【毕业设计】SVM 分类器和深度学习的方法对多种无人机型号进行分类识别【程序+论文】

利用 SVM 分类器和深度学习的方法对多种无人机型号进行分类识别，但是对于同种型
号无人机不同个体识别率不高，射频指纹（Radio Frequency Distinct Native Attribute，RFDNA）的提出为解决这一问题提供了思路，射频指纹仅与自身的物理硬件特征相关，是表征
设备的个体的独有特征，因此本章将进一步利用 RF-DNA 的方法对不同类型及同类型无人
机不同个体进行识别。
5.1 无人机遥控信号模型
从无人机遥控信号方面入手可以有效识别无人机。在民用无人机领域中所使用的遥控
信号一般使用以跳频方式实现的信号传输[44]，所以遥控信号就是用于控制无人机的跳频信号，
也用于实现对无人机的控制。由于跳频通信系统优异的通信抗干扰性能，能够有效的控制无
人机飞行，且在通讯对抗中得到了广泛应用。跳频信号数学模型为：

从图 5.1 和图 5.2 能够明显看出不同型号的无人机瞬态部分明显不同，同种型号不同
无人机的瞬态部分差异不明显。
瞬态部分的信号是在信号功率由零功率转换为额定功率的期间产生，所以通常存在于
物理设备的启动时刻[45]。瞬态部分的信号是不存在无人机信号信息的，仅跟无人机自身硬
件设备、电路设计及调制技术有关[46]，导致不同无人机瞬态部分有些差异，因此每个设备
的瞬态部分具有唯一性，所以能够根据瞬态部分的信息不仅能够区分无人机型号，而且还
能够唯一确定具体是哪台无人机。因此本章将会根据瞬态部分的特性利用 RF-DNA 的方法
识别无人机。
5.2 RF-DNA 特征提取及分类识别
射频指纹技术是对设备的无线信号进行分析，并从中提取出其独有的特性[47]，仅与自身
的物理硬件特性有关。RF-DNA 五个特性分别为：通用性是指能够正常使用射频指纹识别系
统；唯一性是指不同设备的射频指纹各有特点；稳健性是指在各种复杂的环境下射频指纹系
统能够保持稳定[48]；独立性指的是射频指纹只与设备的硬件特性有关，与设备发射的信号无
关；长时不变性指的是射频指纹特性不随设备使用时间的变化而变化，即同个设备新设备与
旧设备的射频指纹特性一致。
RF-DNA 特征提取方法步骤如下：
步骤 1：无人机持续时间信号经过希尔伯特变换后得到信号的数学表达式是：