| 摘 要： | 无人机识别任务对社会通信安全具有重要意义,传统的无人机识别方法并不完全可靠,并且基于深度神经网络的识别模型需要对数据进行复杂的预处理。为了更有效地提升无人机的识别性能,提出了一种基于空洞卷积(Dilated/Atrous Convolution)和DANet注意力机制的Xception改进网络模型,即D-A Xception网络模型。对原始射频信号通过快速傅里叶变换(Fast Fourier Transform, FFT)转换到频域上进行Savitzky-Golay平滑滤波、归一化等处理生成能量谱密度图,在生成的能量谱图像上添加高斯噪声和椒盐噪声以扩充数据样本;进一步改进Xception模型,采用空洞卷积来保持卷积核数量和大小,同时扩大感受野,采用DANet提取同一类别卷积生成的局部感受野特征图的不同细微特征,有效降低网络复杂度的同时提升无人机识别的准确度。利用公开真实采集到的DroneRF无人机信号数据集,与不同网络模型进行实验对比分析,并对D-A Xception模型进行消融实验来验证模型的有效性。实验结果表明,提出的D-A Xception模型在对未训练的数据进行十分类测试时,准...
|
