RF-Based UAV Detection and Identification Using Hierarchical Learning Approach ist ein Papier von Ibrahim Nemer, Tarek Sheltami, Ifran Ahmad, Ansar El-Haque Yasar, und Mohammad A. R. Abdeen.

In diesem Forschungspapier wird eine innovative, auf maschinellem Lernen basierende Methode zur effizienten Identifizierung und Erkennung von unbemannten Luftfahrzeugen (UAVs) vorgestellt. Der vorgeschlagene Ansatz verbessert die Identifizierung und Erkennung von UAVs durch den Einsatz von Ensemble-Lernen auf der Grundlage eines hierarchischen Konzepts, begleitet von Vorverarbeitungs- und Merkmalsextraktionsstufen für Funkfrequenz (RF) data. A filtering technique is applied to the RF signals during the detection process to enhance the output. The approach consists of four classifiers that operate hierarchically.

Bei diesem Ansatz durchläuft eine Probe den ersten Klassifikator, um das Vorhandensein einer UAV festzustellen. Anschließend wird der zweite Klassifikator eingesetzt, um den Typ der erkannten Drohne zu identifizieren. Die letzten beiden Klassifikatoren schließlich sind für die Bestimmung des Flugmodus der Probe zuständig, insbesondere für Bebop- und AR-Drohnen. Die Auswertung eines öffentlich zugänglichen Datensatzes hat gezeigt, dass der vorgeschlagene Ansatz im Vergleich zu den in der Literatur vorhandenen Erkennungssystemen sehr effizient ist. Er kann feststellen, ob ein UAV derzeit in einem bestimmten Gebiet fliegt, den UAV-Typ genau identifizieren und anschließend den Flugmodus des erkannten UAVs mit einer Genauigkeit von etwa 99% bestimmen.

Datum der Veröffentlichung: März 2021

RF-Based UAV Detection and Identification Using Hierarchical Learning Approach enthält die folgenden Hauptabschnitte:

  • Einführung
  • Verwandte Werke
  • Methodik
  • Vorgeschlagener Detektionsansatz
  • Ergebnisse und Erörterungen
  • Vergleich mit anderen Ansätzen

Alle von MDPI veröffentlichten Artikel werden sofort weltweit unter einer Open-Access-Lizenz zur Verfügung gestellt. 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 Genehmigung weiterverwendet werden, vorausgesetzt, der Originalartikel wird deutlich zitiert. 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 Metriken im Zusammenhang mit ihrer Arbeit zu verfolgen. Alle Angaben gehen an den rechtmäßigen Eigentümer.

Die Autoren: Ibrahim Nemer, Tarek Sheltami, Ifran Ahmad, Ansar El-Haque Yasar, und Mohammad A. R. Abdeen

Post Image - Durchschnittliche Spektren der RF-Aktivitäten für Szenarien mit 2, 4 und 10 Klassen (Image Credit: RF-Based UAV Detection and Identification Using Hierarchical Learning Approach authors)

Weitere Multimedia-Ressourcen finden Sie auf der Website Multimedia-Bibliothek.

Bleiben Sie auf dem Laufenden über wichtige Branchennachrichten auf C-UAS Hub. Registrieren Sie sich für ein kostenlos Website Mitgliedschaft und erhalten Sie den wöchentlichen Newsletter mit den nächsten Veranstaltungen und den Highlights der Woche, die Sie vielleicht verpasst haben.

Informieren Sie sich über Anbieter von Drohnenerkennungs- und -abwehrsystemen at C-UAS Hub Produkte.