(19)國(guó)家知識(shí)產(chǎn)權(quán)局(22)申請(qǐng)日2025.05.27217號(hào)北斗產(chǎn)業(yè)園1棟黎世豪事務(wù)所(普通合伙)43240本發(fā)明提供了一種無(wú)人機(jī)射頻信號(hào)識(shí)別方生成時(shí)頻圖；對(duì)所述時(shí)頻圖進(jìn)行主成分分析降化后的深度神經(jīng)網(wǎng)絡(luò)模型對(duì)所述時(shí)頻圖進(jìn)行分類識(shí)別，實(shí)現(xiàn)了在不同信噪比條件下精確的對(duì)無(wú)2S1.從無(wú)人機(jī)射頻信號(hào)數(shù)據(jù)集中加載信號(hào)數(shù)據(jù)，所述數(shù)據(jù)集包含不同無(wú)人機(jī)機(jī)型、探測(cè)距離及信號(hào)片段標(biāo)簽；S2.將所述信號(hào)數(shù)據(jù)分割為多段互不重疊的連續(xù)采樣點(diǎn)序列；S3.向所述信號(hào)數(shù)據(jù)中添加不同功率的高斯加性白噪聲，構(gòu)建包含多個(gè)信噪比的訓(xùn)練數(shù)據(jù)集；S4.對(duì)所述信號(hào)數(shù)據(jù)進(jìn)行短時(shí)傅里葉變換以生成時(shí)頻圖；S5.對(duì)所述時(shí)頻圖進(jìn)行主成分分析降維，提取關(guān)鍵時(shí)頻特征；S6.采用k-fold交叉驗(yàn)證策略對(duì)深度神經(jīng)網(wǎng)絡(luò)模型進(jìn)行超參數(shù)優(yōu)化；S7.利用優(yōu)化后的深度神經(jīng)網(wǎng)絡(luò)模型對(duì)所述時(shí)頻圖進(jìn)行分類識(shí)別。2.根據(jù)權(quán)利要求1所述的方法，其特征在于，所述步驟S3中，所述信噪比范圍為-20dB至20dB,且以5dB為間隔劃分。3.根據(jù)權(quán)利要求1所述的方法，其特征在于，所述步驟S5,包括：根據(jù)所述時(shí)頻圖構(gòu)建特征樣本集，并對(duì)所述特征樣本集進(jìn)行去中心化處理以確定目標(biāo)樣本；計(jì)算所述目標(biāo)樣本對(duì)應(yīng)的協(xié)方差矩陣以確定特征值和特征向量；根據(jù)所述特征值和特征向量確定主成分分析中的貢獻(xiàn)率；根據(jù)所述主成分分析中的貢獻(xiàn)率對(duì)目標(biāo)特征向量進(jìn)行降維以提取關(guān)鍵時(shí)頻特征。4.根據(jù)權(quán)利要求3所述的方法，其特征在于，所述根據(jù)所述主成分分析中的貢獻(xiàn)率對(duì)目標(biāo)特征向量進(jìn)行降維以提取關(guān)鍵時(shí)頻特征的步驟，包括：獲取主成分分析中的貢獻(xiàn)率；;對(duì)@;進(jìn)行排序，并選取貢獻(xiàn)率大于93%的特征向量作為目標(biāo)特征向量；對(duì)所述目標(biāo)特征向量進(jìn)行降維以提取關(guān)鍵時(shí)頻特征。獲取深度神經(jīng)網(wǎng)絡(luò)模型；將訓(xùn)練集劃分為K個(gè)子集，依次以每個(gè)子集作為驗(yàn)證集同時(shí)將其他子集作為訓(xùn)練集對(duì)所述深度神經(jīng)網(wǎng)絡(luò)模型進(jìn)行迭代訓(xùn)練；通過網(wǎng)格搜索策略在預(yù)設(shè)超參數(shù)空間內(nèi)選擇最優(yōu)參數(shù)組合。6.根據(jù)權(quán)利要求5所述的方法，其特征在于，所述超參數(shù)包括學(xué)習(xí)率、批量大小、隱藏層節(jié)點(diǎn)數(shù)及激活函數(shù)類型。7.根據(jù)權(quán)利要求1所述的方法，其特征在于，所述利用優(yōu)化后的深度神經(jīng)網(wǎng)絡(luò)模型對(duì)所述時(shí)頻圖進(jìn)行分類識(shí)別的步驟，包括：利用優(yōu)化后的深度神經(jīng)網(wǎng)絡(luò)模型對(duì)所述時(shí)頻圖進(jìn)行分類識(shí)別以確定準(zhǔn)確率、精確率、召回率及F1分?jǐn)?shù)。數(shù)據(jù)獲取模塊，用于從無(wú)人機(jī)射頻信號(hào)數(shù)據(jù)集中加載信號(hào)數(shù)據(jù)，所述數(shù)據(jù)集包含不同無(wú)人機(jī)機(jī)型、探測(cè)距離及信號(hào)片段標(biāo)簽；數(shù)據(jù)分割模塊，用于將所述信號(hào)數(shù)據(jù)分割為多段互不重疊的連續(xù)采樣點(diǎn)序列；3數(shù)據(jù)集構(gòu)建模塊，用于向所述信號(hào)數(shù)據(jù)中添加不同功率的高斯加性白噪聲，構(gòu)建包含多個(gè)信噪比的訓(xùn)練數(shù)據(jù)集；時(shí)頻圖模塊，用于對(duì)所述信號(hào)數(shù)據(jù)進(jìn)行短時(shí)傅里葉變換以生成時(shí)頻圖；特征提取模塊，用于對(duì)所述時(shí)頻圖進(jìn)行主成分分析降維，提取關(guān)鍵時(shí)頻特征以更新；優(yōu)化模塊，用于采用k-fold交叉驗(yàn)證策略對(duì)深度神經(jīng)網(wǎng)絡(luò)模型進(jìn)行超參數(shù)優(yōu)化；識(shí)別模塊，用于利用優(yōu)化后的深度神經(jīng)網(wǎng)絡(luò)模型對(duì)所述時(shí)頻圖進(jìn)行分類識(shí)別。