.tr （ N.Kumbasar ） 、 eminoral@atauni.edu.tr （ E.A. Oral ） 、 iozbek@atauni.edu.tr （ I.Y.Oberk）。包括使用雷达传感器、光电摄像机、热摄像机和声传感器。在本节中，首先检查传统的然后基于RF的无人机检测研究。雷达传感器是探测飞行器的常用工具。与其他传感器一样，它可以感知长距离操作，不受恶劣天气条件的影响[3]。然而，它不足以检测小型和缓慢移动的物体，如无人机[4]。为了将监视雷达数据分类为无人机和鸟类，已经创建了概率运动模型[5]。此外，使用线性调频连续波（LFMCW）2D监视雷达数据进行无人机分类[6]。另一项研究认为，雷达传感器对于无人机检测通常是可靠的，尽管它们在分类方面效率不高[7]。另一方面，光学传感器是用于图像处理的通用工具。为了UAV分类的目的，图像首先使用光学相机捕获，并且它们用于利用经典方法进行分类，例如使用光学相机的直方图（HOG）[8]或基于深度神经网络（DNN）的图像处理方法，例如Faster-RCNN[9]，VGG-16[10]和ZF-net[11]用于CNN方法。所有这些方法都需要使用高分辨率相机，以便能够将无人机与背景图像分开。此外，在区分无人机和鸟类等小型物体方面可能存在困难[7]。热传感器的使用建议-https://doi.org/10.1016/j.jestch.2021.06.0082215-0986/©2021 Karabuk University.出版社：Elsevier B.V.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/）。可在ScienceDirect上获得目录列表工程科学与技术国际期刊杂志主页：www.elsevier.com/locate/jestchR. Kılı，N.Kumbasar，Emin Argun Oral等.工程科学与技术，国际期刊28（2022）1010282作为解决这个问题的另一种方法。它们可以捕获和检测光学传感器无法可视化的物体发出的热量。在[12]中，使用全景热成像相机检测无人机。热成像摄像机也是首选，因为它们在夜间监控中表现良好，并且可以在雨、雪、雾等恶劣天气条件下捕获图像。然而，它们对水分的敏感性是一个主要缺点[7]。用于无人机检测的另一种类型的传感器是声学传感器。它们是低成本的传感器，并且可以将UAV声音与其他声源区分开。然而，它们受到噪声的影响很大[7]。例如，在[13]中，雷达和声学传感器一起用于检测UAV旋翼类型。此外，高分辨率相机用于检测无人机[14]。使用K-最近邻（KNN）方法中的声学传感器研究实时无人机检测和跟踪[15]。据报道，如果声学传感器与无人机之间的距离超过150m，则无人机检测很难进行[16]。作为替代方法，无人机发射的RF信号最近已用于无人机检测[17，18]。一个大型的数据集，即DroneRF，已经从不同的无人机中创建了[17]。使用该数据集，估计环境中是否存在无人机，如果存在，则估计其类型和/或其操作模式。在[18，19]中，使用DNN方法进行无人机检测和分类。在利用Dro- neRF数据集的其他研究中，使用1-DCNN方法[20，21]和10倍交叉验证进行无人机信号检测和分类。虽然这些研究使用低频带和高频带RF信号，[22]只使用低频带信号。他们还使用XGBoost算法来实现这一目的。作者在[23]中提出了一种基于RF指纹识别的深度复值卷积神经网络（他们使用两种不同的RF无人机信号数据集和九种不同的算法模型进行无人机检测和分类。在[24]中，通过构建无人机检测机制，研究了RF信号源距离方面的无人机检测性能。在[25]中，使用五种不同的无人机估计无人机携带的负载长达200米的距离。他们使用带有MFCC的GMM-UBM超向量归一化来构造特征，并使用SVM分类器对他们自制的数据集信号进行分类。在另一项研究中，使用了九种不同无人机的RF信号和Wi-Fi信号[26]。他们使用CNN进行无人机分类。1.2. 动机和贡献拟议研究的主要动机是使用RF信号检测无人机的存在、类型和操作模式。