Methode voor classificatie van UAV-vluchtbesturings-RF-signalen op basis van multiscale divergentie-entropie en geoptimaliseerde neurale netwerken

Waarom het opsporen van verborgen drones belangrijk is

Kleine drones zijn nu goedkoop, capabel en alomtegenwoordig — van luchtfotografie en pakketbezorging tot verkenning op het slagveld. Maar dezelfde technologie die nuttige toepassingen mogelijk maakt, kan ook worden misbruikt voor bespioneren, smokkelen of het verstoren van luchthavens en kritieke infrastructuur. Autoriteiten hebben methoden nodig om drones snel en betrouwbaar te detecteren en identificeren, zelfs wanneer ze ver weg zijn of laag tussen gebouwen vliegen. Dit artikel presenteert een nieuwe methode die luistert naar het onzichtbare radiosignaal tussen een drone en zijn controller om te herkennen welk model in de lucht is, en doet dat met bijzonder hoge nauwkeurigheid, ook onder zeer lawaaierige omstandigheden.

Het probleem met de huidige middelen om drones te spotten

Huidige detectiesystemen voor drones zijn gebaseerd op radar, camera’s, infrarood sensoren of microfoons. Elk van deze technieken heeft aanzienlijke nadelen. Radar heeft moeite met zeer kleine, langzaam bewegende doelen en kan worden verstoord door reflecties van de grond. Optische en infraroodcamera’s zijn afhankelijk van goed zicht en werken minder in mist, regen of duisternis. Akoestische methoden zijn goedkoop maar werken alleen op korte afstand en raken snel overstemd door achtergrondgeluid. Visie-gebaseerde deep learning kan bekende dronetypes classificeren, maar vereist enorme gelabelde datasets en kan falen bij nieuwe modellen of bij vijandige omstandigheden. Deze zwaktes laten gaten in de luchtruimbeveiliging, vooral in drukke stedelijke of laagvliegende omgevingen.

Luisteren naar het radiogeklets van de drone

In plaats van de drone zelf te bekijken of te horen, richten de auteurs zich op de radiofrequentie (RF) besturingssignalen — de verbinding tussen de drone en de afstandsbediening. Deze signalen kunnen obstakels passeren, werken bij alle weersomstandigheden en zijn vaak eerder en van verder weg op te vangen dan de drone zichtbaar is. Alleen het meten van signaalsterkte of eenvoudige spectra is echter niet voldoende om verschillende dronemodellen te onderscheiden in een druk elektromagnetisch landschap. Het team gebruikt een concept dat multiscale dispersie-entropie heet, wat eenvoudig gezegd bijhoudt hoe onvoorspelbaar en complex het signaal is wanneer het over verschillende tijdschalen wordt bekeken. Door dit toe te passen op vier kanalen van de RF-data (twee per antennepad) persen ze elk signaal samen tot een 12-cijferige “vingerafdruk” die vastlegt hoe de besturingsverbinding van dat specifieke drone-model zich gedraagt.

Een slimme zoektocht naar het beste neurale netwerk

Als ze deze compacte vingerafdrukken hebben, voeren de auteurs ze in een lichtgewicht neuraal netwerk dat beslist welk van zes populaire DJI-dronemodellen het signaal heeft uitgezonden. Een belangrijke innovatie zit in de manier waarop ze dit neurale netwerk afstemmen. In plaats van intern handmatig instellingen te gokken of alleen op standaard gradient descent te vertrouwen, gebruiken ze een optimalisatiebenadering geïnspireerd op het gedrag van lemmingen in de natuur. Dit “kunstmatige lemmingenalgoritme” stelt zich een populatie kandidaat-netwerken voor als dieren die migreren, tunnels graven, foerageren en voor roofdieren vluchten, waarbij ze de ruimte van mogelijke gewichtsinstellingen en netwerkgroottes verkennen. Over vele iteraties concentreert dit proces zich op een configuratie die de classificatiefout minimaliseert en zo de valkuilen van lokale optima vermijdt die traditionele training vaak vertragen of blokkeren.