述存儲(chǔ)器存儲(chǔ)的計(jì)算機(jī)指令時(shí)，執(zhí)行如權(quán)利要求1至7中任一項(xiàng)所述的方法。10.一種計(jì)算機(jī)可讀存儲(chǔ)介質(zhì)，其特征在于，包括指令，當(dāng)所述指令在計(jì)算機(jī)上運(yùn)行時(shí)，使得計(jì)算機(jī)執(zhí)行如權(quán)利要求1至7中任一項(xiàng)所述的方法。4一種無(wú)人機(jī)射頻信號(hào)識(shí)別方法及相關(guān)裝置技術(shù)領(lǐng)域[0001]本申請(qǐng)涉及深度學(xué)習(xí)技術(shù)領(lǐng)域，尤其是涉及一種無(wú)人機(jī)射頻信號(hào)識(shí)別方法及相關(guān)背景技術(shù)[0002]無(wú)人機(jī)具有體積小、成本低、操縱簡(jiǎn)單和安全性高等優(yōu)勢(shì)，已廣泛用于多個(gè)重要領(lǐng)域，如農(nóng)業(yè)灌溉、航拍測(cè)繪、緊急救援和電力巡檢等。但由于目前缺少完善的無(wú)人機(jī)監(jiān)管技其中，利用深度學(xué)習(xí)模型對(duì)無(wú)人機(jī)飛控/圖傳信號(hào)的時(shí)頻特征(如短時(shí)傅里葉變換),具有探[0003]目前，深度學(xué)習(xí)在無(wú)人機(jī)射頻信號(hào)分類識(shí)別中展現(xiàn)出顯著優(yōu)勢(shì)，但也面臨一些挑戰(zhàn)。傳統(tǒng)深度學(xué)習(xí)模型在無(wú)人機(jī)射頻信號(hào)識(shí)別任務(wù)中存在一定的局限性，其識(shí)別性能在不同信噪比條件下表現(xiàn)不夠穩(wěn)定，且準(zhǔn)確率有待進(jìn)一步提升。[0004]因此，如何對(duì)深度學(xué)習(xí)模型進(jìn)行優(yōu)化，使其能夠更好地應(yīng)對(duì)在無(wú)人機(jī)使用環(huán)境下多樣化的目標(biāo)識(shí)別需求成為了亟待解決的技術(shù)問題。發(fā)明內(nèi)容[0005]本發(fā)明的核心在于提供一種無(wú)人機(jī)射頻信號(hào)識(shí)別方法及相關(guān)裝置，解決現(xiàn)有技術(shù)中傳統(tǒng)深度學(xué)習(xí)模型在無(wú)人機(jī)射頻信號(hào)識(shí)別任務(wù)中存在一定的局限性的問題。[0006]第一方面，本申請(qǐng)?zhí)峁┑囊环N無(wú)人機(jī)射頻信號(hào)識(shí)別方法采用如下的技術(shù)方案：S1.從無(wú)人機(jī)射頻信號(hào)數(shù)據(jù)集中加載信號(hào)數(shù)據(jù)，所述數(shù)據(jù)集包含不同無(wú)人機(jī)機(jī)型、探測(cè)距離及信號(hào)片段標(biāo)簽；S2.將所述信號(hào)數(shù)據(jù)分割為多段互不重疊的連續(xù)采樣點(diǎn)序列；S3.向所述信號(hào)數(shù)據(jù)中添加不同功率的高斯加性白噪聲，構(gòu)建包含多個(gè)信噪比的訓(xùn)練數(shù)據(jù)集；S4.對(duì)所述信號(hào)數(shù)據(jù)進(jìn)行短時(shí)傅里葉變換以生成時(shí)頻圖；S5.對(duì)所述時(shí)頻圖進(jìn)行主成分分析降維，提取關(guān)鍵時(shí)頻特征；S6.采用k-fold交叉驗(yàn)證策略對(duì)深度神經(jīng)網(wǎng)絡(luò)模型進(jìn)行超參數(shù)優(yōu)化；S7.利用優(yōu)化后的深度神經(jīng)網(wǎng)絡(luò)模型對(duì)所述時(shí)頻圖進(jìn)行分類識(shí)別。[0007]可選地，所述步驟S3中，所述信噪比范圍為-20dB至20dB,且以5dB為間隔劃分。根據(jù)所述時(shí)頻圖構(gòu)建特征樣本集，并對(duì)所述特征樣本集進(jìn)行去中心化處理以確定計(jì)算所述目標(biāo)樣本對(duì)應(yīng)的協(xié)方差矩陣以確定特征值和特征向量；根據(jù)所述特征值和特征向量確定主成分分析中的貢獻(xiàn)率；5根據(jù)所述主成分分析中的貢獻(xiàn)率對(duì)目標(biāo)特征向量進(jìn)行降維以提取關(guān)鍵時(shí)頻特征。