由于RF无人机信号在时域和频域上传播，因此它们的特性类似于音频信号。通过对无人机信号功率谱密度的分析，发现它们在不同的频率范围内表现出不同的特性。因此，它的目的是研究使用经典的声音特征，如MFCC和LFCC，可以高度集中在不同的频带和提取有用的信息，用于无人机分类的有效性。此外，当前的工作还研究了直接简单使用每个0.25 s长的RF无人机记录的适用性，而不是根据基于DNN的方法[18它还探讨了使用SVM分类器，因为这种方法是非常有效的，利用经典的功能，计算负担低。最后，进一步提高无人机检测精度。基于这些动机，所提出的模型进行了测试，并得到了相应的实验结果。考虑到所获得的结果，所提出的用于RF无人机分类的系统的主要贡献如下：– 结果表明，频谱特征可以有效地用于基于射频信号的无人机检测和分类问题– 定义了如何调整滤波器组通道数、频率范围、倒谱系数数等谱特征参数。用于无人机信号分类– 已经证明，直接使用0.25 s长的DroneRF数据集信号，而不是将其划分为多个帧，可以获得更好的分类性能– 在基于射频信号的无人机分类问题中，论文的其余部分组织如下：在第2节中，提供了DroneRF数据集和特征提取方法。此外，SVM分类方法进行了说明。在第3节中描述了分类过程之前的预处理。第4节描述了分类的实验研究。第10节和第11节分别给出了所得结果及其与文献的比较2. 方法所提出的方法使用RF信号执行无人机分类。该方法的主要框图如Fig. 1.首先，从RF信号中提取特征。为此，获得了DroneRF信号的低频和高频带的功率谱密度（PSD）、梅尔频率倒谱系数（MFCC）和线性频率倒谱系数（LFCC）。然后，基于所获得的特征训练SVM分类器用于2、4和10个类。在2类问题中，无人机存在，而在4类和10类问题中，分别检测无人机类型和不同的无人机操作模式。最后，通过10-Fold交叉验证对所提出的模型进行了测试。在继续进行所提出的方法的细节之前，将首先如下解释本研究中使用的2.1. 数据集本研究使用了公开可用的大型开源DroneRF数据集[17]它由0.25 s长的RF信号组成，以40 MHz的采样率收集。该数据集是通过记录AR、Bebop、Phantom无人机以及低频和高频背景的信号创建的，对应于RF频谱的低频带和高频带[27它由454个RF无人机信号组成，其中227个对应于低频带，另外227个对应于高频带。所有信号由1000万个样本组成，记录了无人机的不同操作模式，如[17，18]所述，也如表1所示。图二.显示数据集的所有可用子类。它最初可以被认为是一个2类数据集，如无人机和无无人机。考虑到数据集中不同类型的无人机，也可以分为4级，即AR，Bebop，Phantom和BG。包括每个无人机的所有可用模式，它们最终可以分为10类。基于此信息，当DroneRF被视为2类数据集（无无人机/无人机）时，手头的问题可以被视为检测问题，而当DroneRF被视为多类数据集时，它被视为分类问题。2.2. 特征提取包含在数据集的低频带和高频带RF信号中的信息分布在频谱上。因此，它是频率相关的，并且在频域中更好地提取无人机信号的特征[30，31]。为此，PSD，MFCC和LFCC[31]用于拟议的无人机分类中。R. Kılı，N.Kumbasar，Emin Argun Oral等.工程科学与技术，国际期刊28（2022）1010283M-1半]Xj2pk=NN半]S½k]¼M每平方米Fig. 1. 提出的无人机分类和检测方法的主要框图。表1DroneRF数据集的模式。M1：打开并连接到控制器最后，Welch PSD估计，由S k表示，通过对如等式中给出的帧上的周期图求平均来获得。（4）.M2：没有物理干预1X图二. DroneRF数据集子类。这种方法在频率相关信号处理研究中得到广泛的应用2.2.1. 功率谱密度（PSD）无人机RF信号具有随机性质，并且它们具有有限的平均功率。该功率项根据RF信号的功率谱密度（PSD）来估计。在这项工作中，使用Welch算法计算PSD[32，33]。