АЛГОРИТМ АВТОМАТИЧНОГО ВИЯВЛЕННЯ СИГНАЛІВ КОМАНДНО-ТЕЛЕМЕТРИЧНИХ РАДІОЛІНІЙ БЕЗПІЛОТНИХ ЛІТАЛЬНИХ АПАРАТІВ В УМОВАХ СКЛАДНОЇ РАДІОЕЛЕКТРОННОЇ ОБСТАНОВКИ

Микола Вікторович  Бугайов; Богдан Валентинович  Молодецький

doi:10.46972/2076-1546.2024.26.01

Автор(и)

Микола Вікторович Бугайов Житомирський військовий інститут імені С. П. Корольова, Україна https://orcid.org/0000-0003-0899-9843
Богдан Валентинович Молодецький Міністерство оборони України, Україна https://orcid.org/0000-0002-2704-7963

DOI:

https://doi.org/10.46972/2076-1546.2024.26.01

Ключові слова:

безпілотний літальний апарат, командно-телеметрична радіолінія, періодограма, частотний канал, псевдовипадкова перебудова робочої частоти

Анотація

Останнім часом зростає інтенсивність застосування безпілотних літальних апаратів як для ведення розвідки, так і для завдання вогневого ураження. Управління такими апаратами та передавання телеметричної інформації здійснюється з використанням суміщеної командно-телеметричної радіолінії та технології псевдовипадкової перебудови робочої частоти. У таких умовах особливо актуальним стає завдання розроблення автоматичних алгоритмів виявлення та розділення сигналів командно-телеметричної радіолінії для малогабаритних засобів радіомоніторингу.

Метою роботи є розширення можливостей малогабаритних засобів радіомоніторингу щодо виявлення радіосигналів безпілотних літальних апаратів в умовах складної радіоелектронної обстановки за рахунок автоматизації процесів оброблення сигналів.

Формально завдання дослідження зводиться до виявлення та розділення кількох сигналів із псевдовипадковою перебудовою робочої частоти в одній смузі частот. Для його вирішення необхідно виявити частотні канали, оцінити частотні та, за необхідності, часові й модуляційні параметри сигналів у них. Оцінки значень параметрів сигналів записують в асоціативні масиви. У роботі запропоновано схему алгоритму автоматичного виявлення та розділення сигналів із псевдовипадковою перебудовою робочої частоти, а також структуру масиву з результатами аналізу смуги частот.

У ході дослідження розробленого алгоритму було розглянуто практично важливий варіант розділення сигналів командно-телеметричних радіоліній із псевдовипадковою перебудовою робочої частоти за шириною спектра частотного елемента та значенням відношення сигнал-шум у частотному каналі, оскільки ці ознаки можуть бути досить просто виділені в частотній області. Розділення сигналів командно-телеметричних радіоліній проводилося шляхом кластерного аналізу діаграм розсіювання пар значень оцінок параметрів із використанням моделі суміші гаусевих розподілів.

Розроблений алгоритм може бути реалізований у сучасних і перспективних малогабаритних засобах радіомоніторингу для автоматичного виявлення та визначення кількості безпілотних літальних апаратів за сигналами їх командно-телеметричної радіолінії, зокрема в умовах апріорної невизначеності щодо значень параметрів сигналів.

Посилання

Kaplan, B., Kahraman, I., & Görçin, A. et al. (2020). Measurement Based FHSS-type Drone Controller Detection at 2.4 GHz: An STFT Approach. In IEEE 91st Vehicular Technology Conference (VTC 2020-Spring). Antwerp, Belgium, 2020. (pp. 1‒6). https://doi.org/10.1109/VTC2020-Spring48590.2020.9129525

Torba, A. A., Torba, M. O., & Torba, O. O. (2020). Radiochastotni kompleksy vyiavlennia malorozmirnykh bezpilotnykh litalnykh aparativ [Radio Frequency Complexes for Detection of Small Unmanned Aerial Vehicles]. Systemy upravlinnia, navihatsii ta zv’iazku [Control, Navigation and Communication Systems], Iss. 4 (62), 21‒24. https://doi.org/10.26906/SUNZ.2020.4.021 [in Ukrainian].

Nahorniuk, O. A. (2023). Baza danykh dlia avtomatyzovanoho rozpiznavannia typu bezpilotnoho aviatsiinoho kompleksu za yoho radiosyhnalamy [Data Base of Radio Signals of Unmanned Aviation Complexes]. Problemy stvorennia, vyprobuvannia, zastosuvannia ta ekspluatatsii skladnykh informatsiinykh system : zb. nauk. prats [Problems of Construction, Testing, Application and Operation of Complex Information Systems. Scientific journal of Korolov Zhytomyr Military Institute], Iss. 25 (I), 39‒49. Zhytomyr: ZhMI. https://doi.org/10.46972/2076-1546.2023.25.04 [in Ukrainian].