[0009]可選地，所述根據(jù)所述主成分分析中的貢獻(xiàn)率對(duì)目標(biāo)特征向量進(jìn)行降維以提取關(guān)鍵時(shí)頻特征的步驟，包括：獲取主成分分析中的貢獻(xiàn)率W;;對(duì)@i進(jìn)行排序，并選取貢獻(xiàn)率大于93%的特征向量作為目標(biāo)特征向量；對(duì)所述目標(biāo)特征向量進(jìn)行降維以提取關(guān)鍵時(shí)頻特征。獲取深度神經(jīng)網(wǎng)絡(luò)模型；將訓(xùn)練集劃分為K個(gè)子集，依次以每個(gè)子集作為驗(yàn)證集同時(shí)將其他子集作為訓(xùn)練集對(duì)所述深度神經(jīng)網(wǎng)絡(luò)模型進(jìn)行迭代訓(xùn)練；通過網(wǎng)格搜索策略在預(yù)設(shè)超參數(shù)空間內(nèi)選擇最優(yōu)參數(shù)組合。[0011]可選地，所述超參數(shù)包括學(xué)習(xí)率、批量大小、隱藏層節(jié)點(diǎn)數(shù)及激活函數(shù)類型。[0012]可選地，所述利用優(yōu)化后的深度神經(jīng)網(wǎng)絡(luò)模型對(duì)所述時(shí)頻圖進(jìn)行分類識(shí)別的步利用優(yōu)化后的深度神經(jīng)網(wǎng)絡(luò)模型對(duì)所述時(shí)頻圖進(jìn)行分類識(shí)別以確定準(zhǔn)確率、精確率、召回率及F1分?jǐn)?shù)。[0013]第二方面，本申請(qǐng)?zhí)峁┮环N無(wú)人機(jī)射頻信號(hào)識(shí)別裝置，執(zhí)行如上文所述的方法，包數(shù)據(jù)獲取模塊，用于從無(wú)人機(jī)射頻信號(hào)數(shù)據(jù)集中加載信號(hào)數(shù)據(jù)，所述數(shù)據(jù)集包含不同無(wú)人機(jī)機(jī)型、探測(cè)距離及信號(hào)片段標(biāo)簽；數(shù)據(jù)分割模塊，用于將所述信號(hào)數(shù)據(jù)分割為多段互不重疊的連續(xù)采樣點(diǎn)序列；數(shù)據(jù)集構(gòu)建模塊，用于向所述信號(hào)數(shù)據(jù)中添加不同功率的高斯加性白噪聲，構(gòu)建包含多個(gè)信噪比的訓(xùn)練數(shù)據(jù)集；時(shí)頻圖模塊，用于對(duì)所述信號(hào)數(shù)據(jù)進(jìn)行短時(shí)傅里葉變換以生成時(shí)頻圖；特征提取模塊，用于對(duì)所述時(shí)頻圖進(jìn)行主成分分析降維，提取關(guān)鍵時(shí)頻特征以更優(yōu)化模塊，用于采用k-fold交叉驗(yàn)證策略對(duì)深度神經(jīng)網(wǎng)絡(luò)模型進(jìn)行超參數(shù)優(yōu)化；識(shí)別模塊，用于利用優(yōu)化后的深度神經(jīng)網(wǎng)絡(luò)模型對(duì)所述時(shí)頻圖進(jìn)行分類識(shí)別。[0014]第三方面，本申請(qǐng)?zhí)峁┮环N計(jì)算機(jī)設(shè)備，所述設(shè)備包括：存儲(chǔ)器、處理器，所述處理器在運(yùn)行所述存儲(chǔ)器存儲(chǔ)的計(jì)算機(jī)指令時(shí)，執(zhí)行如上文所述的方法。[0015]第四方面，本申請(qǐng)?zhí)峁┮环N計(jì)算機(jī)可讀存儲(chǔ)介質(zhì)，包括指令，當(dāng)所述指令在計(jì)算機(jī)上運(yùn)行時(shí)，使得計(jì)算機(jī)執(zhí)行如上文所述的方法。[0016]綜上描述，本申請(qǐng)包括以下有益技術(shù)效果：本申請(qǐng)通過從無(wú)人機(jī)射頻信號(hào)數(shù)據(jù)集中加載信號(hào)數(shù)據(jù)，所述數(shù)據(jù)集包含不同無(wú)人機(jī)機(jī)型、探測(cè)距離及信號(hào)片段標(biāo)簽；將所述信號(hào)數(shù)據(jù)分割為多段互不重疊的連續(xù)采樣點(diǎn)序列；向所述信號(hào)數(shù)據(jù)中添加不同功率的高斯加性白噪聲，構(gòu)建包含多個(gè)信噪比的訓(xùn)練數(shù)據(jù)集；對(duì)所述信號(hào)數(shù)據(jù)進(jìn)行短時(shí)傅里葉變換以生成時(shí)頻圖；對(duì)所述時(shí)頻圖進(jìn)行主成分分析降維，提取關(guān)鍵時(shí)頻特征；采用k-fold交叉驗(yàn)證策略對(duì)深度神經(jīng)網(wǎng)絡(luò)模型進(jìn)行超參數(shù)優(yōu)化；利6用優(yōu)化后的深度神經(jīng)網(wǎng)絡(luò)模型對(duì)所述時(shí)頻圖進(jìn)行分類識(shí)別，實(shí)現(xiàn)了在不同信噪比條件下精確的對(duì)無(wú)人機(jī)射頻信號(hào)進(jìn)行識(shí)別的技術(shù)效果。附圖說明[0017]圖1是本申請(qǐng)實(shí)施例方案涉及的硬件運(yùn)行環(huán)境的計(jì)算機(jī)設(shè)備結(jié)構(gòu)示意圖。