基于主成分分析的无人机干扰源定位方法及系统

1.本发明涉及无人机通信及干扰信号识别领域，更具体地，涉及一种基于主成分分析的无人机干扰源定位方法及系统。


背景技术：

2.随着日益增长的航班数给旅客们带来便利的同时，民航的交通指挥系统通信安全也迎来了巨大的挑战。当前，民航系统主要采用甚高频的通信方法来完成民用客机的空中交通指挥，指挥工作的通信频段在118mhz～136.9mhz之间。民间的私人无线电通信设备，工厂、医院等特殊无线电通信设备，广播电视等大功率无线电设备，私人大功率无绳电话等都会对民用机场周围的电磁环境造成干扰，从而影响民用航空交通指挥的正常通信，更可能对人民的财产安全造成一定程度的威胁。同时，民用机场大都远离市区并且地处偏远，大功率无线通信设备分布区域较大，这些都给干扰源的精确定位以及排除带来一定的难度。
3.中国专利号cn112217580a，公开日为2021-01-12，名称为“一种基于无人机的无线电空中监测系统及方法”，该方法提供了一种无人机空中无线电监测方法，并集合了无人机、无线电监测系统、接收机、数传电台等，通过数传电台将飞行状态传输给终端，接收机通过天线接收无线电信号并最终传输给终端以完成最终无线电信号的分析与监测。
4.中国专利号cn210143069u，公开日为2020-03-13，名称为“一种空中无线电监测系统”，该方法提供了一种空中无线电检测系统，通过对空中的无线电干扰信号进行扫描并展示成频谱图，地面终端根据接收到信号幅值来完成最终地面干扰源的定位。
5.如何能对民用机场附近电磁环境的干扰信号进行高效且低成本的分类识别，并对干扰源进行快速的精准定位，是当前保证民用航空交通指挥通信质量和提高民用航空无线电通信的抗干扰性的一个关键难题。
6.上述提及的“一种基于无人机的无线电空中监测系统及方法”，该方法仅对定位方法进行了详细阐述，旨在通过无人机状态监测模块、电子地图单元以及接收机的联合工作来完成无线电的测向任务，定位子单元的旋转天线工作过程可能会受到旋转角度的影响，同时测向效率也会受到一定程度的影响。
7.上述提及的“一种空中无线电监测系统”，该方法中所提供的无线电监测装置包含无人机、显示设备、图传发射模块以及地面站无人机遥控器等，利用所搭建无线电系统完成测向误差测试以及定位系统测试等工作，论证了空中无线电监测系统应用的可行性，着重对所提无人机型号的实际监测半径以及高度进行了整理，但对频谱数据处理过程描述较少，对无线电的监测分析过程没有详细阐述。


技术实现要素：

8.针对当前民用机场附近电磁干扰源识别与定位方法不足的情况，本发明的目的是提出了一种基于主成分分析的无人机干扰源定位方法及系统。
9.为实现上述目的，本发明采用如下技术方案：
10.本发明提出了一种基于主成分分析的无人机干扰源定位方法，其特征在于，包括：
11.s1：无人机与地面控制中心建立通信连接，地面控制中心控制所述无人机向预定监测点飞行；
12.s2：无人机到达预定监测点后，在执行监测干扰源任务过程中，所述无人机实时获取其周围空间内不同位置处的频谱数据信息以及自身的gps信息，并将所获取到的信息传送至地面控制中心；
13.s3：地面控制中心接收无人机向其发送的信息，利用主成分分析算法对干扰信号进行分类识别，同时在无人机扫频期间时刻检测各方向的干扰信号强度，根据干扰信号识别与能量检测过程中出现的信号峰值时刻计算出干扰源的方位角θi，θi＝ω
×
ti，ω为搭载有指向性天线的转台旋转角速度，ti为以时间为参考域干扰信号能量最大值所对应的时刻；
