Drone détection avec des signaux de radiofréquence et des modèles d'apprentissage profond est un logiciel libre. papier par Xuanze Dai.

L'utilisation généralisée des drones soulève d'importantes questions en matière de sécurité, d'environnement, de respect de la vie privée et d'éthique, d'où l'importance d'une détection efficace des drones. Diverses méthodes, telles que la détection de signaux sans fil, la détection photoélectrique, la détection radar et la détection sonore, sont actuellement employées pour détecter les drones. Toutefois, ces méthodes manquent souvent de la précision nécessaire à une identification exacte des drones. Pour relever ce défi, des techniques de détection plus robustes sont nécessaires. En outre, les différents types de drones et scénarios d'application nécessitent des approches de détection et d'identification adaptées.

Cette étude a comparé les performances de différents modèles d'apprentissage automatique, d'apprentissage profond et multitâches sur un ensemble de données ouvert de signaux de radiofréquences (RF) pour des problèmes à 2 classes, 4 classes et 10 classes. En intégrant les méthodes RF aux réseaux neuronaux convolutifs (CNN), l'auteur a mis au point un modèle multitâche pour l'analyse des signaux radiofréquences. drone la détection et la classification. Les résultats expérimentaux démontrent que le modèle XGBoost a atteint une précision exceptionnelle, avec 99,96% pour le problème à 2 classes, 92,31% pour le problème à 4 classes et 74,81% pour le problème à 10 classes, ce qui en fait le modèle le plus performant pour la détection et la classification des drones sur cet ensemble de données révolutionnaire.

Date de publication- mars 2024

La détection des drones à l'aide de signaux de radiofréquence et de modèles d'apprentissage profond (deep learning) contient les sections principales suivantes :

• Introduction
• Travaux connexes
• Description de l'ensemble de données
• Méthodes
• Résultats
• Conclusion

Crédit photo : envatoelements par lzf