[0018]圖2是本申請(qǐng)無(wú)人機(jī)射頻信號(hào)識(shí)別方法第一實(shí)施例的流程示意圖。[0020]圖4是本申請(qǐng)DNN與DNN+Cross的訓(xùn)練過程中準(zhǔn)確率變化曲線圖。[0021]圖5是本申請(qǐng)無(wú)人機(jī)射頻信號(hào)識(shí)別裝置第一實(shí)施例的結(jié)構(gòu)框圖。具體實(shí)施方式[0022]為了使本申請(qǐng)的目的、技術(shù)方案及優(yōu)點(diǎn)更加清楚明白，以下通過附圖及實(shí)施例，對(duì)本申請(qǐng)進(jìn)行進(jìn)一步詳細(xì)說明。應(yīng)當(dāng)理解，此處所描述的具體實(shí)施例僅用以解釋本申請(qǐng)，并不用于限定本申請(qǐng)。[0023]參照?qǐng)D1,圖1為本申請(qǐng)實(shí)施例方案涉及的硬件運(yùn)行環(huán)境的計(jì)算機(jī)設(shè)備結(jié)構(gòu)示意[0024]如圖1所示，計(jì)算機(jī)設(shè)備可以包括：處理器1001,例如中央處理器(CentralProcessingUnit,CPU),通信總線1002,用戶接口1003,網(wǎng)絡(luò)接口1004,存儲(chǔ)器1005。其中，(Display)、輸入單元比如鍵盤(Keyboard),可選用戶接口1003還可以包括標(biāo)準(zhǔn)的有線接口、無(wú)線接口。網(wǎng)絡(luò)接口1004可選的可以包括標(biāo)準(zhǔn)的有線接口、無(wú)線接口(如無(wú)線保真(Wireless-Fidelity,Wi-Fi)接口)。存儲(chǔ)器1005可以是高速的隨機(jī)存取存儲(chǔ)器(RandomAccessMemory,RAM),也可以是穩(wěn)定的非易失性存儲(chǔ)器(Non-Volatil磁盤存儲(chǔ)器。存儲(chǔ)器1005可選的還可以是獨(dú)立于前述處理器1001的存儲(chǔ)裝置。[0025]本領(lǐng)域技術(shù)人員可以理解，圖1中示出的結(jié)構(gòu)并不構(gòu)成對(duì)計(jì)算機(jī)設(shè)備的限定，可以包括比圖示更多或更少的部件，或者組合某些部件，或者不同的部件布置。[0026]如圖1所示，作為一種存儲(chǔ)介質(zhì)的存儲(chǔ)器1005中可以包括操作系統(tǒng)、網(wǎng)絡(luò)通信模塊、用戶接口模塊以及無(wú)人機(jī)射頻信號(hào)識(shí)別程序。[0027]在圖1所示的計(jì)算機(jī)設(shè)備中，網(wǎng)絡(luò)接口1004主要用于與網(wǎng)絡(luò)服務(wù)器進(jìn)行數(shù)據(jù)通信；用戶接口1003主要用于與用戶進(jìn)行數(shù)據(jù)交互；本申請(qǐng)中的處理器1001、存儲(chǔ)器1005可以設(shè)置于計(jì)算機(jī)設(shè)備中，所述計(jì)算機(jī)設(shè)備通過處理器1001調(diào)用存儲(chǔ)器1005中存儲(chǔ)的無(wú)人機(jī)射頻信號(hào)識(shí)別程序，并執(zhí)行本申請(qǐng)實(shí)施例提供的無(wú)人機(jī)射頻信號(hào)識(shí)別方法。[0028]本申請(qǐng)實(shí)施例提供了一種無(wú)人機(jī)射頻信號(hào)識(shí)別方法，參照?qǐng)D2,圖2為本申請(qǐng)無(wú)人機(jī)射頻信號(hào)識(shí)別方法第一實(shí)施例的流程示意圖。[0029]本實(shí)施例中，無(wú)人機(jī)射頻信號(hào)識(shí)別方法包括以下步驟：S1.從無(wú)人機(jī)射頻信號(hào)數(shù)據(jù)集中加載信號(hào)數(shù)據(jù)，所述數(shù)據(jù)集包含不同無(wú)人機(jī)機(jī)型、探測(cè)距離及信號(hào)片段標(biāo)簽。RF:無(wú)線電射頻RadioFrequency的簡(jiǎn)寫，指利用特定頻率的電磁波(通常為3kHz-7300GHz頻段)進(jìn)行信號(hào)傳輸與通信的技術(shù)。在無(wú)人機(jī)偵測(cè)領(lǐng)域，RF特指無(wú)人機(jī)與遙控器、地面站之間通信的射頻信號(hào)(如遙控指令、圖傳數(shù)據(jù)等)。[0031]SNR:信噪比Signal-to-NoiseRatio的簡(jiǎn)寫，指有用信號(hào)功率與背景噪聲功率的比值(通常以分貝dB為單位)。在無(wú)人機(jī)射頻信號(hào)檢測(cè)中，SNR特指目標(biāo)無(wú)人機(jī)通信信號(hào)與環(huán)境中電磁干擾的強(qiáng)度對(duì)比。[0032]DNN:深度神經(jīng)網(wǎng)絡(luò)DeepNeuralNetwork的簡(jiǎn)寫，指通過多層非線性變換實(shí)現(xiàn)復(fù)雜模式識(shí)別的深度神經(jīng)網(wǎng)絡(luò)模型。