本报告概述了在基于模型的自适应目标跟踪以及识别来自电磁干扰（EMI）源的卫星欺骗和干扰攻击方面所做的研究工作。我们假设可以利用不同电磁干扰源的射频（RF）特征来识别和跟踪主动和被动电磁干扰源。射频信号被输入一个基于模型的深度神经网络（DNN），该网络可对不同物体进行分类和跟踪。
我们的初步结果表明，对于有源电磁干扰源，即使用不同调制方案发射射频信号的源，使用 DNN 识别电磁干扰源射频调制方案的准确性在很大程度上取决于射频信号的质量，而射频信号的质量又是信道的函数。特别是，如果信道是视距信道，且信噪比（SNR）较大，则调制类型的分类准确率很高（> 95%）。另一方面，如果信道参数未知和/或波动较大，信噪比较低，则分类准确率较低（< 60%）。调制类型识别的性能使我们得出结论，在现实世界中基于调制类型的目标跟踪将非常困难。因此，这项研究的主要工作集中在使用有源雷达对无源信号源进行分类，并以人员计数系统为原型。
我们没有使用模拟，而是在实验室建立了一个小规模的测试环境来验证假设。我们提出的人员计数系统使用多个发射天线，通过发送毫米波雷达啁啾扫描环境。物体反弹回来的信号由多个接收天线接收、处理并存储到数字数据库中。然后，我们对数字数据进行特征提取，并将特征输入卷积神经网络，以进行物体分类和跟踪。在这些实验中，我们将行走的人视为移动物体。我们的初步结果表明，在有限的环境中（如实验室环境），卷积神经网络可以利用射频信号准确识别不同的目标（> 95%）。
引言
许多科学和工程学科都对目标识别和跟踪进行了深入研究[1][2][3][4][5]。从用于早期探测和跟踪飞行中导弹的全球定位系统（GPS）[6][7][8] 到自动驾驶汽车[9]，它们都是许多技术的基础组件。此外，未来的无线通信系统使用大规模多输入多输出（MIMO）波束成形[10]和自由空间光学（FSO）通信技术[11][12][13]，使发送方能够通过将射频光束或激光束直接聚焦到接收方来传输数据。这些聚焦传输提高了信噪比（SNR），降低了所需的发射功率以及多用户干扰。然而，聚焦传输在很大程度上依赖于准确跟踪和识别接收器位置的能力。
传统的物体跟踪和识别技术都是基于模型的，这是因为其数学上的优雅和高效，也许更重要的原因是缺乏训练数据。基于模型的方法通过数学模型将有关问题的先验知识纳入其中，这些先验知识或基于物理定律，或基于成熟的直觉，以捕捉物体的动态和属性，从而实现精确的跟踪和分类。因此，基于模型的方法在许多只需几个参数就能精确建模的环境中非常有效。卡尔曼滤波器就是基于模型方法的一个典范 [14][15][16]。卡尔曼滤波器在许多应用中都取得了成功，特别是在跟踪受噪声观测影响的目标时。卡尔曼滤波器在跟踪中取得成功的关键在于将目标动态（如速度、加速度等）的精确数学模型与这些值的经验实时噪声测量相结合。卡尔曼滤波器根据增量测量/观测数据和假定的数学模型动态，通过一组更新参数值的递推方程，高效（快速）地估计模型参数。
用于跟踪的卡尔曼滤波器的一个主要缺点是，其性能在很大程度上取决于基于一些合理假设（如物理定律或经验）的所谓精确数学模型。然而，如果数学模型不够丰富，无法捕捉所考虑环境的所有微小细节，那么卡尔曼滤波器的最佳性能就会受到所考虑的数学模型系列的限制。
为此，本研究调查了用于识别和跟踪物体的深度神经网络（DNN）。DNN 是一类基于人工神经网络（ANN）的机器学习方法，在现实世界的许多应用场景中都表现出色。DNN 架构允许模型从大型数据库中学习难以用数学建模的复杂动态和特征。
方法、假设和程序
本节将介绍两项不同的工作。第一项工作是使用不同类型的卷积神经网络 (CNN) 检测 EMI 源的射频调制类型。这项研究完全在 Matlab 仿真环境中完成。第二项研究是利用有源雷达系统的射频信号作为 3-D CNN 的输入，检测房间内的人数并跟踪他们。这类系统通常被称为人员计数系统 [17][18][19]。与第一个系统不同的是，所有射频信号都不是模拟的。相反，它们是使用基于 MIMO 的毫米波雷达系统实时收集的。接下来，我们对原始数据进行特征提取，并将特征输入三维卷积神经网络以检测人数。
原文
相关内容
微信扫码咨询专知VIP会员