通过乘以汉明窗函数w1/2n] 来将由x1/2n]表示的RF无人机信号划分成帧，以获得由x1/2n] 表示的加窗无人机信号，如等式（1）所示。（一）.x m<$n]<$w <$n]x<$n=1;. . ;N-1;m1/4; 2;.. . ; M1这里，N是窗口长度，R是窗口跳过大小，M是帧的数量加窗寄生信号的N点DFT，表示为Xm/2k]，如中所示。 当量（二）、N-1Xm½k]1/4x m½n]e-k1/40;1;. . . ;N-1人2人n¼0令Sm， k为基于周期图方法的加窗无人机信号的PSD估计，如下所示。（方程式（三）Sm½k]<$1jXm½k]j2k<$0;1;. . . ;N-1人，3人，图3示出了针对AR、Bebop、Phantom无人机RF信号以及背景计算的RF信号的低频带（L）和高频带（H）分量的对数尺度PSD。这两个图都是通过对数据集中的所有DroneRF信号进行平均获得的从该图的评估可以清楚地看出，特定的无人机可以在特定的频带中与其他无人机区分开。例如，在2400 MHz区域中，Bebop和Phantom无人机可与其他无人机分离，而BG和Bebop在2420 MHz区域中可与其他无人机分离。因此，建议数据集中的所有无人机可以单独使用PSD的不同波段而不是整个PSD进行分类，以获得更好的分类性能。 为此，在这项研究中，提出了使用LFCC和MFCC特征的分类任务。这些特征成功地应用于各种音频处理应用中，因为它们能够从多个频带的信号中提取强大的特征。因此，LFCC和MFCC特征也用于无人机检测和分类，如下一小节中所详述。2.2.2. 倒谱系数利用频域Mel和线性缩放得到的倒谱系数作为特征进行无人机检测和分类。计算框图如图所示。 四、图三. AR、Bebop、Phantom无人机RF信号的低频带和高频带PSD以及背景。M3：无人机正在飞行，没有录像M4：带录像的飞行Sm½k]k½0;1;. . . ;N-1人，4人，R. Kılı，N.Kumbasar，Emin Argun Oral等.工程科学与技术，国际期刊28（2022）1010284CX半]Xj½]j>：半]ΣΣD¼Ci、Cfmel¼700磅10f=2595-1磅70磅其中对应的第i个线性滤波器组中心频率（由linear表示）根据半滤波器带宽（free-flinear）来定义我频率分辨率）宽度，Df。 此外，Mel滤波器中心频率，由fmel表示，通过对f进行线性缩放来获得，给出带宽为cicifmel-fmel 。ci2001年ci-1见图4。 基于倒谱系数的特征提取框图。令rm/2i]为第i个滤波器组的输出。 其定义如下。N-1rm½i]¼jXm½k]jHi½k]i¼1;.. . ;F108k¼0在这项研究中，我们还研究了使用绝对平方DFT，而不是绝对DFT中给出的方程。（八）、对应倒谱由gm j表示的系数被获得为滤波器组输出的对数的离散在倒谱特征提取方法中，与PSD特征提取类似，首先计算加Fgm½j]¼1/1[001 pdf 1st-31files]logrm½i]cos.PJ中文（简体）F1;.. . ; F9（方程式（2）），然后将其绝对DFT（jXm1/2k]j）或绝对平方DFT（Xm k2）馈送到滤波器组。这里，在滤波器组中使用两种不同类型的三角形滤波器。在LFCC中，利用在频域中定义的固定宽度滤波器而在MFCC工艺中使用具有根据Mel尺度变化的宽度的MFCC工艺[34，35]。三个参数定义这样的滤波器组。这些是滤波器的总数（F）、滤波频带中的最小频率（fmin）和最大频率（fmax）相应文件-三个银行的例子如图所示。 5a和5b但是，在gen-在这项研究中，单独的滤波器组的设计和使用的低波段和高波段无人机RF信号。2.2.3. 特征向量在这项研究中，两种不同类型的特征向量得到使用任一光谱分量，定义为方程。（4），或倒谱系数，由方程定义。（9），以形成如下定义的z特征向量。eral，fmin 为零，而fMax 是采样频率的一半，8><½s½0];. . . ;s½N-1]]T;基于PSD的功能ð10Þ在当前的研究中，这两个值根据无人机信号特性进行调整，以使准确率最大化，如第4.2节中所解释的。