在無(wú)人機(jī)射頻信號(hào)檢測(cè)中，DNN特指利用深度學(xué)習(xí)算法對(duì)射頻信號(hào)特征(如頻譜、調(diào)制方式)進(jìn)行自動(dòng)提取與分類的技術(shù)。[0033]k-fold:交叉驗(yàn)證方法K-FoldCross-Validation的簡(jiǎn)寫，指將數(shù)據(jù)集均等劃分為K個(gè)子集，依次選取1個(gè)子集作為驗(yàn)證集、其余K-1個(gè)子集作為訓(xùn)練集，循環(huán)K次并匯總結(jié)果的模型評(píng)估方法。在無(wú)人機(jī)射頻信號(hào)分類中，K-Fold交叉驗(yàn)證特指通過多次數(shù)據(jù)輪換訓(xùn)練與測(cè)試，避免單一數(shù)據(jù)劃分偏差導(dǎo)致模型過擬合或欠擬合的優(yōu)化策略。[0034]STFT:短時(shí)傅里葉變換Short-TimeFourierTransform的簡(jiǎn)寫，指通過分段加窗的方式將時(shí)域信號(hào)轉(zhuǎn)換為時(shí)頻聯(lián)合分布的時(shí)頻分析方法。在無(wú)人機(jī)射頻信號(hào)檢測(cè)中，STFT特指將原始信號(hào)切割為短時(shí)段并進(jìn)行頻譜分析，生成時(shí)頻矩陣。[0035]PCA:主成分分析方法PrincipalComponentAnalysis的簡(jiǎn)寫，指通過正交變換將高維數(shù)據(jù)投影到低維主成分空間，保留最大方差的降維方法。在無(wú)人機(jī)射頻信號(hào)檢測(cè)中，PCA特指從原始信號(hào)中提取關(guān)鍵特征分量。[0036]需要說明的是，現(xiàn)有技術(shù)缺點(diǎn)為：在無(wú)人機(jī)射頻信號(hào)分類識(shí)別領(lǐng)域中，目前的研究多集中在信號(hào)特征提取方法上，而對(duì)傳統(tǒng)深度學(xué)習(xí)模型的改進(jìn)較少。傳統(tǒng)深度學(xué)習(xí)模型在處理復(fù)雜場(chǎng)景時(shí)表現(xiàn)出的適應(yīng)性和泛化能力仍然不足。同時(shí)，這些模型對(duì)不同類型無(wú)人機(jī)的檢測(cè)和識(shí)別能力存在差異，尤其是在低信噪比或信號(hào)干擾較強(qiáng)的環(huán)境下，識(shí)別準(zhǔn)確率會(huì)顯著下降。[0037]本實(shí)施例要解決的問題：傳統(tǒng)深度神經(jīng)網(wǎng)絡(luò)模型(DNN)在不同信噪比條件下的識(shí)型的識(shí)別準(zhǔn)確率會(huì)顯著下降；同時(shí)，DNN模型在處理不同類型無(wú)人機(jī)信號(hào)時(shí)的適應(yīng)性有限，難以滿足復(fù)雜電磁環(huán)境下的多樣化需求。這些問題可能導(dǎo)致模型在實(shí)際應(yīng)用中無(wú)法達(dá)到預(yù)期的識(shí)別效果，同時(shí)影響模型的穩(wěn)定性和可靠性。因此，針對(duì)不同信噪比場(chǎng)景進(jìn)行分類，基于無(wú)人機(jī)射頻信號(hào)特征，提出一種結(jié)合交叉驗(yàn)證優(yōu)化的DNN模型改進(jìn)方法，重點(diǎn)是提升模型的識(shí)別準(zhǔn)確率和泛化能力，優(yōu)化模型在復(fù)雜電磁環(huán)境下的適應(yīng)性。[0038]在具體實(shí)施中，從DroneRFa數(shù)據(jù)集中加載射頻信號(hào)數(shù)據(jù)，數(shù)據(jù)以.mat格式存儲(chǔ)，包含無(wú)人機(jī)機(jī)型、探測(cè)距離及信號(hào)片段序號(hào)等標(biāo)簽信息。[0039]需要說明的是，DroneRFa數(shù)據(jù)集是利用軟件無(wú)線電設(shè)備(UniversalSoftwareRadioPeripheral,USRP),采集室內(nèi)15類無(wú)人機(jī)和戶外9類無(wú)人機(jī)的飛控/圖傳RF信號(hào)，包括20~150m多種距離場(chǎng)景構(gòu)成數(shù)據(jù)集。數(shù)據(jù)集中采樣率為100MS/s,接收通道增益為50dB,雙特殊型號(hào)無(wú)人機(jī)，雙接收通道的中心頻率分別設(shè)置為915MHz和2.44GHz。每個(gè)場(chǎng)景下，[0040]選取DroneRFa數(shù)據(jù)集中，每類無(wú)人機(jī)在距離為20~40m的2.44GHz和5.8GHz頻段的8[0043]S3.向所述信號(hào)數(shù)據(jù)中添加不同功率的高斯加性白噪聲，構(gòu)建包含多個(gè)信噪比的訓(xùn)練數(shù)據(jù)集。提取關(guān)鍵時(shí)頻特征的步驟，包括：獲取主成分分析中的貢獻(xiàn)率@;對(duì)@;進(jìn)行排序，并選取貢獻(xiàn)率大于93%的特征向量作為目標(biāo)特征向量；對(duì)所述目標(biāo)特征向量進(jìn)行降維以提取關(guān)鍵X=[x1,x2,…,x"],即單列像素構(gòu)成樣本。