本申请涉及声音事件检测领域，具体而言，涉及一种基于声学特征的无人机身份认证方法。
背景技术：
1、
2、目前专注于无人机检测的解决方案可分为四大类:射频检测、声学检测、光学检测和雷达检测。虽然这些方法用于检测和分类无人机，但它们无法对无人机进行身份验证，即验证其身份以区分其与假冒无人机。身份验证对于防止无人机访问未授权的资源和区域至关重要。例如，当送货无人机接近客户时，它们应该经过验证，然后获得降落或投递包裹的许可。当送货无人机返回仓库时，仓库还应核实它们是合法的无人机，而不是恶意的无人机。通过这样做，无人机认证可以防止无人机冒充攻击。
3、传统的无人机身份认证方法主要依赖于视觉识别或无线通信技术，然而，这些方法在复杂环境下存在识别误差较大、易受干扰等问题。例如，视觉识别受到天气条件和目标遮挡的影响，而无线通信技术容易受到干扰信号的干扰，导致身份认证的准确性和稳定性不足。
技术实现思路
1、基于上述现有技术的缺陷和不足，本申请提出一种基于声学特征的无人机身份认证方法，解决了传统无人机身份认证方法存在的识别误差较大、易受干扰等问题。
2、本申请提出的具体技术方案如下：
3、根据本申请实例，提供了一种基于声学特征的无人机身份认证方法，所述认证方法可以用图1表示，包括：
4、通过数据采集模块从指定的麦克风中收集声音样本，收集到的声音样本按照预定义的时间间隔进行采样和评估；
5、对采集到的声音样本进行数据增强，并将数据增强后的声音数据划分为训练集和测试集；
6、利用特征提取模块从声音样本中提取出能够反映无人机声音特征和行为模式的数字化特征，以形成特征集合；
7、构建基于cnn-transformer混合网络的认证模型，并将所述训练集声音特征送入模型中进行训练，得到训练后的认证模型；
8、将所述测试声音特征送入认证模型中进行测试，以对测试集声音样本进行认证，从而实现对无人机的身份认证任务。
9、可选的，所述通过数据采集模块从指定的麦克风中收集声音样本，收集到的声音样本按照预定义的时间间隔进行采样和评估，包括：
10、确定数据采集的时间和地点、选择合适的录音设备或传感器、采集过程中的环境条件和背景噪音；
11、确定采样频率和持续时间，确保在每个时间间隔内都能够捕获到足够的声音信息。同时，对采集到的声音样本进行评估和分析，以确保数据的质量和准确性。评估过程包括对声音信号的频率、振幅和持续时间等方面进行分析，检查是否存在异常或不合格的声音样本。
12、可选的，所述对采集到的声音样本进行数据增强，并将数据增强后的声音数据划分为训练集和测试集，包括：
13、所述数据增强处理包括：语速扰动增强、音频变换增强、时频遮蔽增强和mixup增强等数据增强方法。
14、所述划分数据集包括：将数据增强后的声音样本分为训练集和测试集两部分，以用于模型的训练和评估。训练集用于训练模型，使其能够学习声音特征和身份认证模式，而测试集则用于评估模型的性能和泛化能力。
15、可选的，所述利用特征提取模块从采集到的声音样本中提取出能够反映无人机声音特征和行为模式的数字化特征，以形成特征集合，包括：
16、对所述目标音频数据进行音频预处理、对数梅尔频谱计算和特征提取；
17、所述音频预处理包括：重采样、滤波、归一化、时域平滑、数据裁剪、检测和修复错误等步骤；
18、所述对数梅尔频谱计算包括：将音频信号分成短时窗口，并对每个窗口应用傅里叶变换以获取频谱。然后，将频谱转换为梅尔频率刻度，这是一种模拟人类听觉系统感知音高的方式。接着，对梅尔频率刻度的能量应用三角滤波器组，计算每个滤波器的能量，从而得到梅尔频谱。最后，对梅尔频谱进行对数变换，得到对数梅尔频谱系数。
19、所述无人机音频特征提取包括：利用一维卷积和池化结构组成的下采样编码器对目标音频数据的频谱进行下采样处理，以获取下采样后的频谱特征表示；随后，利用一维卷积、批量归一化和激活函数构成的帧级别编码器对下采样后的频谱特征进行进一步的时频特征提取，以捕捉音频信号的时变特性，得到时频特征表示；然后，应用注意力机制对时频特征进行加权整合，强调关键的音频信息，得到加权后的特征表示；最后，将这些得到的特征表示经过全连接层进行降维和映射，得到最终的无人机音频特征表示。
