基于多尺度散度熵与优化神经网络的无人机飞行控制射频信号分类方法

为何发现隐蔽无人机很重要

小型无人机如今廉价、性能强大且无处不在——从航拍和包裹投递到战场侦察都有应用。但同样的技术也可能被用于间谍活动、走私，或扰乱机场和关键基础设施。监管部门需要能够快速且可靠地检测并识别无人机，即便它们距离较远或在建筑物间低空飞行。本文提出了一种新方法，监听无人机与其控制器之间看不见的无线电对话，从而识别空中的是哪种机型，并且在极嘈杂的环境下也能达到异常高的识别精度。

现有无人机侦测工具的问题

当前的无人机检测系统依赖雷达、摄像机、红外传感器或麦克风。每种方法都有明显缺陷。雷达在面对非常小、速度慢的目标时效果欠佳，且容易被地面杂波干扰。光学与红外摄像机依赖良好天气与视野，其性能在雾、雨或黑暗中会下降。声学方法成本低但仅在短距离内有效，且容易被背景噪声掩盖。基于视觉的深度学习可以对已知机型进行分类，但需要大量标注数据，并且在遇到新型号或对抗性环境时可能失效。这些弱点在拥挤的城市或低空环境中为空域安全留下了空白。

监听无人机的无线电“闲聊”

作者没有直接观察或聆听无人机本体，而是聚焦其射频（RF）控制信号——无人机与遥控器之间的链路。这些信号能穿透障碍物、适用于各种天气，且通常比可见检测更早、更远被接收到。然而，仅测量信号强度或基本频谱不足以在复杂的电磁环境中区分不同无人机型号。研究团队采用了一种称为多尺度散度熵的概念，通俗地说就是在不同时间窗口上跟踪信号的不可预测性和复杂性。将这一方法应用于四个射频通道（每个天线路径两个通道）后，他们把每个信号压缩成包含12个数值的“指纹”，捕捉该无人机控制链路的独特行为特征。

为最佳神经网络进行智能搜索

得到这些紧凑指纹后，作者将其输入到一个轻量级神经网络中，由网络判断是哪六款常见的大疆（DJI）无人机产生了该信号。一个关键创新在于他们如何调整该神经网络。作者没有人工猜测内部参数或仅依赖常规梯度下降，而是使用了一种受动物行为启发的优化方法，模仿旅鼠（lemming）的行为。该“人工旅鼠算法”将候选网络视作群体动物，它们迁徙、挖掘通道、觅食与避敌，从而在可能的权重设置和网络规模空间中探索。经过多次迭代，这一过程能收敛到最小化分类误差的配置，避免传统训练中常见的局部最优陷阱。

方法的实测评估

研究人员在 DroneRFa 数据集上评估了他们的系统——这是一个包含真实无人机射频信号的大型公开数据集。他们聚焦六款广泛使用且射频硬件相似的 DJI 平台，这使得分类任务更具挑战性。从每个信号中提取了10,000个样本，为四个通道计算多尺度熵特征，并将这12个特征作为输入送入被优化的神经网络。该方法实现了97.2%的分类准确率，优于若干将神经网络与不同优化方案（遗传算法、粒子群、灰狼等）结合的流行替代方法约5–7个百分点。同样重要的是，他们的系统收敛速度更快，仅需65次训练迭代就达到了90%的准确率，且所需参数相对较少——使其适合实时边缘部署。

在嘈杂环境中保持准确

真实世界的射频环境很混乱：Wi‑Fi、蓝牙以及无数其他设备共占频谱。为测试鲁棒性，作者故意向无人机信号中加入强烈的人工噪声，将信噪比逐步降低到信号与噪声同等强度的水平。基于音频启发系数、简单频谱或星座图的竞争特征集在此类条件下准确率都出现了陡降。相比之下，多尺度熵特征仅呈缓慢衰减，在最苛刻的噪声级别下系统仍能正确识别90%的无人机。统计分析表明，这些特征在区分不同无人机类型的同时保持每类内部一致性更好，这解释了其耐噪性。

对更安全空域的意义

通俗地说，作者构建了一个“无线指纹”工具，能够监听无人机的隐藏控制链路，将其概括为一小组数值，并用高效调优的神经网络判断飞行的机型——即便在频谱拥挤且噪声很大的情况下。与现有方法相比，他们的方法更准确、训练更快且足够轻量，可以在资源有限的硬件上运行。这使其成为面向未来低空流量管理系统以及机场、边境和敏感地点周边安全设施的有吸引力的构件。尽管当前研究针对的是六款特定机型，但其核心思想——丰富的多尺度信号表征结合对简单神经网络的智能优化——可以推广到更广泛的无人机群体和其他无线设备，从而在日益繁忙的天空中提高我们的监控能力。

引用: 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

关键词: 无人机检测, 射频信号, 无线指纹识别, 神经网络优化, 空域安全