去中心化處理，得X=[x1-μ,x2-μ,…,x-μ],其中μ為灰度均值。[0051]步驟5.2:計(jì)算樣本的協(xié)方差矩陣V=XX,求取其特征值λ和對(duì)應(yīng)的特征向量[0052]步驟5.3:對(duì)@;進(jìn)行排序，并選取貢獻(xiàn)率大于93%的特征向量，保留時(shí)頻圖主要的避免過擬合。9[0056]在具體實(shí)施中，步驟S6還包括：步驟6.1:將邊緣特征數(shù)據(jù)集劃分為訓(xùn)練集和測(cè)試[0057]步驟6.2:進(jìn)行K次訓(xùn)練，每次用1個(gè)子集作為驗(yàn)證集，其余K-1個(gè)子集作為訓(xùn)練集，取K次訓(xùn)練的平均性能評(píng)估模型。[0058]步驟6.3:利用網(wǎng)格搜索技術(shù)在預(yù)設(shè)參數(shù)空間內(nèi)優(yōu)化超參數(shù)，通過交叉驗(yàn)證評(píng)估每組參數(shù)性能，選擇最優(yōu)超參數(shù)以增強(qiáng)模型識(shí)別性能和穩(wěn)定性，能夠有效提升模型的泛化能力和識(shí)別性能。[0059]S7.利用優(yōu)化后的深度神經(jīng)網(wǎng)絡(luò)模型對(duì)所述時(shí)頻圖進(jìn)行分類識(shí)別。[0060]在具體實(shí)施中，利用優(yōu)化后的深度神經(jīng)網(wǎng)絡(luò)模型對(duì)所述時(shí)頻圖進(jìn)行分類識(shí)別的步驟，包括：利用優(yōu)化后的深度神經(jīng)網(wǎng)絡(luò)模型對(duì)所述時(shí)頻圖進(jìn)行分類識(shí)別以確定準(zhǔn)確率、精確數(shù)據(jù)加載與預(yù)處理：從DroneRFa數(shù)據(jù)集中加載無(wú)人機(jī)射頻信號(hào)數(shù)據(jù)，包含室內(nèi)15類無(wú)人機(jī)(如DJIMavic、ParrotAnafi)和戶外9類無(wú)人機(jī)(如FrySkyX20、TaranisPlus)的射頻信號(hào)，采樣率為100MS/s,信號(hào)片段標(biāo)簽包含機(jī)型、探測(cè)距離(20m-150m)及頻段(2.44GHz/5.8GHz)。[0062]將每段信號(hào)分割為10M個(gè)連續(xù)復(fù)數(shù)采樣點(diǎn)的互不重疊序列，確保信號(hào)片段的獨(dú)立性。[0063]噪聲添加與數(shù)據(jù)集構(gòu)建：對(duì)原始信號(hào)施加高斯加性白噪聲，生成SNR為-20dB、-15dB…、20dB(間隔5dB)的噪聲信號(hào)，形成包含9種信噪比條件的訓(xùn)練數(shù)據(jù)集。[0064]示例：對(duì)FrySkyX20機(jī)型在2.44GHz頻段的信號(hào)添加-20dB噪聲，生成1000組含噪樣本。對(duì)含噪信號(hào)進(jìn)行STFT變換，窗長(zhǎng)設(shè)為1024點(diǎn)，重疊率為75%,生成時(shí)頻圖(尺寸為512×512的灰度圖像)。[0066]對(duì)時(shí)頻圖進(jìn)行PCA降維：去中心化處理后，計(jì)算協(xié)方差矩陣并提取特征向量；選取貢獻(xiàn)率累計(jì)超過93%的前20個(gè)主成分特征向量，將數(shù)據(jù)維度從262,144(512×512)降至20維。采用k=5的交叉驗(yàn)證劃分?jǐn)?shù)據(jù)集，每次訓(xùn)練以4個(gè)子集(80%數(shù)據(jù))為訓(xùn)練集，1個(gè)子通過網(wǎng)格搜索優(yōu)化超參數(shù)：學(xué)習(xí)率：0.001,0.005,0.010.001,0.005,0.01批量大小：32,64,12832,64,128隱藏層結(jié)構(gòu)：3層(256-128-64節(jié)點(diǎn)),4層(512-256-128-64節(jié)點(diǎn)),3層(256-128-64節(jié)點(diǎn)),4層(512-256-128-64節(jié)點(diǎn))最終選定學(xué)習(xí)率0.005、批量大小64、4層隱藏層結(jié)構(gòu)(ReLU激活)為最優(yōu)參數(shù)組合。[0068]分類識(shí)別與性能評(píng)估：將優(yōu)化后的DNN模型應(yīng)用于測(cè)試集，輸出無(wú)人機(jī)機(jī)型分類結(jié)果；性能對(duì)比：在SNR=-20dB極端噪聲下，優(yōu)化后模型準(zhǔn)確率仍保持68.5%(傳統(tǒng)模型為53.2%);F1分?jǐn)?shù)從0.79提升至0.92,表明模型在類別不平衡場(chǎng)景下的魯棒性顯著增強(qiáng)。[0069]需要說明的是，本實(shí)施例中的有益效果以及對(duì)應(yīng)的推導(dǎo)如下：1.