滤波器组中的第i个滤波器（在频域中由Hi k表示）根据半滤波器宽度（频率分辨率）和中心频率来参数化。这些参数在[36]中定义，并在方程中总结（5）1/2gm1/2];. . . ;gm½F]]T; 用于基于倒谱的特征此外，针对低频带RF信号和高频带RF信号获得特征向量，分别由zL和zH表示为：以及它们的级联，由zLH表示为另一个特征集，在等式2中定义。（十一）ffmax-fminF-1ð5ÞzLHzLzHð11Þf线性1/4f最小值1/4 D fi1/4; 2;.. . ; F6线性ci我图五、 滤波器组（a）线性标度;（b）Mel标度。Σz¼R. Kılı，N.Kumbasar，Emin Argun Oral等.工程科学与技术，国际期刊28（2022）1010285因此，以下部分中呈现的所有实验研究结果都是基于特征源和基于子带两者来命名的。前者中，PSD、LFCC和MFCC分别代表基于谱的分量、线性滤波后的倒谱系数和Mel滤波后的倒谱系数。 在后者中，L、H和LH表示子带，如等式（1）中所定义。（十一）、2.3. 支持向量机分类器支持向量机（SVM）是分类问题中广泛使用的算法之一[37]。它提供了分布在平面上的两类样本之间最合适的分隔线。这条线也被称为决策边界或高阶维度中的超平面。通常，SVM用于将样本分类为2类问题。让标记的无人机数据集被定义为{zi;yi：i/1;. ;P}。其中i和d分别表示第i个样本特征向量及其维度，并且z（通用特征向量）表示上述定义的特征向量之一。zL、 zH和zLH倒谱特征向量。此外，yi和P分别表示数据集中相应的样本标签和样本总数。 支持向量，每个类，基于该数据获得，并用于定义如等式（1）中给出的超平面。（12）. [23、38]。wT zib<$0 12R. Kılı，N.Kumbasar，Emin Argun Oral等.工程科学与技术，国际期刊28（2022）1010286.人民日报PCn我¼ðÞ¼其中w和b分别表示表面法向量和到原点的距离。这是一个最优化问题，在最小化分类误差的同时，最大化最接近的支持向量之间的间隔和距离，可以用拉格朗日乘子法求解。这个问题可以用公式表示，如等式（1）所示。（十三）、表2所提出的方法的伪代码。开始第0步：加载数据加载DroneRF数据集创建DataMatrix和LabelMatrix选择特征提取类型（PSD或MFCC或LFCC）12b.wjj2N我1/1ð13Þ步骤1：特征提取//使用DataMatrixfor Low-Band获取LowMat特征矩阵//使用DataMatrixfor High-Band获取HighMats：t：yiwTzib- 1niP 0niP 08i其中，C是权衡参数，并且ni是表示误分类的成本项的松弛参数这种类型的最小化问题非常适合在无法获得用于线性分离类别的超平面时在更高维度上变换数据样本[39]。为此目的，可以获得适当的特征变换，如等式（1）所示。（十四）、在转换函数wk：k[40]方面。ti¼wzi14在最小化问题中所需的变换样本的标量乘法可以被简化为核函数，如等式（1）所示。（十五）、[41].tTtjti;tj15最常用的核函数是线性、多项式和高斯RBF（径向基函数）[42]。其中，高斯核函数定义在Eq. （十六）、jti;tjexp-cjjt~i-t~jjj216其中c是内核尺度参数。为了获得更好的分类性能，需要适当调整支持向量机的主要参数C和c3. 实验装置在本节中，将介绍性能指标、硬件和分类器设置以及数据准备。此外，伪代码如果（特征提取方法= PSD）{设置N;M;R（在第2.2.1节中给出）使用公式计算基于PSD的LowMat和HighMat1、2、3和4，}elseif（特征提取方法= LFCC）{设置N;M1/4;f最小值;f最大值;F（在第2.2.2节中给出）（八）使用公式计算基于LFCC的LowMat和HighMat。5、6、7、8和9，}elseif（特征提取方法= MFCC）{设置N;M1/4;f最小值;f最大值;F（在第2.2.2节中给出）（八）使用公式计算基于MFCC的LowMat和HighMat。