第４４卷第６期兵器装备工程学报２０２３年６月收稿日期:２０２２－０６－１５ꎻ修回日期:２０２２－０７－０４作者简介:杨雷(１９９５—)ꎬ男(满族)ꎬ硕士研究生ꎬＥ￣ｍａｉｌ:１５０５０９４３１９＠ｑｑ.ｃｏｍꎮ通信作者:郭道省(１９７３—)ꎬ男ꎬ博士ꎬ教授ꎬ博士生导师ꎬＥ￣ｍａｉｌ:ｘｙｚｇｆｇ＠１６３.ｃｏｍꎮｄｏｉ:１０.１１８０９/ｂｑｚｂｇｃｘｂ２０２３.０６.０３４基于轻量级残差网络的无人机个体识别方法杨雷１ꎬ郭恩泽２ꎬ刘益岑３ꎬ魏国峰１ꎬ杨宁１ꎬ郭道省１(１.中国人民解放军陆军工程大学通信工程学院ꎬ南京２１０００７ꎻ２.中国人民解放军陆军工程大学通信士官学校ꎬ重庆４０００３５ꎻ３.信号盲处理国家级重点实验室ꎬ成都６１００４１)摘要:在无人机的个体识别中ꎬ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ꎬ提出基于轻量级残差网络(ｓｃａｌｅｄｏｗｎｒｅｓｎｅｔꎬＳＤＲＮｅｔ)的无人机个体识别方法ꎮ首先ꎬ通过短时傅里叶变换(ｓｈｏｒｔｔｉｍｅｆｏｕｒｉｅｒｔｒａｎｓｆｏｒｍꎬＳＴＦＴ)把一维时域信号转为二维时频图像ꎬ并对图像进行灰度处理ꎮ其次ꎬ网络基于ＭｏｂｉｌｅＮｅｔｖ２ꎬ结合无人机个体信号的时频图像特征ꎬ通过缩减网络层数以降低模型深度ꎬ通过减少输出通道数以降低模型维度ꎻ借鉴ＲｅｓＮｅｔ残差结构的设计思想ꎬ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ꎬ设计出轻量级残差网络ＳＤＲＮｅｔ模型ꎮ最后ꎬ利用ＳＴＦＴ时频灰度图作为样本对ＳＤＲＮｅｔ模型进行训练ꎬ实现对无人机个体的识别ꎮ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ꎮ实验结果表明ꎬ所提方法在信噪比ＳＮＲ＝１０ｄＢ的环境下对无人机个体信号的平均识别率为９４.００％ꎬ分别高于Ｍｏｂｉｌｅ￣Ｎｅｔｖ２、ＧｏｏｇｌｅＮｅｔ模型的０.１７％、５.１７％ꎬ低于ＲｅｓＮｅｔ模型２.５０％ꎻ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％ꎮ相较于基于ＭｏｂｉｌｅＮｅｔｖ２、ＧｏｏｇｌｅＮｅｔ、ＲｅｓＮｅｔ等神经网络模型方法相比ꎬ所提方法在保持较高识别准确率的同时ꎬ具有更快的识别速度和更小的...