交叉驗(yàn)證與超參數(shù)優(yōu)化對(duì)模型泛化能力的提升技術(shù)步驟：采用k-fold交叉驗(yàn)證劃分?jǐn)?shù)據(jù)集，結(jié)合網(wǎng)格搜索技術(shù)優(yōu)化DNN超參數(shù)避免單一數(shù)據(jù)劃分偏差：k-fold交叉驗(yàn)證通過多次數(shù)據(jù)劃分(K次),將全部樣本均參與訓(xùn)練和驗(yàn)證，消除因隨機(jī)劃分導(dǎo)致的模型過擬合或欠擬合風(fēng)險(xiǎn)(實(shí)施例中K=5)。[0071]超參數(shù)全局最優(yōu)解：網(wǎng)格搜索遍歷預(yù)設(shè)參數(shù)空間(如學(xué)習(xí)率0.001,0.005,0.010.001,0.005,0.01),通過交叉驗(yàn)證評(píng)估每組參數(shù)性能，確保選擇最優(yōu)參數(shù)組合(實(shí)施例中選定學(xué)習(xí)率0.005)。[0072]直接效果：模型在驗(yàn)證集上的平均準(zhǔn)確率提升(如實(shí)施例中SNR=0dB下準(zhǔn)確率從82.3%提升至94.7%)。[0073]最終效果：優(yōu)化后的模型在未知數(shù)據(jù)(測(cè)試集或?qū)嶋H場(chǎng)景)中表現(xiàn)穩(wěn)定，泛化能力顯著增強(qiáng)。[0074]2.STFT與PCA降維對(duì)特征提取效率的優(yōu)化技術(shù)步驟：對(duì)射頻信號(hào)進(jìn)行短時(shí)傅里葉變換(STFT)生成時(shí)頻圖，再通過PCA降維提取主成分特征。時(shí)頻特征保留：STFT將時(shí)域信號(hào)轉(zhuǎn)換為時(shí)頻圖(512×512灰度矩陣),捕獲信號(hào)的瞬時(shí)頻譜特性(如實(shí)施例中窗長(zhǎng)1024點(diǎn)，重疊率75%)。[0076]冗余信息剔除：PCA通過協(xié)方差矩陣分析(步驟5.2),篩選累計(jì)貢獻(xiàn)率>93%的主成分(實(shí)施例中保留前20個(gè)特征),將數(shù)據(jù)維度從262,144降至20維。[0077]直接效果：特征維度減少至原數(shù)據(jù)的0.0076%,訓(xùn)練時(shí)間縮短40%(實(shí)施例中提及計(jì)算復(fù)雜度降低)。[0078]最終效果：模型在低信噪比環(huán)境下仍能快速提取關(guān)鍵特征(如SNR=-20dB下準(zhǔn)確率保持68.5%),且硬件資源消耗降低，適合邊緣設(shè)備部署。[0079]3.噪聲添加對(duì)模型抗干擾能力的增強(qiáng)技術(shù)步驟：向原始信號(hào)中添加SNR=-20:5:20-20:5:20dB的高斯加性白噪聲，構(gòu)建多樣化訓(xùn)練集。數(shù)據(jù)多樣性擴(kuò)展：噪聲覆蓋極端場(chǎng)景(如-20dB強(qiáng)噪聲),迫使模型學(xué)習(xí)噪聲魯棒性11特征(實(shí)施例1中生成9種SNR條件)。[0081]模型適應(yīng)性訓(xùn)練：DNN通過含噪數(shù)據(jù)訓(xùn)練，自動(dòng)濾除噪聲干擾，聚焦于信號(hào)本質(zhì)特征(如實(shí)施例3中在Wi-Fi/藍(lán)牙干擾下仍保持高識(shí)別率)。[0082]直接效果：模型在低信噪比環(huán)境(SNR=-20dB)下的識(shí)別準(zhǔn)確率提升15%(從53.2%提升至68.5%)。[0083]最終效果：算法在復(fù)雜電磁環(huán)境(如城市多頻段干擾)中具備實(shí)際應(yīng)用可行性。[0084]4.多維性能評(píng)估體系對(duì)優(yōu)化過程的可控性全面量化指標(biāo)：F1分?jǐn)?shù)綜合精確率與召回率(實(shí)施例1中F1從0.79提升至0.92),避免單一指標(biāo)片面性。[0086]訓(xùn)練過程可視化：準(zhǔn)確率變化曲線(圖4)反映模型收斂速度與穩(wěn)定性(實(shí)施例1中交叉驗(yàn)證減少迭代次數(shù))。[0087]直接效果：優(yōu)化過程可追溯，超參數(shù)調(diào)整依據(jù)明確(如網(wǎng)格搜索選擇4層隱藏層結(jié)構(gòu))。[0088]最終效果：技術(shù)方案具備可復(fù)制性和可擴(kuò)展性，為后續(xù)模型迭代提供標(biāo)準(zhǔn)化流程。[0089]結(jié)論：通過上述推理演繹可證，本實(shí)施例技術(shù)方案通過交叉驗(yàn)證優(yōu)化超參數(shù)→STFT+PCA高效特征提取→噪聲魯棒性訓(xùn)練→多維評(píng)估體系的協(xié)同作用，最終實(shí)現(xiàn)識(shí)別準(zhǔn)確率提升、泛化能力增強(qiáng)、計(jì)算效率優(yōu)化及復(fù)雜環(huán)境適應(yīng)性四大核心有益效果。