Çok ölçekli ayrışım entropisi ve optimize edilmiş sinir ağlarına dayalı İHA uçuş kontrol RF sinyallerinin sınıflandırma yöntemi

Gizli drone’ları tespit etmenin önemi

Küçük drone’lar artık ucuz, yetenekli ve her yerde—hava fotoğrafçılığından paket teslimatına, muharebe keşfine kadar. Ancak faydalı uygulamaları mümkün kılan aynı teknoloji, casusluk, kaçakçılık yapmak veya havaalanları ile kritik altyapıyı rahatsız etmek için de kötüye kullanılabiliyor. Yetkililerin, drone’lar uzakta olsa bile veya binalar arasında alçaktan uçarken, onları hızlı ve güvenilir şekilde tespit edip tanımlayabilecek yöntemlere ihtiyacı var. Bu makale, bir drone ile kumandası arasındaki görünmez radyo konuşmasını dinleyerek hangi modelin havada olduğunu tanıyan yeni bir yöntem sunuyor ve çok gürültülü koşullarda bile sıra dışı derecede yüksek doğruluk sağlıyor.

Mevcut drone tespit araçlarının sorunu

Bugünkü drone tespit sistemleri radar, kameralar, kızılötesi sensörler veya mikrofonlara dayanıyor. Her birinin ciddi dezavantajları var. Radar çok küçük, yavaş hedeflerde zorlanıyor ve yer karmaşasıyla karışabiliyor. Görsel ve kızılötesi kameralar temiz hava ve iyi görüş koşullarına bağlı; sis, yağmur veya karanlıkta performansları düşüyor. Akustik yöntemler ucuz ama kısa mesafede işe yarıyor ve çevre gürültüsüyle kolayca boğuluyor. Görüntü tabanlı derin öğrenme bilinen drone türlerini sınıflandırabilir, ancak geniş etiketli veri setleri gerektirir ve yeni modellere veya saldırgan koşullara maruz kaldığında başarısız olabilir. Bu zayıflıklar, özellikle yoğun kentsel veya alçak irtifa ortamlarda hava sahası güvenliğinde boşluklar bırakıyor.

Drone’un radyo sohbetini dinlemek

Drone’u doğrudan izlemek veya duymak yerine yazarlar, drone ile uzaktan kumandası arasındaki radyo frekansı (RF) kontrol sinyallerine odaklanıyor—drone ile kumanda arasındaki bağlantı. Bu sinyaller engellerden geçebilir, her türlü havada çalışır ve genellikle drone’un görülebileceğinden daha erken ve daha uzaktan yakalanabilir. Ancak sadece sinyal gücünü veya temel spektrumları ölçmek, kalabalık elektromanyetik ortamda farklı drone modellerini ayırt etmek için yeterli değil. Ekip, basitçe söylemek gerekirse, sinyalin farklı zaman pencerelerinde ne kadar öngörülemez ve karmaşık olduğunu izleyen çok ölçekli ayrışım entropisi kavramını kullanıyor. Bunu RF verisinin dört kanalına (anteni başına iki) uygulayarak, her bir sinyali o drone’un kontrol bağlantısının nasıl davrandığını yakalayan 12 sayılık bir “parmak izi”ne sıkıştırıyorlar.

En iyi sinir ağı için akıllı arama

Bu kompakt parmak izlerini elde ettikten sonra yazarlar, bunları sinyali üretenin hangi altı popüler DJI drone modelinden biri olduğunu belirleyen hafif bir sinir ağına veriyor. Kilit yenilik, bu sinir ağını ayarlama biçiminde yatıyor. İç ayarları elle tahmin etmek veya yalnızca standart gradyan inişine dayanmaktansa, doğadaki leming davranışından esinlenen bir optimizasyon yaklaşımı kullanıyorlar. Bu “yapay leming algoritması”, aday ağ popülasyonunu göç eden, tünel kazar, yiyecek arar ve yırtıcılardan kaçar hayvanlar olarak hayal ediyor; olası ağırlık ayarları ve ağ boyutları alanını keşfediyor. Çok sayıda yineleme boyunca bu süreç, sınıflandırma hatasını en aza indiren bir yapılandırmaya odaklanıyor ve geleneksel eğitimde sıkça işi yavaşlatan veya çökerten yerel optimum tuzaklarından kaçınıyor.

