Метод классификации радиочастотных сигналов управления БПЛА на основе многомасштабной энтропии рассеяния и оптимизированных нейронных сетей

Почему важно обнаруживать скрытые дроны

Малые дроны стали дешевыми, технологичными и повсеместными — от аэрофотосъёмки и доставки посылок до разведки на поле боя. Но та же технология, что приносит пользу, может быть использована для шпионажа, контрабанды или нарушений на аэропортах и критической инфраструктуре. Органам власти нужны методы быстрого и надёжного обнаружения и идентификации дронов, даже когда они находятся далеко или летают низко между зданиями. В этой работе представлен новый подход, который «слушает» невидимую радиопереписку между дроном и его пультом управления, чтобы определить модель в воздухе, достигая при этом необычно высокой точности даже в очень шумных условиях.

Проблемы современных средств обнаружения дронов

Современные системы обнаружения дронов опираются на радары, камеры, инфракрасные датчики или микрофоны. У каждого из этих методов есть серьёзные ограничения. Радар плохо справляется с очень малыми и медленными целями и может путаться из‑за отражений от земли. Оптические и инфракрасные камеры зависят от погоды и видимости — их эффективность падает в тумане, дожде или темноте. Акустические методы дешевы, но работают на коротких расстояниях и легко заглушаются шумом окружения. Подходы компьютерного зрения с глубоким обучением могут классифицировать известные типы дронов, но требуют огромных размеченных наборов данных и уязвимы к новым моделям или враждебным условиям. Эти слабые места оставляют пробелы в защите воздушного пространства, особенно в густонаселённых городских зонах и на низких высотах.

Прослушивание радиопереписки дрона

Вместо того чтобы смотреть или слушать сам дрон, авторы сосредотачиваются на его радиочастотных (RF) сигналах управления — канале между дроном и пультом. Эти сигналы проходят через препятствия, работают при любой погоде и зачастую принимаются раньше и на больших расстояниях, чем сам дрон становится видимым. Однако простое измерение уровня сигнала или базового спектра недостаточно, чтобы различать модели дронов в насыщенной электромагнитной среде. Команда использует понятие многомасштабной энтропии рассеяния, которое, простыми словами, отслеживает, насколько непредсказуем и сложен сигнал при рассмотрении на нескольких временных масштабах. Применяя это к четырём каналам RF-данных (по два на каждый путь антенны), они сводят каждый сигнал к 12‑численному «отпечатку», который фиксирует поведение конкретной управляющей связи дрона.

Умный поиск лучшей нейронной сети

Получив компактные отпечатки, авторы подают их в лёгкую нейронную сеть, которая решает, какая из шести популярных моделей DJI породила сигнал. Ключевая инновация — способ настройки этой сети. Вместо ручного подбора внутренних параметров или опоры только на стандартный градиентный спуск, они используют оптимизационный подход, вдохновлённый поведением леммингов в природе. Этот «искусственный алгоритм леммингов» моделирует популяцию кандидатов-настроек как животных, которые мигрируют, роют туннели, ищут пищу и избегают хищников, исследуя пространство возможных весов и размеров сети. За много итераций процесс сходится к конфигурации, минимизирующей ошибку классификации, избегая ловушек локальных оптимумов, которые часто тормозят или нарушают традиционную тренировку.

Проверка метода на практике

Исследователи оценили систему на наборе DroneRFa — большом открытом датасете реальных RF-сигналов дронов. Они сосредоточились на шести широко используемых платформах DJI с похожим радиотехническим оснащением, что делает задачу классификации сложнее. Из каждого сигнала было извлечено 10 000 отсчётов, рассчитаны многомасштабные энтропийные признаки для всех четырёх каналов, и эти 12 признаков использовались как вход в оптимизированную нейронную сеть. Новый метод достиг точности классификации 97,2%, обойдя несколько популярных альтернатив, которые также комбинируют нейросети с разными схемами оптимизации (генетические алгоритмы, рой частиц и методы «серых волков»), примерно на 5–7 процентных пунктов. Не менее важно, что их система сходилась гораздо быстрее, достигая 90% точности уже после 65 итераций обучения, и требовала относительно небольшого числа параметров — что делает её пригодной для работы в реальном времени на периферийном оборудовании.

Сохранение точности в шумной среде

Реальные RF‑среды беспорядочны: Wi‑Fi, Bluetooth и множество других устройств разделяют радиополосу. Чтобы проверить устойчивость, авторы намеренно добавляли сильный искусственный шум к сигналам дронов, поэтапно снижая отношение сигнал/шум до уровня, где сигнал равен шуму. Конкурирующие наборы признаков, основанные на аудио‑коэффициентах, простых спектрах или диаграммах созвездия, демонстрировали резкое падение точности в таких условиях. Напротив, многомасштабные энтропийные признаки ухудшались лишь плавно, и система продолжала корректно идентифицировать дроны в 90% случаев даже при самом суровом уровне шума. Статистический анализ показал, что эти признаки лучше разделяют разные типы дронов, сохраняя при этом внутреннюю согласованность каждого типа, что объясняет их устойчивость.

Что это значит для более безопасного неба

Проще говоря, авторы создали инструмент «радиочастотной идентификации», который может прослушивать скрытую управляющую связь дрона, сводить её к небольшому набору чисел и с помощью эффективно настроенной нейронной сети определять модель в полёте — даже когда радиополоса занята и шумна. По сравнению с существующими методами их подход точнее, быстрее в обучении и достаточно лёгок для запуска на скромном оборудовании. Это делает его привлекательным элементом будущих систем управления низковысотным движением и охранных установок вокруг аэропортов, границ и чувствительных объектов. Хотя текущее исследование нацелено на шесть конкретных моделей, базовые идеи — богатые многомасштабные описания сигналов в сочетании с умной оптимизацией простых нейросетей — могут быть расширены на более широкий парк дронов и других беспроводных устройств, усиливая контроль над всё более загруженным небом.

Цитирование: 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

Ключевые слова: обнаружение дронов, радиочастотные сигналы, беспроводной «отпечаток», оптимизация нейронных сетей, безопасность воздушного пространства