5、6、7、8和9，}使用等式5中的LowMat和HighMat创建LowHighMat特征矩阵。（十一）第2步：使用K折交叉验证拆分数据将LowMat或HighMat或LowHighMat和LabelMatrix拆分为10倍foreach i in [1，2.. . ，10] //每个折叠{步骤3：SVM分类器参数优化将核函数设置为高斯RBF设置一对一的多类分类[2019 - 02-15 00： 00：00][2019- 02 -15 00：00]通过使用第i倍的训练数据优化C和c以获得Copt;copt}步骤4：训练SVM分类器将核函数设置为高斯RBFSet One-vs-One for multi-class classification使用Copt训练i-fold SVM模型;copt步骤5：对测试数据进行使用训练好的SVM模型对第i次测试数据进行分类，得到预测的测试标签第6步：计算测试性能//使用预测的和真实的测试标签计算第i倍测试性能使用等式获得准确度、精确度、召回率、F1分数。（17-20），}使用所有10倍分数端表2给出了所提出的方法的更好的实施.3.1. 性能度量所提出的研究的分类性能给出的准确率，精度，召回率和F1得分指标定义在Eqs。17、18、19和20。准确度TP/TN17TPTNFPFN3.2. 设置所提出的无人机检测和分类系统的所有实验都在具有10核i9- 7900 X中央处理单元（CPU）、128 GB RAM、运行在Ubun-tu 18.04.4- LTSLinux操作系统上的计算机上执行。DroneRF数据集的预处理和拟议算法的开发使用MATLAB 2019 b软件进行，由两个GeForce RTX 2080Ti图形处理单元（GPU）支持。在实施过程中在拟议的研究中，Matlab VOICEBOX工具箱[43]是精密TP公司简介ð18Þ采用召回TP公司简介PrecisionxRecall3.3. 培训和测试数据准备使用了广泛用于分离训练和测试数据集的K-Fold交叉验证方法。在目前的研究中F1score¼ 2精确度和召回率均为20分在这些等式中，TP（真阳性）和FN（假阴性）表示特定类别的数据被相应地预测为正确类别或其他类别。另一方面，TN（真阴性）和FP（假阳性）表示来自其他类的数据相应地被预测为其他类和特定类K被选择为10，因此，它被随机分成10个折叠。因此，在训练期间使用10次折叠中的9次进行训练，而剩余的折叠用于测试。重复该过程10次，以确保测试折叠在所有可用的10个折叠中移动。该方法在确定所提出的模型的平均精度方面起着重要的作用。R. Kılı，N.Kumbasar，Emin Argun Oral等.工程科学与技术，国际期刊28（2022）10102873.4. SVM参数确定将提取的特征分为训练集和测试集，通过K折交叉验证，对SVM模型进行训练。不同的核，如线性，多项式和高斯函数作为SVM核函数进行测试。其中高斯函数，产生最高的精度，被确定为内核。对核尺度c和惩罚参数C在2- 15 ~ 2- 15范围内的不同取值进行了实验研究，功率增量。在研究中，c和C参数被选择为24和214，分别通过试验和错误。此外，使用一对一的方法，因为它给出了更准确的结果比一对所有的多类无人机分类问题。4. 实验结果在本节中，给出了所提出的方法的实验结果。采用PSD、LFCC和MFCC作为特征来表征射频信号。首先用基线特征进行分类，然后用调整后的参数进行实验，结果表明所提出的无人机检测方法的性能得到了提高。最后，将结果与文献中的其他研究结果进行了比较。4.1. 基线特征在PSD计算中，如等式在等式（4）中，DFT大小被定义为4096个点。因此，所获得的基线PSD特征向量的维度也是4096x1，分别用于低频带和高频带数据。MFCC和LFCC特征的基线参数设置如下。如图4所示，首先使用汉明函数对数据进行窗口化，并通过滤波器组，该滤波器组由位于从零到半采样频率点的频谱上的三角形滤波器构成，如图5a和5b所示。