Horn, C., Nyfeler, M., Müller, G., & Schuepbach, C. (2022). Drone Radio Signal Detection with Multi-timescale Deep Neural Networks. In 4th International Conference on Advances in Signal Processing and Artificial Intelligence (ASPAI' 2022). October19‒21, 2022. Corfu, Greece. (pp. 140‒143). https://doi.org/10.21256/zhaw-27185

Xie, Y. L., Jiang, P., Xiao, X. (2021). Grouping Parallel Detection Method of UAV Based on Multi Features of Image Transmission Signal. Radioengineering, Vol. 30, Iss. 3, 556‒568. https://doi.org/10.13164/re.2021.0556

Morge-Rollet, L., Le Jeune, D., & Le Roy, F. et al. (2022). Drone Detection and Classiﬁcation Using Physical-Layer Protocol Statistical Fingerprint. Sensors, Vol. 22. https://doi.org/10.3390/s22176701

Nilsen, M., Shetty, S., Gold, K., & Kamhoua, C. Machine Learning Empowered Radio Frequency Signal Classification for UAS Detection. STO-MP-MSG-SET-183.

Nemer, I. et al. (2021). RF-Based UAV Detection and Identiﬁcation Using Hierarchical Learning Approach. Sensors, Vol. 21, Iss 6. https://doi.org/10.3390/s21061947

Shorten, D., Srivastava, S., Murray, J. Localization of Drone Controllers from RF Signals Using a Deep Learning Approach. In PRAI’18. August 2018. New Jersey, USA. (pp. 89–97). https://doi.org/10.1145/3243250.3243272

Medaiyese, O., Ezuma, M., Lauf, A., & Guvenc, I. (2022). Wavelet Transform Analytics for RF-Based UAV Detection and Identiﬁcation System Using Machine Learning. Pervasive and Mobile Computing, Vol. 82. https://doi.org/10.1016/j.pmcj.2022.101569

Mo, Y., Huang, J., & Qia,n G. (2022). Deep Learning Approach to UAV Detection and Classiﬁcation by Using Compressively Sensed RF Signal. Sensors, Vol. 22. https://doi.org/10.3390/s22083072

Almasri, M. (2021). Deep Learning for RF-based Drone Detection and Identiﬁcation using Welch’s Method. In Proceedings of the 10th International Conference on Data Science, Technology and Applications. (pp. 208‒214). https://doi.org/10.5220/0010530302080214

Huynh-The, Т. et al. (2016). RF-UAVNet: High-PerformanceConvolutional Network for RF-based Drone Surveillance System. IEEE Access, Vol. 4. https://doi.org/10.1109/ACCESS.2022.3172787

Yang, S. et al. (2021). RF Signal-Based UAV Detection and Mode Classiﬁcation: A Joint Feature Engineering Generator and Multi-Channel Deep Neural Network Approach. Entropy (Basel), Vol. 23 (12). https://doi.org/10.3390/e23121678

Zhang, Z., Ouyang, W., Gao, H., & Jing, X. (2023). Edge UAV Detection Based on Cyclic Spectral Feature: An Intelligent Scheme. Wireless Communications and Mobile Computing. https://doi.org/10.1155/2023/3770982

Mehouachi, F. B. et al. (2021). Detection of UAVs Based on Spectrum Monitoring and Deep Learning in Negative SNR Conditions. URSI Radio Science Letters, Vol. 3. https://doi.org/10.46620/21-0043

Nahorniuk, O. A. (2023). Metod avtomatyzovanoho vyznachennia moduliatsiinykh parametriv korotkotryvalykh radiosyhnaliv z dvopozytsiinoiu chastotnoiu manipuliatsiieiu [Method of Automated Determination of Modulation Parameters of Short-Duration Radio Signals with Two-Position Frequency Manipulation]. Visnyk NTUU "KPI". Seriia Radiotekhnika, Radioaparatobuduvannia [Bulletin of NTUU "KPI". The series Radio Engineering, Radio Equipment Construction], Iss. 93, 31‒38. https://doi.org/10.20535/RADAP.2023.93.31-38 [in Ukrainian].

