RF-gestützte Deep-Learning-gestützte Drohnenerkennung und -identifizierung: An End-to-End Approach" ist eine Studie von Syed Samiul Alam, Md Habibur Rahman, Raihan Bin Mofidul, Md Morshed Alam, Ida Bagus Krishna Yoga Utama, und Yeong Min Jang.

Dieser Artikel befasst sich mit den zunehmenden Sicherheitsbedenken im Zusammenhang mit unbemannten Luftfahrzeugen (UAVs) und schlägt ein durchgängiges Deep-Learning-basiertes Modell für deren Erkennung und Identifizierung auf der Grundlage von Hochfrequenzsignaturen (RF) vor. Das Modell nutzt Multiskalen-Merkmalsextraktionstechniken ohne manuelle Eingriffe, die eine effiziente Extraktion von angereicherten Merkmalen und eine bessere Generalisierungsfähigkeit bei geringerer Rechenzeit gewährleisten.

Restblöcke werden integriert, um komplexe Darstellungen zu handhaben und Probleme mit verschwindenden Gradienten während des Trainings zu lösen. Das Modell beweist seine Effektivität in Gegenwart von Störsignalen wie Bluetooth und WIFI. Die Auswertung über verschiedene Signal-Rausch-Verhältnisse (SNR) liefert beeindruckende Ergebnisse mit einer Gesamtgenauigkeit von 97,53%, einer Präzision von 98,06%, einer Empfindlichkeit von 98,00% und einem F1-Score von 98,00% für die RF-Signalerkennung im CardRF-Datensatz. Die Inferenzzeit des vorgeschlagenen Modells von 0,37 Millisekunden übertrifft bestehende Arbeiten und macht es zu einer vielversprechenden Lösung für die Echtzeit-Detektion und Identifizierung von UAVs in Überwachungssystemen.

Datum der Veröffentlichung- April 2023

RF-Enabled Deep-Learning-Assisted Drone Detection and Identification: An End-to-End Approach contains the following major sections:

  • Einführung
  • Methodik
  • Experimentelle Ergebnisse
  • Schlussfolgerungen

Alle von MDPI veröffentlichten Artikel sind sofort weltweit unter einer Open-Access-Lizenz verfügbar. Für die Wiederverwendung des gesamten oder eines Teils des von MDPI veröffentlichten Artikels, einschließlich der Abbildungen und Tabellen, ist keine besondere Genehmigung erforderlich. Bei Artikeln, die unter einer Open-Access-Lizenz (Creative Common CC BY) veröffentlicht wurden, kann jeder Teil des Artikels ohne Zustimmung weiterverwendet werden, sofern der Originalartikel deutlich zitiert wird. Weitere Informationen finden Sie unter https://www.mdpi.com/openaccess.

C-UAS Hub macht sich diese Inhalte nicht zu eigen und stellt einen Link für die Nutzer auf der unten der Seite, um sie an ihrem ursprünglichen Ort aufzurufen. Dies ermöglicht es dem/den Autor(en), wichtige Artikelmetriken im Zusammenhang mit ihrer Arbeit zu verfolgen. Alle Angaben gehen an den rechtmäßigen Eigentümer.

Autoren-Syed Samiul Alam, Md Habibur Rahman, Raihan Bin Mofidul, Md Morshed Alam, Ida Bagus Krishna Yoga Utama, und Yeong Min Jang

Siehe auch.

Passives bistatisches Radar: Zielerfassung und Interferenz

Erkennung und Verfolgung von Drohnen mit RF-Identifikationssignalen

Deep Learning auf Multisensordaten für UAV-Gegenmaßnahmen

Post Image Credit: envatoelements von atercorv