在所有滤波操作中使用幅度谱，并且将系数的数量设置为12作为研究的基线参数。见图6。显示了使用PSD、MFCC和LFCC特征的2类分类问题（无人机与背景）的准确性结果。如图所示，二元分类准确率在仅使用高频PSD、MFCC和LFCC特征的情况下，所提出的基线方法的识别率分别为97.79%、99.55%和98.67%。此外，100%的准确率，实现了所有的低频带功能，以及结合两个频带功能。4类问题（即BG、AR、Bebop和Phantom分类）的准确率比较见图。7.第一次会议。使用PSD、MFCC和LFCC高频基线特征的准确率分别为92.51%、84.14%和92.95%，而使用低频基线特征的准确率分别为97.95%、96.03%和95.15%。使用两个频率见图6。 使用基线PSD，MFCC，LFCC特征的无人机检测结果。图7.第一次会议。使用基线PSD、MFCC、LFCC特征进行无人机类型分类波段，另一方面，获得的准确率分别为97.35%，95.15%和94.27%。见图8。显示了10类问题的准确率比较，包括BG的分类任务，AR无人机的四种模式，Bebop和Phantom无人机的四种模式。在只考虑高频特征的情况下，PSD的平均识别准确率为78.85%，MFCC为62.55%，LFCC为77.97%。另一方面，仅使用低频特征，PSD的平均准确率为73.12%，MFCC的平均准确率为72.68%，LFCC 的平均准确率为79.29%，而使用两个频带进行分类时，PSD的平均准确率为73.12%，MFCC的平均准确率为81.93%，LFCC的平均准确率为87.27%。考虑到所有的结果，2类分类是一个更简单的任务相比，其他的，几乎100%的准确率可以获得，无论使用的频带或功能。相反，增加类的数量会引入更复杂的问题，因此更好的频率评估会导致更好的分类性能。使用MFCC和LFCC特征，特别是10类分类任务，显示出更令人满意的分类性能。另一方面，考虑到计算时间，MFCC和LFCC特征消耗的时间比PSD特征少得多，因为它们的特征向量维度比PSD更小，如表3所示。因此，MFCC和LFCC功能的优先级和定制，以改善无人机分类问题，在其余的拟议研究。4.2. 调整后的特征本节通过调整LFCC和MFCC特征参数以及使用对数能量作为新特征来显示所提出的方法的改进。特征参数包括倒谱系数个数、零阶系数包含率、滤波器见图8。 使用基线PSD、MFCC、LFCC特征的无人机模式分类。R. Kılı，N.Kumbasar，Emin Argun Oral等.工程科学与技术，国际期刊28（2022）1010288×××表3计算时间为10级。低频带（最小值）数量的特征High Band（min.）数量的特征LH条带（最小值）数量的特征PSD46.1409645.65409674.68192MFCC13.061212.35122024LFCC12.181212.51219.2324滤波器组频率边界和在应用滤波器组之前使用平方DFT而不是绝对DFT。为了更好地阐明所获得的结果，在表4中给出了这些特征的缩写。4.2.1. 使用绝对平方/绝对DFT通过使用包含在基线特征集中的DFT的绝对值和DFT的绝对平方（示为B+P）来比较准确率相应的结果在表5中给出。显然，使用平方或绝对DFT不会改变特征尺寸。因此，该表中的所有条目都是使用基线特征的相同大小的特征向量获得的也就是说，使用24 1（低频带：12 1，高频带：1）来21）特征向量，由低频带和高频带信号的级联MFCC和LFCC基线参数该表表明，使用绝对平方DFT而不是其绝对值可以提高平均准确率。因此，在下面的实验结果中使用绝对平方DFT。4.2.2. 对数能量和零阶倒谱系数作为附加特征研究中还考察了包裹体对数能量（E）和零阶倒谱系数（0）对成功率用两个新特征扩展基线参数（低频带和高频带信号）得到扩展的特征向量，相应的结果如表6所示。在此表中，（B+P+0）条目对应于 26× 1 特 征 向 量 （ 低 频 带 ： 13× 1 ， 高 频 带 ： 13× 1 ） ， 而（B+P+0+E）条目对应于28× 1特征向量（低频带：14× 1，高频带：14× 1）。