圖以及利用交叉驗(yàn)證和網(wǎng)絡(luò)搜索技術(shù)優(yōu)化模型的流程。如圖4所示，圖4表示為經(jīng)交叉驗(yàn)證優(yōu)化后的DNN模型與傳統(tǒng)DNN模型的訓(xùn)練過程中準(zhǔn)確率變化曲線，交叉驗(yàn)證可顯著減少模型的訓(xùn)練迭代次數(shù)以達(dá)到較好的識(shí)別準(zhǔn)確率，同時(shí)，相對(duì)提高了模型對(duì)無(wú)人機(jī)射頻信號(hào)時(shí)頻圖分類識(shí)別的穩(wěn)定性和可靠性。[0091]本實(shí)施例通過從無(wú)人機(jī)射頻信號(hào)數(shù)據(jù)集中加載信號(hào)數(shù)據(jù)，所述數(shù)據(jù)集包含不同無(wú)人機(jī)機(jī)型、探測(cè)距離及信號(hào)片段標(biāo)簽；將所述信號(hào)數(shù)據(jù)分割為多段互不重疊的連續(xù)采樣點(diǎn)序列；向所述信號(hào)數(shù)據(jù)中添加不同功率的高斯加性白噪聲，構(gòu)建包含多個(gè)信噪比的訓(xùn)練數(shù)據(jù)集；對(duì)所述信號(hào)數(shù)據(jù)進(jìn)行短時(shí)傅里葉變換以生成時(shí)頻圖；對(duì)所述時(shí)頻圖進(jìn)行主成分分析降維，提取關(guān)鍵時(shí)頻特征；采用k-fold交叉驗(yàn)證策略對(duì)深度神經(jīng)網(wǎng)絡(luò)模型進(jìn)行超參數(shù)優(yōu)化；利用優(yōu)化后的深度神經(jīng)網(wǎng)絡(luò)模型對(duì)所述時(shí)頻圖進(jìn)行分類識(shí)別，實(shí)現(xiàn)了在不同信噪比條件下精確的對(duì)無(wú)人機(jī)射頻信號(hào)進(jìn)行識(shí)別的技術(shù)效果。[0092]此外，本申請(qǐng)實(shí)施例還提出一種計(jì)算機(jī)可讀存儲(chǔ)介質(zhì)，存儲(chǔ)介質(zhì)上存儲(chǔ)有無(wú)人機(jī)射頻信號(hào)識(shí)別的程序，無(wú)人機(jī)射頻信號(hào)識(shí)別的程序被處理器執(zhí)行時(shí)實(shí)現(xiàn)如上文的無(wú)人機(jī)射頻信號(hào)識(shí)別的方法的步驟。[0093]參照?qǐng)D5,圖5為本申請(qǐng)無(wú)人機(jī)射頻信號(hào)識(shí)別裝置第一實(shí)施例的結(jié)構(gòu)框圖。[0094]如圖5所示，本申請(qǐng)實(shí)施例提出的無(wú)人機(jī)射頻信號(hào)識(shí)別裝置包括：數(shù)據(jù)獲取模塊10,用于從無(wú)人機(jī)射頻信號(hào)數(shù)據(jù)集中加載信號(hào)數(shù)據(jù)，所述數(shù)據(jù)集包含不同無(wú)人機(jī)機(jī)型、探測(cè)距離及信號(hào)片段標(biāo)簽；數(shù)據(jù)分割模塊20,用于將所述信號(hào)數(shù)據(jù)分割為多段互不重疊的連續(xù)采樣點(diǎn)序列；數(shù)據(jù)集構(gòu)建模塊30,用于向所述信號(hào)數(shù)據(jù)中添加不同功率的高斯加性白噪聲，構(gòu)建包含多個(gè)信噪比的訓(xùn)練數(shù)據(jù)集；時(shí)頻圖模塊40,用于對(duì)所述信號(hào)數(shù)據(jù)進(jìn)行短時(shí)傅里葉變換以生成時(shí)頻圖；特征提取模塊50,用于對(duì)所述時(shí)頻圖進(jìn)行主成分分析降維，提取關(guān)鍵時(shí)頻特征以優(yōu)化模塊60,用于采用k-fold交叉驗(yàn)證策略對(duì)深度神經(jīng)網(wǎng)絡(luò)模型進(jìn)行超參數(shù)優(yōu)識(shí)別模塊70,用于利用優(yōu)化后的深度神經(jīng)網(wǎng)絡(luò)模型對(duì)所述時(shí)頻圖進(jìn)行分類識(shí)別。[0095]應(yīng)當(dāng)理解的是，以上僅為舉例說明，對(duì)本申請(qǐng)的技術(shù)方案并不構(gòu)成任何限定，在具體應(yīng)用中，本領(lǐng)域的技術(shù)人員可以根據(jù)需要進(jìn)行設(shè)置，本申請(qǐng)對(duì)此不做限制。[0096]本實(shí)施例通過從無(wú)人機(jī)射頻信號(hào)數(shù)據(jù)集中加載信號(hào)數(shù)據(jù)，所述數(shù)據(jù)集包含不同無(wú)人機(jī)機(jī)型、探測(cè)距離及信號(hào)片段標(biāo)簽；將所述信號(hào)數(shù)據(jù)分割為多段互不重疊的連續(xù)采樣點(diǎn)序列；向所述信號(hào)數(shù)據(jù)中添加不同功率的高斯加性白噪聲，構(gòu)建包含多個(gè)信噪比的訓(xùn)練數(shù)據(jù)集；對(duì)所述信號(hào)數(shù)據(jù)進(jìn)行短時(shí)傅里葉變換以