14.s4：在上一个预定监测点完成监测干扰源任务后，地面控制中心控制无人飞行至下一个预定监测点，且下一个预定监测点的位置在上一个预定监测点的干扰源方位角的覆盖范围，重复步骤s1至步骤s3，相邻两个监测点的干扰源方位角所展开的两个平面相交处的地理环境坐标最低点即为干扰源位置的z轴坐标，然后记录两个监测点的水平距离其中(x1,y1,z1)为无人机在第一个监测点的坐标信息，(x2,y2,z2)为无人机在第二个监测点的坐标信息，通过至少两次监测即可得到干扰源的位置坐标信息：
15.z3＝z
*
；
16.其中(x3,y3,z3)表示干扰源的位置坐标信息，θ1表示第一次监测位置的干扰源方位角，θ2表示第二次监测位置的干扰源方位角，d表示两个监测点的水平距离，z
*
表示二维定位完成后干扰源所处地面位置的坐标信息，至此完成干扰源定位。
17.进一步，所述步骤s1中，在无人机起飞之前，无人机未与地面控制中心建立通信连接时，获取无干扰的未被占用的空闲通信通道，无人机与地面控制中心通过所述空闲通信通道建立连接。
18.进一步，所述步骤s3具体包括：
19.对于传送至地面控制中心的频谱数据xn＝(xi),(i＝0,1,2,...,n)，其中xi表示采集频谱数据的样本点，xn表示所采集频谱数据样本点的集合，n表示所采集的样本点集合中样本点的个数，i表示(0,n)中的任意整数值；对于采集到的频谱样本数据xi，首先对所有的样本数据进行中心化处理，即：∑ixi＝0，中心化后，通过投影变换得到新的坐标系：vi＝{v1,v2,...,vi}，其中vn为标准正交基向量，表示新坐标系vi中任意一个正交基向量，即：
[0020][0021]
其中n∈(1,i)，m∈(1,i)，vm为新坐标系vi中除vn的任意正交基向量，得到新坐标系后，通过所设定阈值来剪新坐标系中的部分坐标，以此来降低新坐标系的维度，其中j为降维后的新坐标的维度且j＜i，则单个样本点xn在新维度下的投影为hn＝(h
n1
,h
n2
,...,hnj
)，其中h
nm
为样本点 xn在新的低维坐标系下第m维坐标，m∈(1,j)，基于hn来重构xn，则会得到：
[0022][0023]
计算原样本点xn与在新维度坐标系下的的距离为：
[0024][0025]
其中p为输入的样本集的维度，d是一个常数，vi＝{v1,v2,...,vi}表示标准正交基集合，vm是标准正交基，是协方差矩阵，对式(3)进行最小化处理，则上式等价于：
[0026]
argmin-tr(v
t
xx
t
v)s.t.v
t
v＝i
ꢀꢀꢀ
(4)
[0027]
利用拉格朗日乘子法，可将式(4)等价于：
[0028][0029]
由式(5)可以得出，为xx
t
由n个向量组成的特征矩阵，λn为xx
t
的特征值，当数据集从n维降低到m维时，对xx
t
矩阵进行特征值分解，得到n个特征值，根据所设置的重构阈值e来得到计算后的空间维度以及特征向量，重构阈值e根据实际的要求由系统的期望精度来决定：
[0030]
[0031]
根据重构阈值e的设定，在n个特征值中选出m个最大的特征值所对应的特征向量构成最终的降维向量集合v
*
＝{v1,v2,...,vm}，其中 vi,i∈(1,m)代表集合中的各个子向量，将降维后的向量样本点进行统计量检测：
[0032][0033]
其中，q为检测统计量，将式(7)中所获得的检测统计量进过快速傅里叶变换，并通过频域形式转化，进而得到各个样本点上的能量值q：
[0034][0035]
在整个监测周期内，将各个频谱数据的监测样本点处计算好的监测值qi进行对比，其中i代表各个样本点中的任意一点，选出监测值最大的样本点，并记录监测值最大点处的gps信息，以时间为参考域记录信号能量最大值所出现的时刻，根据转台的角速度w，在所完成的360
°