表4结果中使用的缩写B基线（DFT绝对值）P幂（绝对平方）DFT0零阶系数E对数能量（时域）NC系数表5绝对平方和绝对DFT比较。MFCC准确度（%）LFCC准确度（%）2-B类 100 100B+P 1004-B类 97.35 94.27B+P 98.23 95.5910-乙类81.93 87.27B+P表6对数能量及零阶倒谱系数的影响MFCC准确度（%）LFCC准确度（%）基于这些结果，使用对数能量特征提高了4类和10类问题的精度因此，对于B +P+E，得到以下子部分结果。4.2.3. 倒谱系数本小节探讨倒谱系数的数目对准确率的影响。见图9。显示了4类和10类问题中MFCCBPE和LFCCBPE对于MFCC和LFCC的4类分类，确定了最佳系数数为12，达到98.67%的准确率。另一方面，在10类基于这些结果，具有12个系数的基线特征集被验证为最有希望的特征向量大小，并且在研究的其余部分中保持不变4.2.4. 滤波器组频率范围在基线特征提取中，频率范围由fmin和fmax（图5a和5b中）被选为整个可用频率带边境的是，f最小值=2400MHz和fmax=2440 MHz（低频段信号），fmin= 2440 MHz，fmax= 2480 MHz，适用于高频带信号。在这一小节中，还研究了在类方面性能最好的频率范围通过扫描可用频率范围，提高了MFCC和LFCC的识别精度。结果表明，当滤波器组置于2400 ~ 2480 MHz全频率范围内时，对MFCC和LFCC的4类问题，最佳准确率为98.67%另一方面，2400至2424 MHz和2440对于LFCC的10类问题，如图10a中阴影区域示意性所示，2467 MHz频带分别为低频带和高频带信号提供最佳性能。此外，对于如图10b中示意性示出的具有MFCC的10类问题，2400至2436 MHz和2440至2472 MHz频带分别为低频带和高频带信号提供最佳性能。阴影区域。考虑到这些滤波器组范围，MFCC和LFCC的准确率分别为90.33%和95.29%。从最佳准确率与前一分段的比较可以看出，调整滤波器组的频率范围使MFCC的准确率提高了1.35而对于LFCC仅10类问题，则为3.00%因此，可以建议使用全频带更有利4级10级4级10级B+P98.2384.1495.5988.10B+P+097.7983.798.2389.42B+P+E98.6785.4698.6792.51B+P+0+E96.9181.9397.7988.10见图9。 以倒谱系数表示的准确率。R. Kılı，N.Kumbasar，Emin Argun Oral等.工程科学与技术，国际期刊28（2022）1010289图10个。低频带和高频带信号对于4类分类问题，使用特定的频率范围对于10类问题更为方便4.2.5. 调整特征与基线特征作为参数调整的总结，将使用基线特征的准确率与使用调整后的特征的准确率进行比较，并且相应的结果在图11中示出。对于MFCC和Fig. 12个。低森林覆盖率国家。从这些数字的评价中可以得出两个主要结论首先，所有精度结果都随着参数调整而增加。第二，LFCC对10类问题有更好的准确率，而MFCC和LFCC对4类问题有相同的结果。一般来说，在语音处理应用中，MFCC特征比使用全部可用频率范围的LFCC更好地执行。另一方面，从特定频率范围捕获的LFCC特征在无人机检测和分类问题中比MFCC从这些数字的评价中可以得出两个主要结论。首先，所有精度结果都通过使用参数调整而增加。第二，LFCC对10类问题有更好的准确率，而MFCC和LFCC对4类问题有相同的结果。通常，MFCC特征在语音处理应用中使用全部可用频率范围比LFCC中表现更好，在该特定无人机检测和分类问题中，对于特定频带观察到相反的情况。见图11。 基线和调整后的MFCC准确率。见图12。 基线和调整后的低森林覆盖率国家准确率。5. 讨论本节主要将拟议研究中获得的结果与文献结果进行比较。为了实现最佳 比较 ，将 平均 准确 度、F1评分 、预 测和 召回 值与 使用 相同DroneRF数据集的文献进行比较，如表7所示。