Metody detekcji oraz rozpoznawania sygnałów dronów

• Autorzy: Flakowski, Wojciech , Krasicki, Maciej , Krenz, Rafał
• Konferencja: Konferencja Radiokomunikacji i Teleinformatyki (11-13.09.2024 ; Poznań, Polska)
• Języki publikacji: PL

Abstrakty

PL

Niniejsza publikacja prezentuje przegląd metod detekcji oraz klasyfikacji sygnałów radiowych wykorzystywanych do komunikacji z bezzałogowymi statkami powietrznymi. Artykuł przedstawia zarówno techniki wstępnego przetwarzania sygnału, algorytmy detekcyjne, jak również wybrane sposoby klasyfikacji sygnałów, bazujące na technikach uczenia maszynowego oraz sieciach neuronowych. Dodatkowo prezentowane są architektury wybranych algorytmów detekcyjnych w ujęciu złożoności obliczeniowej oraz skuteczności detekcji pożądanych sygnałów.

EN

This publication presents an overview of detection and classification methods of radio signals used to communicate with unmanned aerial vehicle. The article presents signal pre-processing techniques, detection algorithms, as well as selected signal classification problems based on ma- chine learning techniques and neural networks. Additionally, the architectures of selected detection algorithms are presented in terms of computational complexity and effectiveness of detecting the desired signals.

Słowa kluczowe

PL

bezzałogowe statki powietrzne; sygnał radiowy; radio definiowane programowo; sieci neuronowe; uczenie maszynowe

EN

machine learning; ML; neural networks; radio signal; software defined radio; SDR; unmanned aerial vehicles; UAV

• Czasopismo: Przegląd Telekomunikacyjny + Wiadomości Telekomunikacyjne
• Rocznik: 2024
• Tom: nr 4
• Strony: 129--134
• Opis fizyczny: Bibliogr. 9 poz., rys.

Twórcy

autor

Flakowski, Wojciech

• Politechnika Poznańska, Poznań,

autor

Krasicki, Maciej

• Politechnika Poznańska, Poznań,

autor

Krenz, Rafał

• Politechnika Poznańska, Poznań,

Bibliografia

• [1] S. Basak, S. Rajendran, S. Pollin, B. Scheers, „Au- toencoder based framework for drone RF signal classification and novelty detection”, 2023 25th International Conference on Advanced Communication Technology (ICACT), DOI:10.23919/ICACT56868.2023.10079363
• [2] S. Basak, S. Rajendran, S. Pollin, B. Scheers, „Combined RF-Based Drone Detection and Classification”, October 2023 International Journal for Research in Applied Science and Engineering Technology 11(10):110- 115, DOI:10.22214/ijraset.2023.55928
• [3] Ch. Hou, D. Fu, Z. Zhou, X. Wu, „A Deep Learning- Based Multi-Signal Radio Spectrum Monitoring Method for UAV Communication”, Drones 2023, 7(8), 511; https://doi.org/10.3390/drones7080511
• [4] M. Nijim, N. Mantrawadi, “Drone classification and identification system by phenome analysis using data mining techniques,” 2016 IEEE Symposium on Technologies for Homeland Security (HST), pp. 1–5
• [5] K. N. R. Surya Vara Prasad, V. K. Bhargava, “A Classification Algorithm for Blind UAV Detection in Wideband RF Systems” 2020 IEEE 92nd Vehicular Technology Conference (VTC2020-Fall), IEEE, DOI: 10.1109/ VTC2020-Fall49728.2020.9348513
• [6] J. Redmon, S. Divvala, R. Girshick, and A. Farhadi, “You only look once: Unified, real-time object detection” in 2016 IEEE Conference on Computer Vision and Pattern Recognition (CVPR), 2016, pp. 779–788
• [7] Z. Zhang, Y. Cao, M. Ding, L. Zhuang, W. Yao, “An intruder detection algorithm for vision based sense and avoid system” International Conference on Unmanned Aircraft Systems (ICUAS), 2016, pp. 550–556
• [8] H. Zhang, C. Cao, L. Xu, T. A. Gulliver, „A UAV Detection Algorithm Based on an Artificial Neural Network”, May 2018, IEEE Access PP(99):1-1, DOI:10.1109/ACCESS.2018.2831911
• [9] Z. Zhao, Q. Du, X. Yao, „A Two-Dimensional Deep Network for RF-based Drone Detection and Identification Towards Secure Coverage Extension”, August 2023, eprint arXiv:2308.13906, DOI: 10.48550/ arXiv.2308.13906

Identyfikatory

DOI

10.15199/59.2024.4.25