КЛАССИФИКАТОР БПЛА МУЛЬТИРОТОРНОГО ТИПА
Аннотация
Рассматривается классификатор радиолокационных сигналов, отраженных от бес-
пилотных летательных аппаратов (БПЛА), основанный на нейронных сетях. В предло-
женном классификаторе для формирования обучающих данных используется модель рас-
сеяния радиолокационных сигналов от БПЛА. В последнее время запрос на классификацию
БПЛА достаточно высок ввиду значительного увеличения количества моделей и объема
продаж данных устройств. Увеличение вычислительной мощности процессоров и разви-
тие теории нейронных сетей позволяет создать новые виды классификаторов. При ис-
пользовании моделей возможно создание набора обучающих данных приемлемого для обу-
чения нейронной сети классификатора. Сверточная нейронная сеть классификатора обу-
чается с применением радиолокационных изображений, полученных с применением пред-
ложенной модели рассеяния радиолокационных сигналов от БПЛА. Получаемые радиолока-
ционные изображения моделируются с учетом углов ориентации БПЛА относительно
нормальной системы координат БПЛА, скорости полета, различных параметров винтов
моделируемого БПЛА. Для формирования обучающих данных помимо сигнальной конструк-
ции добавляется белый шум определенной конфигурации, который помогает увеличить
разнообразие обучающих выборок для улучшения обучающей способности сверточной ней-
ронной сети. Применение данных, полученных с помощью модели для обучения нейронной
сети обусловлено необходимостью использования большого числа обучающих выборок с
различными параметрами движения БПЛА, такими как высота, скорость, направление,
ориентация в пространстве, а также большим разнообразием возможных конфигураций
беспилотных летательных аппаратов: трикоптер (три винта), квадрокоптер (четыре
винта), гексакоптер (шесть винтов) или октокоптер (восемь винтов). что усложняет
применение экспериментальных данных для создания классификаторов данного типа.
Литература
International Journal of Microwave and Wireless Technologies. – 2014. – Vol. 6, No. 3-4.
– P. 435-444.
2. De Wit J.J.M., Harmanny R.I.A., Molchanov P. Radar micro-Doppler feature extraction using the
singular value decomposition // 2014 International Radar Conference. – IEEE, 2014. – P. 1-6.
3. Zhang P. et al. Classification of drones based on micro-Doppler signatures with dual-band
radar sensors // 2017 Progress in Electromagnetics Research Symposium-Fall (PIERS-FALL).
– IEEE, 2017. – P. 638-643.
4. Kim B.K., Kang H.S., Park S.O. Drone classification using convolutional neural networks with
merged Doppler images // IEEE Geoscience and Remote Sensing Letters. – 2016. – Vol. 14,
No. 1. – P. 38-42.
5. Oh B.S. et al. An EMD-based micro-Doppler signature analysis for mini-UAV blade flash
reconstruction // 2017 22nd International Conference on Digital Signal Processing (DSP).
– IEEE, 2017. – P. 1-5.
6. Stankovic L., Djurovic I., Thayaparan T. Separation of target rigid body and micro-Doppler
effects in ISAR imaging, IEEE Transactions on Aerospace and Electronic Systems, 2006,
Vol. 42, No. 4, pp. 1496-1506.
7. Fioranelli F., et al. Classification of loaded/unloaded micro-drones using multistatic radar,
Electronics Letters, 2015, Vol. 51, No. 22, pp. 1813-1815.
8. Stankovic L., Thayaparan T., Dakovic M. Signal decomposition by using the S-method with
application to the analysis of HF radar signals in sea-clutter, IEEE Transactions on Signal
Processing, 2006, Vol. 54, No. 11, pp. 4332-4342.
9. Stankovic L., Daković M., Thayaparan T. Time-frequency signal analysis with applications.
Artech house, 2014.
10. Schmidt R. Multiple emitter location and signal parameter estimation, IEEE transactions on
antennas and propagation, 1986, Vol. 34, No. 3, pp. 276-280.
11. Sun H., et al. Improving the Doppler resolution of ground-based surveillance radar for drone
detection, IEEE Transactions on Aerospace and Electronic Systems, 2019, Vol. 55, No. 6,
pp. 3667-3673.
12. Tan R., et al. Improved micro-Doppler features extraction using smoothed-pseudo Wigner-
Ville distribution, 2016 IEEE Region 10 Conference (TENCON). IEEE, 2016, pp. 730-733.
13. Gonsalez R., Vuds R. Tsifrovaya obrabotka izobrazheniy [Digital image processing]: transl.
from engl. Moscow: Izdatel'skiy dom Tekhnosfera, 2005, 1073 p.
14. Anderson T.W., Goodman L.A. Statistical inference about Markov chains, The Annals of Mathematical
Statistics, 1957, pp. 89-110.
15. Derkachev V.A. Model' rasseyaniya radiolokatsionnykh signalov ot bespilotnykh letatel'nykh
apparatov [The scattering model of radar signals from unmanned aerial vehicles], Izvestiya YuFU.
Tekhnicheskie nauki [Izvestiya SFedU. Engineering Sciences], 2021, No. 2 (219), pp. 120-129.
16. Martinez J., et al. Convolutional neural network assisted detection and localization of UAVs
with a narrowband multi-site radar, 2018 IEEE MTT-S International Conference on Microwaves
for Intelligent Mobility (ICMIM). IEEE, 2018, pp. 1-4.
17. Wang L., Tang J., Liao Q. A study on radar target detection based on deep neural networks,
IEEE Sensors Letters, 2019, Vol. 3, No. 3, pp. 1-4.
18. Mendis G.J., et al. Deep learning based doppler radar for micro UAS detection and classification,
MILCOM 2016-2016 IEEE Military Communications Conference. IEEE, 2016, pp. 924-929.
19. Stankovic L., Djurovic I., Thayaparan T. Separation of target rigid body and micro-Doppler
effects in ISAR imaging, IEEE Transactions on Aerospace and Electronic Systems, 2006, Vol.
42, No. 4, pp. 1496-1506.
20. Regev N., Yoffe I., Wulich D. Classification of single and multi propelled miniature drones
using multilayer perceptron artificial neural network, 2017.
