Безпілотники без нагляду Рой! Визначення характеристик з використанням методів аналізу радіочастотних сигналів та машинного навчання є відкритим доступом робота Неря Ашуш, Шломо Ґрінберґ, Ерез Манор та Ієгуда Бен-Шимол.

За останнє десятиліття автономні безпілотні літальні апарати (БПЛА) привернули значну увагу наукового та промислового секторів. Дрони мають численні переваги, зокрема у цивільному та військовому застосуванні, аерофото- та відеозйомці, картографії та геодезії, сільському господарстві та ліквідації наслідків стихійних лих. Проте останні досягнення в технології БПЛА також призвели до їх зловмисного використання, наприклад, для проникнення на безпечні території, такі як аеропорти, і сприяння терористичній діяльності. Потенціал автономних систем озброєння для розгортання роїв дронів для проведення складних військових операцій також викликає занепокоєння.

Одночасне використання великої кількості безпілотників підвищує надійність місії завдяки надмірності, живучості, масштабованості та покращенню продуктивності в складних умовах. Це дослідження пропонує новий підхід до характеристики та виявлення роїв дронів шляхом аналізу радіочастотних сигналів у поєднанні з різними методами машинного навчання. На відміну від існуючих методів, орієнтованих на виявлення одиночних дронів за допомогою контрольованого навчання, це дослідження представляє неконтрольований підхід до визначення характеристик рою дронів.

Запропонований метод використовує різноманітні радіочастотні сигнатури від передавачів дронів. Автори застосовують різні частотні перетворення, включаючи безперервні, дискретні, вейвлет-перетворення розсіювання, для вилучення радіочастотних ознак з радіочастотних відбитків. Ці ознаки потім використовуються як вхідні дані для неконтрольованих класифікаторів. Для управління розмірністю вхідних даних автори застосовують методи зменшення розмірності, такі як аналіз головних компонент (PCA), аналіз незалежних компонент (ICA), рівномірна множинна апроксимація і проекція (UMAP) і t-розподілене вбудовування стохастичних сусідів (t-SNE).

Їхній підхід до кластеризації використовує поширені неконтрольовані методи, включаючи алгоритми K-середніх, зсуву середнього та X-середніх. Його ефективність була оцінена з використанням як спеціальних, так і стандартних наборів даних рою дронів. Результати показують, що точність класифікації становить приблизно 95% навіть в умовах адитивного гауссівського білого шуму з різним співвідношенням сигнал/шум (SNR).

Дата публікації- Лютий 2023 року

Характеристика рою безпілотників з використанням методів аналізу радіочастотних сигналів та машинного навчання складається з таких основних розділів: "Характеристика рою безпілотників без нагляду":

  • Вступ
  • Передумови та суміжні роботи
  • Запропонований підхід
  • Результати експерименту
  • Підсумки та висновки

Зображення для публікації - Adobe Stock by lililia (Згенеровано за допомогою ШІ)