Yöntemi teste sokmak

Araştırmacılar sistemlerini gerçek drone RF sinyallerinden oluşan geniş açık veri seti DroneRFa üzerinde değerlendirdiler. Radyo donanımları benzer olan ve sınıflandırma problemini daha zorlu kılan altı yaygın DJI platformuna odaklandılar. Her sinyalden 10.000 örnek çıkardılar, dört kanalın tümü için çok ölçekli entropi özelliklerini hesapladılar ve bu 12 özelliği optimize edilmiş sinir ağına girdi olarak kullandılar. Yeni yöntem %97,2 sınıflandırma doğruluğuna ulaştı ve genetik algoritmalar, parçacık sürüsü ve gri kurt yöntemleri gibi farklı optimizasyon şemalarını kullanan birkaç popüler alternatifi yaklaşık 5–7 puan farkla geride bıraktı. Eşit derecede önemli olarak, sistemleri çok daha hızlı yakınsadı; yalnızca 65 eğitim yinelemesinden sonra %90 doğruluğa ulaştı ve nispeten az parametre gerektirdi—bu da gerçek zamanlı, uç cihaz dağıtımı için uygun olduğunu gösteriyor.

Gürültülü gerçek dünyada doğruluğu korumak

Gerçek dünya RF ortamları dağınık: Wi‑Fi, Bluetooth ve sayısız diğer cihazlar hava dalgalarını paylaşıyor. Dayanıklılığı sınamak için yazarlar kasıtlı olarak drone sinyallerine güçlü yapay gürültü eklediler ve işaret-gürültü oranını adım adım sinyalin gürültüyle eşit düzeye indiği seviyeye kadar düşürdüler. Ses kaynaklı katsayılar, basit spektrumlar veya konstelasyon diyagramlarına dayanan rakip özellik setleri bu koşullar altında doğrulukta keskin düşüşler yaşadı. Buna karşılık çok ölçekli entropi özellikleri yalnızca hafifçe bozuldu ve sistem test edilen en zorlu gürültü seviyesinde bile drone’ları %90 oranında doğru tanımlamaya devam etti. İstatistiksel analizler, bu özelliklerin farklı drone tiplerini daha iyi ayırırken her tipin iç tutarlılığını koruduğunu gösterdi; bu da onların dayanıklılığını açıklıyor.

Daha güvenli gökyüzleri için anlamı

Günlük anlatımla, yazarlar drone’un gizli kontrol bağlantısını dinleyebilen, bunu küçük bir sayı kümesine özetleyebilen ve verimli bir şekilde ayarlanmış bir sinir ağı kullanarak hangi modelin uçtuğunu söyleyebilen bir “radyo parmak izi” aracı geliştirdiler—hava dalgalarının kalabalık ve gürültülü olduğu durumlarda bile. Mevcut yöntemlerle karşılaştırıldığında yaklaşımları daha doğru, daha hızlı eğitilebilen ve mütevazı donanımda çalışacak kadar hafif. Bu, havaalanları, sınırlar ve hassas alanlar etrafında geleceğin alçak irtifa trafik yönetimi sistemleri ve güvenlik kurulumları için çekici bir yapı taşı yapıyor. Mevcut çalışma altı belirli modeli hedeflese de, zengin çok ölçekli sinyal tanımları ile basit sinir ağlarının akıllı optimizasyonunun birleştirilmesi fikri, daha geniş drone filolarına ve diğer kablosuz cihazlara uygulanarak giderek yoğunlaşan gökyüzü üzerinde daha sıkı denetim sağlayabilir.

Atıf: 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

Anahtar kelimeler: drone tespiti, radyo frekansı sinyalleri, kablosuz parmak izi, sinir ağı optimizasyonu, hava sahası güvenliği