Детектування безпілотних літаючих засобів за допомогою нейронних мереж на базі частотно-часових характеристик сигналу
Автор: Барабаш Данило Степанович
Кваліфікаційний рівень: магістр (ОНП)
Спеціальність: Телекомунікації та радіотехніка (освітньо-наукова програма)
Інститут: Інститут телекомунікацій, радіоелектроніки та електронної техніки
Форма навчання: денна
Навчальний рік: 2023-2024 н.р.
Мова захисту: українська
Анотація: Ця магістерська робота представляє розширену систему для детектування безпілотних літальних апаратів (БПЛА) за допомогою нейронних мереж на основі частотно-часових характеристик їх сигналів. Зростання використання БПЛА у різних галузях, включаючи військові, охоронні та цивільні застосування, обумовлює необхідність розробки надійних методів детектування. Об’єктом дослідження є розробка та впровадження системи для детектування БПЛА за допомогою нейронних мереж на основі частотно-часових характеристик їх сигналів. Обсяг дослідження зосереджується на використанні нейронних мереж для підвищення точності та адаптивності детектування БПЛА шляхом аналізу складних сигналів, які випромінюються БПЛА. Основною метою дослідження є створення ефективної системи детектування БПЛА, яка використовує передові методи нейронних мереж для аналізу та інтерпретації частотно-часових характеристик сигналів БПЛА, тим самим покращуючи точність і надійність детектування. Комплексний огляд літератури визначає сильні та слабкі сторони існуючих методів детектування БПЛА та підкреслює потенціал нейронних мереж для підвищення точності детектування. Існуючі підходи, такі як той, що обговорюється в роботі Аль-Емаді та Аль-Сенайда, використовують згорткові нейронні мережі для радіочастотного детектування дронів [1]. Аналогічно, Медайесе та інші розробили систему для детектування та ідентифікації дронів на основі RF, використовуючи методи машинного навчання [2]. Датасет DroneDetect, який включає записи від різних моделей БПЛА за різних умов інтерференції та режимів польоту, використовується для навчання нейронної мережі [4]. Докладні кроки попередньої обробки, включаючи нормалізацію даних, сегментацію та виділення характеристик, виконуються для підготовки даних до аналізу. Ключові характеристики сигналів, такі як спектрограми, енергетичні характеристики та часово-частотні ознаки, виділяються і використовуються як вхідні дані для моделі нейронної мережі. Підготовка даних для навчання нейронної мережі включала кілька важливих етапів. Спочатку сигнали, зібрані з різних моделей БПЛА, були нормалізовані для зменшення впливу шуму та забезпечення стабільності моделі. Кожен сегмент був перетворений у спектрограму за допомогою короткочасного перетворення Фур’є (STFT), що дозволило отримати частотно-часові характеристики сигналу. Спектрограми використовувалися як вхідні дані для нейронної мережі LSTM, що забезпечило аналіз складних патернів сигналів. Обрана архітектура нейронної мережі - це Long Short-Term Memory (LSTM), яка особливо підходить для аналізу часових рядів даних. Одним із ключових аспектів нашого дослідження було впровадження процесу оптимізації моделі. Ми використовували еволюційний алгоритм для автоматизованого налаштування гіперпараметрів, що дозволило знайти найкращі значення для таких параметрів, як кількість шарів LSTM, кількість нейронів у кожному шарі та швидкість навчання. Цей підхід значно покращив продуктивність моделі та забезпечив її стабільну роботу в умовах високої зашумленості сигналів. Крім того, ми провели порівняльний аналіз ефективності нашої системи з існуючими комерційними рішеннями, що підтвердило конкурентоспроможність нашого підходу як у плані точності детектування, так і у плані економічної ефективності. Результати показали, що наша система може використовуватися для підвищення рівня безпеки в різних галузях, забезпечуючи своєчасне виявлення та класифікацію БПЛА. Мережа оптимізується шляхом налаштування гіперпараметрів та використання еволюційних алгоритмів для підвищення продуктивності. Ітерації навчання призводять до значного покращення точності детектування, причому кінцева модель досягає точності валідації 90%. Порівняльний аналіз показує, що загальна вартість впровадження та експлуатації нашої системи протягом двох років дуже близька до вартості конкуруючих систем, з додатковою перевагою більшої точності та гнучкості детектування. Подібно до висновків Езуми та інших, наша система демонструє стійкість до інтерференції з боку інших джерел, таких як Wi-Fi та Bluetooth [3]. Крім того, ієрархічний підхід до навчання, обговорюваний Немером та іншими, показує потенціал у підвищенні ефективності детектування та ідентифікації БПЛА, використовуючи RF-сигнали [5]. Загалом, ця робота робить внесок у галузь детектування БПЛА, демонструючи ефективність нейронних мереж у обробці та аналізі складних характеристик сигналів. Результати свідчать про те, що запропонована система може значно покращити можливості детектування БПЛА у різних застосуваннях, забезпечуючи надійне та адаптивне рішення для вирішення нових викликів у галузі безпеки.