旋转时间后，根据θi＝w
×
ti完成最终干扰源方位角的计算。
[0036]
本发明还提出了一种基于主成分分析的无人机干扰源定位系统，包括地面部分和无人机机载部分，其特征在于：
[0037]
所述无人机机载部分包括转台和机载设备，所述机载设备包括中央处理器、频谱监测硬件平台、指向性收发天线和gps定位系统，中央处理器分别与频谱监测硬件平台、指向性收发天线、gps定位系统通信连接，频谱监测硬件平台搭载有无线电射频模块usrp-x310，频谱监测硬件平台用于通过所述无线电射频模块usrp-x310实时对空中频谱进行扫描并监测信号强度，并将采集到的频谱数据通过所述指向性收发天线传输给地面控制中心；gps定位系统用于实时获取无人机的地理位置信息；所述转台用于承载所述指向性收发天线，无人机执行监测干扰源任务过程中，所述转台以固定的角速度ω旋转；
[0038]
所述地面部分包括地面控制中心和无线通信系统，地面控制中心包括无人机飞行遥控模块以及信号分类识别与能量检测模块，无线通信系统包括发射天线和定向接收天线，地面控制中心的无人机飞行遥控模块用于通过所述发射天线来发送对无人机的飞行控制信息，定向接收天线用于接收来自无人机的通信信号，并对数据处理后将频谱数据信息以及gps信息一起传送至地面控制中心；所述地面控制中心的信号分类识别与能量检测模块用于处理接收到的频谱数据，并完成对干扰信号的分类识别与信号峰值时刻记录，然后根据转台旋转角速度计算出峰值时刻的方位角，并在无人机切换工作位置之后，gps定位系统根据下一个监测位置的方位角来完成干扰源的最终定位。
[0039]
进一步，所述无人机机载部分还包括用于采集图像数据的视频采集模块。
[0040]
通过上述设计方案，本发明可以带来如下有益效果：本发明克服了传统地面监测人员大范围搜索而导致监测效率不高的缺点，同时也扩大了监测范围，进一步缩小了远距离信号干扰源的威胁。地面控制中心通过定向接收天线和信号分类识别与能量检测模块来实时的接收与处理无人机的地理位置与空中图像信息，以保证信号干扰源的实时精准定位。
附图说明
[0041]
此处的附图说明用来提供对本发明的进一步理解，构成本发明申请的一部分，本发明示意性实施例及其说明用于理解本发明，并不构成本发明的不当限定，在附图中：
[0042]
图1为基于主成分分析的无人机干扰源定位系统结构框图；
[0043]
图2为基于主成分分析的无人机干扰源定位方法的流程图；
[0044]
图3为利用主成分分析算法对干扰信号进行分类识别的流程图；
[0045]
图4为能量检测过程的流程图；
[0046]
图5为a、b两个监测点与待定位的干扰源c之间的位置关系图。
具体实施方式
[0047]
为使得本发明的目的、特征、优点能够更加的明显和易懂，下面结合本发明的实施例中的附图，对本发明中的技术方案进行清楚完整地描述。显然，本发明不受下述实施例的限制，可根据本发明的技术方案与实际情况来确定具体的实施方式。为了避免混淆本发明的实质，公知的方法、过程、流程、元件和电路并没有详细叙述。
[0048]
面对当前民用机场空域附近电磁环境干扰较为复杂的情况，常规数据采集更容易受到噪声的影响，本发明通过主成分分析法将与噪声相关性较大的样本数据观测向量舍弃，以达到数据降维的目的，保证系统监测质量的同时也提高了样本的采样密度，相比于其他无监督学习方法具有更好的数据采样效果。
[0049]
