论文-DroneRF:用深度学习方法探测和分类

论文信息

RF-based drone detection and identification using deep learning approaches: an initiative towards a large open source drone database

用深度学习方法探测和分类基于RF的无人机：迈向大型开源无人机数据库的举措

作者：Mohammad F. Al-Sa’d

发表日期：2019.05

Abstract

我们系统地收集、分析和记录原始射频信号, 即DroneRF数据集。三个深度神经网络（DNN） 用于无人机探测、无人机分类、飞行模型分类。10 倍交叉验证过程进行验证和评估使用各种指标。平均准确率：第一个 DNN（2 类）的 99.7% ，第二个 DNN（4 类）为 84.5%，第三个 DNN（10 类）为 46.8%。设计方法的结果验证了所开发的无人机射频数据库的可行性用于检测和识别。开发的无人机射频数据库以及我们的实现是向学生和研究人员公开提供。

Introduction

阐述无人机使用很广泛，“黑飞”问题。

引入无人机检测和识别方法；射频（RF）传感结合深度学习方法有望找到解决方案，但是缺乏数据集。

在本文，我们构建了一个开源数据库，并使用三个深度神经网络分别用于三种分类任务。

Related work

反无人机系统：几个文献中均指出，急需构建一个综合的数据库。

无人机探测方法：雷达、视频监控、声学传感器、wifi嗅探、射频传感。我们发现基于射频传感的无人机检测和识别方法足以用于现实生活场景，但是缺乏无人机RF信号的大型标记数据库，这促使我们建立一个开源数据库。

无人机检测技术：深度学习、目标检测、信号压缩等。其中DNN很有优势，这促使我们利用DNN设计无人机检测和识别系统。

Methodology

System model

系统模型可以分为两个子系统：射频数据收集、无人机检测识别。

射频数据收集：上一篇文章有介绍。

无人机检测和识别：先信号转换，再用神经网络识别。

RF Database development

数据库在上一篇文章介绍。这里重复了，略。

Drone detection and identification

数据：将两个接收器的数据，经过离散傅里叶变换（DFT），再通过公式将两个连接成一个，构建整个RF频谱（最后还有一个归一化操作，公式去看论文）。

模型结构：3层（一个输入，两个隐藏，一个输出）；梯度下降法；均方误差。

三个模型：检测无人机的存在（二分类）；识别无人机（四分类）；识别飞行模型（10分类）。

10折交叉验证，混淆矩阵进行评估。

Results and discussions

此外，我们还将数据库分割了 100 倍，以增加段数以便更好地学习并确保射频信号的即时表示。

信号转换：每个RF段使用MATLAB FFT函数 2048频率 转换；然后按照公式将L和H结合（包括归一化）。

笔记：原始segment是227（每个segment包括L和H两个）；分割100倍x100；FFT变换x2048；L和H结合；因此，最终样本数是227x100x2048=46489600和论文一致。

看下图：上文还在说46489600，下图样本数量和怎么多了100倍？

Conclusions

我们收集了数据。并用三个DNN分类，发现分类数量越多，分类效果越差。