由于可用研究之间使用的分区数量不同，因此可能不容易直接比较结果。然而，使用具有不同分区数量的DroneRF数据集进行的研究将其获得的结果相互比较[18，19，22]，如下所示。穆罕默德·F. Al-Sa他们使用功率谱作为特征集，该特征集是从低带和高带信号的组合幅度DFT获得的。他们获得了百分准确率为99.7%，84.5%和46.8%的2，4和10类分类实验，分别。SaraAl-Emadi等人[20]提出了一种使用CNN架构的方法，由五个一维（1D）卷积层组成，利用10倍交叉验证。虽然他们稍微提高了[18]对于2类和4类问题的准确性结果，但对于10类问题，它增加了26.5%。对于同样的10类问题，他们还提高了F1分数约28.1%。奥卢西吉岛Medaiyes等人[22]提出了三种使用XGBoost算法的机器学习模型，并使用10倍交叉验证来评估这些模型。在10类问题中，与[20]MHD S.等人[19]将RF Drone信号的全频谱通道化为多个通道，并将每个通道视为多通道1-D卷积神经网络的单独输入。对10类问题的正确率为87.4%，F1得分为77%。表7的所有研究。 第一分区R. Kılı，N.Kumbasar，Emin Argun Oral等.工程科学与技术，国际期刊28（2022）10102810表7所得结果与文献的比较文学准确度（%）F1评分（%）召回率（%）精密度（%）数量2- 4-10-2-4- 10-2-4-10-2-4-10-分段类Class类类类Class类类类类类类M. F. Al-Sa99.70 84.5046.8099.5078.80 43.0099.4076.4341.9799.6591.0853.56百S. Al-Emadi等人[20]99.80 85.8059.2099.7084.60 55.1099.5581.7055.5699.8591.3058.90一百O.O. Medaiyese等人99.96 90.7370.09N/AN/A[22日]M.S. Allahham等人[19个]拟定研究100 94.6087.4010091.00 77.0010090.0074.0010094.0083.00€ 370PSD一百九十七点七九 78.8510097.61 76.9310097.6177.1310097.7277.85 1MFCC100 98.6790.3010098.58 89.6810098.5789.6710098.7589.89 1LFCC100 98.6795.1510098.70 94.7210098.8094.6710098.6794.89 1如表所示，RF Drone将样本分成不同数量的段（parti- tions），因为DNN需要大量数据进行训练。然后，每个分区被单独分类。另一方面，所提出的研究将每个样本作为单个部分进行处理，考虑到主要目标是以最佳性能对DroneRF数据集样本进行分类。为了实现这一目标，从每个全长数据集样本中提取针对无人机检测和分类进行调整的特征，并由SVM分类器进行处理。在[18提出的方法将文献中报道的最佳4级准确率94.6%提高到98.67%，提高了3.54%。10类分类的准确率从87.4%提高到95.15%，提高了8.87%。此外，该方法的F1分数从91%提高到98.70%，在4类问题，产生8.46%的增加。同样，在10类分类问题中，F1得分值从77%增加到94.72%，增加了23.01%。6. 结论和今后的工作无人机的广泛使用导致了安全措施的增加为此目的，无人机检测已成为一种需要，并且使用各种技术（诸如光学、雷达、热、声学传感器和RF信号）来获得无人机检测。本文主要研究基于射频信号的无人机检测与分类由于无人机RF信号具有与音频信号类似的时间和频率依赖特性，因此所提出的方法在基于SVM的机器学习算法中采用广泛使用的基于频谱的音频特征，例如PSD、MFCC和LFCC。以这种方式，特征提取参数，即倒谱系数的数量、滤波器组频率范围和中心频率等，是为无人机射频信号量身定制还研究了RF信号频带的有效使用，即单独或一起使用，以获得最佳性