如图1所示，一种基于主成分分析的无人机干扰源定位系统包括地面部分和无人机机载部分，所述无人机机载部分包括转台和机载设备，所述机载设备包括中央处理器、频谱监测硬件平台、指向性收发天线和gps定位系统；所述地面部分包括地面控制中心和无线通信系统，地面控制中心包括无人机飞行遥控模块以及信号分类识别与能量检测模块，无线通信系统包括发射天线和定向接收天线，其中地面部分和无人机机载部分的天线均采用ua830指向性天线。所述频谱监测硬件平台搭载有无线电射频模块usrp-x310，频谱监测硬件平台通过无线电射频模块usrp-x310实时对空中频谱进行扫描并监测信号强度，并将采集到的频谱数据通过指向性收发天线传输给地面控制中心来完成最终的干扰信号识别、能量检测与方向判断。所述转台在无人机正常工作时以固定的角速度开始旋转工作，并根据干扰信号识别与能量检测过程中出现的信号峰值时刻计算出方位角，方便后续定位工作继续进行。所述gps定位系统用于实时获取无人机的地理位置信息，使得地面控制中心能够实时掌握无人机的坐标信息，使得无人机能够在可排除干扰源的极限范围内完成监测，以此来降低工作人员的操作难度并提升干扰源定位的工作效率。所述中央处理器采用st半导体集团生产的型号为stm32h750的微控制器芯片，在无人机启动之前向无人机部分的各个机载设备发送工作指令，以确保无人机与地面控制中心能够实现正常的无干扰通信，同时利用指向性收发天线实时的采集频谱数据并回传。地面部分的定向接收天线用于接收来自无人机的通信信号，并将数据处理后将频谱数据信息以及gps信息一起呈现给地面控制中心。所述地面控制中心的信号分类识别与能量检测模块用于处理接收到的频谱数据，并完成对干扰信号的分类识别与信号峰值时刻记录，然后根据转台角速度计算出峰值时刻的方位角，在无人机切换工作位置之后，通过定位系统根据下一个检测位置的方位角来完成干扰源的最终定位。地面控制中心通过发射天线来发送对无人机的飞行控制信息，并采用定向
性较好的点对点通信模式来保证无人机与地面的稳定通信。所述无人机机载部分还包括用于采集图像数据的视频采集模块。
[0050]
如图2、图3、图4和图5所示，一种基于主成分分析的无人机干扰源定位方法，包括如下步骤：
[0051]
步骤一、首先在无人机起飞前，无人机机载部分的中央处理器首先控制频谱监测硬件平台对无人机与地面部分的预通信频段进行频谱扫描，若发现当前扫描频段存在干扰，则切换至备用频段继续扫频，直至找到无干扰的空闲频段以实现无人机的地对空正常通信，然后地面控制中心控制无人机进行正常起飞与后续工作；
[0052]
步骤二、在无人机到达预定地理坐标与高度后，频谱监测硬件平台开始工作，搭载有指向性天线的转台以预先设定好的角速度ω开始旋转。频谱监测硬件平台搭载无线电射频模块usrp-x310，对航空交通指挥通信频段进行扫频，并将数据整合，通过空中收发天线传输至地面控制中心。同时gps定位系统也将无人机的实时坐标信息发送给地面控制中心，当无人机受到风力干扰、电磁干扰或者极端天气影响而产生预定位置偏移或者机体倾斜时，地面操作人员能够快速修正位置，以避免因外界影响而造成感知数据缺失或干扰源定位方向不准等不利因素；
[0053]
步骤三、地面控制中心接收无人机向其发送的信息，利用主成分分析算法对干扰信号进行分类识别，同时在无人机扫频期间时刻检测各方向的干扰信号强度。信号分类识别与能量检测模块的数据处理过程如图3和图4所示，通过对样本数据的中心化处理以及矩阵-向量运算将样本映射至一个更低维的空间，对于传送至地面控制中心的频谱数据xn＝(xi),(i＝0,1,2,...,n)，其中xi表示采集频谱数据的样本点，xn表示所采集频谱数据样本点的集合，n表示所采集的样本点集合中样本点的个数，i表示(0,n)中的任意整数值；对于采集到的频谱样本数据xi，首先对所有的样本数据进行中心化处理，即：∑ixi＝0，去中心化后，通过投影变换得到新的坐标系：vi＝{v1,v2,...,vi}，其中vn为标准正交基向量，表示新坐标系vi中任意一个正交基向量，即：