De methode in de praktijk getest

De onderzoekers evalueerden hun systeem op DroneRFa, een grote open dataset van echte drone-RF-signalen. Ze concentreerden zich op zes veelgebruikte DJI-platforms waarvan de radiohardware vergelijkbaar is, wat het classificatieprobleem uitdagender maakt. Uit elk signaal haalden ze 10.000 monsters, berekenden ze de multiscale-entropiekenmerken voor alle vier kanalen en gebruikten deze 12 kenmerken als invoer voor het geoptimaliseerde neurale netwerk. De nieuwe methode behaalde een classificatienauwkeurigheid van 97,2%, waarmee ze enkele populaire alternatieven die ook neurale netwerken combineren met verschillende optimalisatieschema’s (genetische algoritmen, deeltjeszwerm- en grijze-wolfmethoden) met ongeveer 5–7 procentpunten overtroffen. Even belangrijk is dat hun systeem veel sneller convergeerde: het bereikte 90% nauwkeurigheid na slechts 65 trainingsiteraties en vereiste relatief weinig parameters — wat het geschikt maakt voor real-time uitvoering aan de rand van het netwerk.

Nauwkeurig blijven in een rumoerige wereld

Reële RF-omgevingen zijn rommelig: Wi‑Fi, Bluetooth en talloze andere apparaten delen het spectrum. Om de robuustheid te onderzoeken voegden de auteurs opzettelijk sterke kunstmatige ruis toe aan de dronesignalen en verlaagden de signaal-ruisverhouding stap voor stap tot het niveau waarop signaal en ruis even sterk waren. Concurrerende kenmerkensets gebaseerd op audio-geïnspireerde coëfficiënten, eenvoudige spectra of constellatiediagrammen leden allemaal onder sterke verliezen in nauwkeurigheid onder dergelijke condities. De multiscale-entropiekenmerken degradeerden daarentegen slechts geleidelijk, en het systeem identificeerde drones nog steeds in 90% van de gevallen bij het zwaarste geteste ruisniveau. Statistische analyses toonden aan dat deze kenmerken een betere scheiding tussen verschillende dronetypes bieden terwijl ze binnen elk type consistent blijven, wat hun veerkracht verklaart.

Wat dit betekent voor veiligere luchten

In gewone bewoordingen hebben de auteurs een “radio-vingerafdruk” instrument ontwikkeld dat kan luisteren naar de verborgen besturingslink van een drone, die samenvatten in een kleine reeks getallen, en met een efficiënt afgestemd neuraal netwerk zeggen welk model vliegt — zelfs wanneer de ether druk en rumoerig is. Vergeleken met bestaande methoden is hun aanpak nauwkeuriger, sneller te trainen en licht genoeg om op bescheiden hardware te draaien. Dit maakt het een aantrekkelijke bouwsteen voor toekomstige laagvliegende verkeersbeheersystemen en beveiligingsinstallaties rond luchthavens, grenzen en gevoelige locaties. Hoewel de huidige studie zich richt op zes specifieke modellen, kunnen de onderliggende ideeën — rijke multiscale signaalbeschrijvingen gecombineerd met slimme optimalisatie van eenvoudige neurale netwerken — worden uitgebreid naar grotere vloten van drones en andere draadloze apparaten, waarmee onze grip op een steeds drukkere lucht verstevigd wordt.

Bronvermelding: Liu, B., Liu, J., Shi, M. et al. Method for classification of UAV flight control RF signals based on multi-scale divergence entropy and optimized neural networks. Sci Rep 16, 8420 (2026). https://doi.org/10.1038/s41598-025-25498-z

Trefwoorden: detectie van drones, radiofrequentiesignalen, draadloze vingerafdrukken, optimalisatie van neurale netwerken, luchtruimbeveiliging