Nahorniuk, O. A. (2020). Metodyka avtomatychnoho vyznachennia parametriv radiosyhnaliv iz psevdovypadkovym perestroiuvanniam robochoi chastoty [Method of Automatic Determination of Parameters of Radio Signals with Pseudo-Random Adjustment of the Operating Frequency]. Visnyk NTUU "KPI". Seriia Radiotekhnika, Radioaparatobuduvannia [Bulletin of NTUU "KPI". The series Radio Engineering, Radio Equipment Construction], Iss. 80, 31‒38. https://doi.org/10.20535/RADAP.2020.80.31-38 [in Ukrainian].

Nahorniuk, O. A. (2024). Metod avtomatychnoho vyznachennia parametriv radiosyhnaliv sformovanykh za standartom LoRa [Method of Automatic Determination of Parameters of Radio Signals Generated According to the LoRa Standard]. Visnyk NTUU "KPI". Seriia Radiotekhnika, Radioaparatobuduvannia [Bulletin of NTUU "KPI". The series Radio Engineering, Radio Equipment Construction], Iss. 95, 23‒30. https://doi.org/10.20535/RADAP.2024.95.23-30 [in Ukrainian].

Buhaiov, M. V., Zakirov, S. V., Kliaznyka, V. V., & Honcharov, D. O. (2023). Avtomatychnyi analiz zavantazhenosti radiochastotnoho spektra ta selektsiia syhnaliv [Automatic Spectrum Sensing AND Signal Selection]. Problemy stvorennia, vyprobuvannia, zastosuvannia ta ekspluatatsii skladnykh informatsiinykh system : zb. nauk. prats [Problems of Construction, Testing, Application and Operation of Complex Information Systems. Scientific journal of Korolov Zhytomyr Military Institute], Iss. 25 (I), 4‒18. https://doi.org/10.46972/2076-1546.2023.25.01 [in Ukrainian].

Buhaiov, M. V. (2024). Аlgorithm for Spectrum Sensing and Signal Selection by External Parameters. Visnyk NTUU "KPI". Seriia Radiotekhnika, Radioaparatobuduvannia [Bulletin of NTUU "KPI". The series Radio Engineering, Radio Equipment Construction], Iss. 95, 5‒15. https://doi.org/10.20535/RADAP.2024.95.5-15

Morehouse, T., Montes, C., & Zhou, R. (2023). Faster Region-Based CNN Spectrum Sensing and Signal Identiﬁcation in Cluttered RF Environments. Electrical Engineering and Systems Science. https://doi.org/10.48550/arXiv.2302.09854

Li, W., Wang, K., & You, L. (2020). A Deep Convolutional Network for Multitype Signal Detection and Classification in Spectrogram. Mathematical Problems in Engineering. https://doi.org/10.1155/2020/9797302

Zha, X. et al. (2019). A Deep Learning Framework for Signal Detection and Modulation Classiﬁcation. Sensors, Vol. 19. https://doi.org/10.3390/s19184042

Buhaiov, M. V. (2023). Method of Complex Envelope Processing for Signal Edges Detection. Visnyk NTUU "KPI". Seriia Radiotekhnika, Radioaparatobuduvannia [Bulletin of NTUU "KPI". The series Radio Engineering, Radio Equipment Construction], Iss. 92, 54−59. https://doi.org/10.20535/RADAP.2023.92.54-59

Buhaiov, M. V. (2023). Energy Detector of Stochastic Signals in Noise Uncertainty. Visnyk NTUU "KPI". Seriia Radiotekhnika, Radioaparatobuduvannia [Bulletin of NTUU "KPI". The series Radio Engineering, Radio Equipment Construction], Iss. 94, 2−40. https://doi.org/10.20535/RADAP.2023.94.32-40

VanderPlas, J. (2017). Python Data Science Handbook. Essential Tools for Working with Data. O’Reilly Media.

Tibshirani, R., Walther, G., & Hastie, T. (2001). Estimating the Number of Clusters in a Data Set Via the Gap Statistic. Journal of the Royal Statistical Society Series B: Statistical Methodology, July, Vol. 63, Iss. 2, 411–423. https://doi.org/10.1111/1467-9868.00293

Yuan, C., & Yang, H. (2019). Research on K-Value Selection Method of K-Means Clustering Algorithm. Multidisciplinary Scientific Journal, Vol. 2 (2), 226‒235. https://doi.org/10.3390/j2020016

Cheat Sheet for Implementing 7 Methods for Selecting the Optimal Number of Clusters in Python. (n.d.). Retrived from https://towardsdatascience.com/cheat-sheet-to-implementing-7-methods-for-selecting-optimal-number-of-clusters-in-python-898241e1d6ad/

Determining the Number of Clusters: A Comprehensive Guide. (n.d.). Retrived from https://therised.medium.com/determining-the-number-of-clusters-a-comprehensive-guide-1a2441c5a526/