[0054][0055]
其中n∈(1,i)，m∈(1,i)，vm为新坐标系vi中除vn的任意正交基向量，得到新坐标系后，通过所设定阈值来剪新坐标系中的部分坐标，以此来降低新坐标系的维度，其中j为降维后的新坐标的维度且j＜i，则单个样本点xn在新维度下的投影为hn＝(h
n1
,h
n2
,...,h
nj
)，其中h
nm
为样本点xn在新的低维坐标系下第m维坐标，m∈(1,j)，基于hn来重构xn，则会得到：
[0056][0057]
计算原样本点xn与在新维度坐标系下的的距离为：
[0058][0059]
其中p为输入的样本集的维度，d是一个常数，vi＝{v1,v2,...,vi}表示标准正交基集合，vm是标准正交基，是协方差矩阵，对式(3)进行最小化处理，则上式等价于：
[0060]
argmin-tr(v
t
xx
t
v)s.t.v
t
v＝i
ꢀꢀꢀ
(4)
[0061]
利用拉格朗日乘子法，可将式(4)等价于：
[0062][0063]
由式(5)可以得出，为xx
t
由n个向量组成的特征矩阵，λn为xx
t
的特征值，当数据集从n维降低到m维时，对xx
t
矩阵进行特征值分解，得到n个特征值，根据所设置的重构阈值e来得到计算后的空间维度以及特征向量，重构阈值e根据实际的要求由系统的期望精度来决定：
[0064][0065]
根据重构阈值e的设定，在n个特征值中选出m个最大的特征值所对应的特征向量构成最终的降维向量集合v
*
＝{v1,v2,...,vm}，其中 vi,i∈(1,m)代表集合中的各个子向量，将降维后的向量样本点进行统计量检测：
[0066][0067]
其中，q为检测统计量，将式(7)中所获得的检测统计量进过快速傅里叶变换，并通
过频域形式转化，进而得到各个样本点上的能量值q：
[0068][0069]
所述具体的能量检测过程如图4所示，在整个监测周期内，将各个频谱数据的监测样本点处计算好的监测值qi进行对比，其中i代表各个样本点中的任意一点，选出监测值最大的样本点，并记录监测值最大点处的gps信息，以时间为参考域记录信号能量最大值所出现的时刻，根据转台的角速度w，在所完成的360
°
旋转时间后，根据θi＝w
×
ti完成最终干扰源方位角的计算；
[0070]
步骤四、在无人机的第一个预定监测点完成上述三个步骤的测量以后，地面控制中心控制无人机飞行至下一个预定监测点，重复上述三个步骤，注意第二次切换无人机位置的预定范围不要超过上一个监测点的干扰源方位角θ1的覆盖范围，两点的坐标如图5所示，其中a、b为两次监测点，c为待定位的干扰源位置，相邻两个监测点的方位角所展开的两个平面相交处的地理环境坐标最低点即为干扰源位置的z轴坐标，然后记录两个监测点的水平距离其中(x1,y1,z1)为无人机第一个监测点的坐标信息，(x2,y2,z2)为无人机第二个监测点的坐标信息，通过至少两次监测即可对干扰源的位置坐标信息进行计算求得：
[0071][0072]
其中(x3,y3,z3)表示经过计算后求得的干扰源的位置坐标信息，θ1表示第一次监测位置的干扰源方位角，θ2表示第二次监测位置的干扰源方位角，d 表示两个监测点的水平距离，z
*
表示二维定位完成后干扰源所处地面位置的坐标信息，至此完成干扰源定位。本方法克服了传统地面监测人员大范围搜索的而导致监测效率不高的缺点，同时也扩大了监测范围，进一步缩小了远距离信号干扰源的威胁。地面控制中心通过定向接收天线与信号分类识别与能量检测模块来实时的接收与处理无人机的地理位置与空中图像信息，以保证信号干扰源的实时精准定位。