20、可选的，所述构建基于cnn-transformer混合网络的认证模型，并将所述训练集声音特征送入模型中进行训练，得到训练后的认证模型，包括：
21、通过卷积神经网络部分负责提取局部特征，这些局部特征可以反映音频信号在时间和频率上的局部变化情况。卷积神经网络通过卷积操作和池化操作来捕捉局部区域的特征模式，从而有效地提取出音频信号中的空间信息；
22、transformer则能够捕捉长距离的依赖关系，这使得模型能够更好地理解音频信号中的时间序列信息。通过自注意力机制，transformer可以在全局范围内同时考虑到音频信号中不同位置之间的关系，从而更好地捕捉到音频信号中的长距离依赖关系和语义信息。
23、可选的，所述将所述测试声音特征送入认证模型中进行测试，以对测试集声音样本进行认证，从而实现对无人机的身份认证任务，包括：
24、所述认证模型测试包括：将所述测试声音特征送入认证模型中进行测试，以对测试集声音样本进行认证。在测试过程中，认证模型会对测试集中的声音样本进行分类和验证，判断其是否符合预先设定的身份认证标准。通过这一测试过程，可以评估认证模型在实际场景中的性能表现。
25、本申请提出的无人机身份认证方法，包括通过数据采集模块从指定的麦克风中收集声音样本，收集到的声音样本按照预定义的时间间隔进行采样和评估；对采集到的声音样本进行数据增强，并将数据增强后的声音数据划分为训练集和测试集；利用特征提取模块从声音样本中提取出能够反映无人机声音特征和行为模式的数字化特征，以形成特征集合；构建基于cnn-transformer混合网络的认证模型，并将所述训练集声音特征送入模型中进行训练，得到训练后的认证模型；将所述测试声音特征送入认证模型中进行测试，以对测试集声音样本进行认证，从而实现对无人机的身份认证任务。采用本申请的技术方案，使用一种基于cnn-transformer的深度学习结构，能够充分利用从声音中提取的特征，以提高无人机身份认证的准确性和可靠性。该深度学习模型能够有效地识别和分析无人机发出的声音信号，从而实现对无人机身份的精准认证。
1.一种基于声学特征的无人机身份认证方法，其特征在于，包括以下步骤：
2.根据权利要求1所述的无人机身份认证方法，其特征在于，在所述步骤(1)中，从指定的麦克风中收集声音样本，进行数据采集；
3.根据权利要求1所述的无人机身份认证方法，其特征在于，在所述步骤(1)中，收集到的声音样本按照预定义的时间间隔进行采样和评估；
4.根据权利要求1所述的无人机身份认证方法，其特征在于，在所述步骤(2)中，对收集到的声音样本进行数据增强；
5.根据权利要求1所述的无人机身份认证方法，其特征在于，在所述步骤(2)中，对数据增强后的声音样本进行划分；
6.根据权利要求1所述的无人机身份认证方法，其特征在于，在所述步骤(3)中，对所述目标音频数据进行音频预处理和对数梅尔频谱计算；
7.根据权利要求1所述的无人机身份认证方法，其特征在于，在所述步骤(3)中，对采集到的目标音频数据进行特征提取；
8.根据权利要求1所述的无人机身份认证方法，其特征在于，在所述步骤(4)中，对所述深度学习训练的认证模型进行构建；
9.根据权利要求1所述的无人机身份认证方法，其特征在于，在所述步骤(5)中，对所述深度学习训练的认证模型进行测试；
10.根据权利要求1所述的无人机身份认证方法，其特征在于，所述无人机身份认证系统，包括：通过采集模块从麦克风中收集声音样本；将采集的样本集进行数据增强；在训练之前，系统会对这些样本数据进行划分为样本训练集和样本验证集，以便用于模型的训练和验证；样本训练集用于训练模型参数，使其能够适应不同的无人机身份认证任务。而样本验证集则用于评估模型在未见过的数据上的表现，以便调整模型的超参数和优化模型结构，从而提高模型的性能和泛化能力。