АЛГОРИТМ АВТОМАТИЧНОГО ВИЯВЛЕННЯ СИГНАЛІВ КОМАНДНО-ТЕЛЕМЕТРИЧНИХ РАДІОЛІНІЙ БЕЗПІЛОТНИХ ЛІТАЛЬНИХ АПАРАТІВ В УМОВАХ СКЛАДНОЇ РАДІОЕЛЕКТРОННОЇ ОБСТАНОВКИ
DOI:
https://doi.org/10.46972/2076-1546.2024.26.01Ключові слова:
безпілотний літальний апарат, командно-телеметрична радіолінія, періодограма, частотний канал, псевдовипадкова перебудова робочої частотиАнотація
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/
##submission.downloads##
Опубліковано
Версії
- 2024-10-30 (2)
- 2024-08-08 (1)
Як цитувати
Номер
Розділ
Ліцензія
Ця робота ліцензується відповідно до Creative Commons Attribution-NonCommercial-NoDerivatives 4.0 International License.
Автори залишають за собою право на авторство своєї роботи та передають журналу право першої публікації цієї роботи на умовах ліцензії Creative Commons Attribution License, котра дозволяє іншим особам вільно розповсюджувати опубліковану роботу з обов'язковим посиланням на авторів оригінальної роботи та першу публікацію роботи у цьому журналі.
