文章详情
| 稿件标题： | 基于轻量级残差网络的无人机个体识别方法 |
| 稿件作者： | 杨雷1，郭恩泽2，刘益岑3，魏国峰1，杨宁1，郭道省1 |
| DOI： | 10.11809/bqzbgcxb2023.06.034 |
| 科学编辑： | 杨继森 博士（重庆理工大学教授） |
| 栏目名称： | 信息科学与控制工程 |
| 关键词： | 无人机信号；个体识别；轻量级神经网络； MobileNetv2；残差网络 |
| 文章摘要： | 在无人机的个体识别中，针对现有的识别方法存在分类准确率低、实时性差、网络模型参数量大以及难以应用于资源受限的设备等问题，提出基于轻量级残差网络(scale down resnet,SDRNet)的无人机个体识别方法。首先，通过短时傅里叶变换（short time fourier transform,STFT）把一维时域信号转为二维时频图像，并对图像进行灰度处理。其次，网络基于MobileNetv2，结合无人机个体信号的时频图像特征，通过缩减网络层数以降低模型深度，通过减少输出通道数以降低模型维度；借鉴ResNet残差结构的设计思想，通过增加卷积层的残差连接以实现更多不同深度网络的集成，设计出轻量级残差网络SDRNet模型。最后，利用STFT时频灰度图作为样本对SDRNet模型进行训练，实现对无人机个体的识别。仿真实验采用公开的6架悬停无人机的信号、在AWGN高斯白噪声信道环境下进行。实验结果表明，所提方法在信噪比SNR=10 dB的环境下对无人机个体信号的平均识别率为94.00%，分别高于MobileNetv2、GoogleNet模型的0.17%、5.17%，低于ResNet 模型2.50%；所设计的SDRNet模型的可学习参数量、模型规模、乘加计算量约为基础轻量级MobileNetv2模型的19.5%、19.6%、35.9%。相较于基于MobileNetv2、GoogleNet、ResNet等神经网络模型方法相比，所提方法在保持较高识别准确率的同时，具有更快的识别速度和更小的内存开销。 |
| 引用本文格式： | 杨雷，郭恩泽，刘益岑，等.基于轻量级残差网络的无人机个体识别方法［J］.兵器装备工程学报，2023，44(6)：246-253. YANG Lei, GUO Enze, LIU Yicen, et al.UAV individual recognition method based on Scale Down ResNet［J］.Journal of Ordnance Equipment Engineering，2023，44(6)：246-253. |
| 刊期名称： | 2023年06期 |
| 出版时间： | 2023年6月 |
| 上线时间： | 2023年6月28日 |
| 浏览次数： | 2603 |
| 下载次数： | 63 |
| 免费阅读PDF 在线阅读 下载本期目录 下载本期封面 | |