多源融合风险识别技术体系-无人机信号异常识别Part2

一、干扰、欺骗与链路异常识别

复杂低空环境中常见干扰包括Wi-Fi/蓝牙同频干扰、多无人机共存干扰、扫频干扰、压制式干扰和伪装通信信号。系统通过频谱占用、时频纹理、信号持续时间、调制特征和链路质量变化判断干扰类型。

链路异常评分可定义为

$$S_{link}={\omega }_1\frac{\Delta SNR}{SN{R}_0}+{\omega }_{2}PER+{\omega }_3{D}_{delay}+{\omega }_4{O}_{spec}+{\omega }_5{I}_{jam}$$

其中，$\Delta SNR$ 表示信噪比下降幅度，$PER$ 表示包错误率，$D_{delay}$ 表示链路时延异常程度，$O_{spec}$ 表示频谱重叠程度，$I_{jam}$ 表示干扰强度，${\omega }_1\sim {\omega }_5$ 为权重系数。当链路异常评分超过阈值时，系统将触发链路风险预警，并进一步判断其对飞行控制、图传回传、任务执行和监管可视化的影响。

若系统检测到某区域出现高功率扫频干扰，则会将该干扰事件与区域内所有无人机链路风险关联；若检测到广播帧身份与轨迹行为不一致，则触发身份欺骗风险；若检测到未知协议信号且目标靠近重点设施，则触发高等级安全预警。

二、分布外信号识别

复杂低空环境中可能出现未知型号无人机、改装通信模块、非标准协议、主动干扰和伪装信号，因此系统不能只进行闭集分类，还需要具备分布外识别能力。所谓分布外识别，是指模型能够判断输入样本是否超出已知训练类别分布，而不是强行将其归入某个已知类别。

系统可采用能量评分、最大软概率、特征距离和跨模态冲突等方式进行未知风险判断。以能量评分为例，设模型输出logit为 $f(x)\in {\mathbb{R}}^K$，则能量得分为

$$E(x)=-T\log \sum _{k=1}^K\exp \frac{f_k(x)}{T}$$

其中，$T$ 表示温度系数，$K$ 表示已知类别数量。若能量得分或不确定性超过阈值，则系统将其标记为未知信号。也可基于特征空间距离进行判断

$$D(x)=\underset{k}{\min }{\left(x-{\mu }_k\right)}^{\top }{\Sigma }_k^{-1}\left(x-{\mu }_k\right)$$
其中，${\mu }_k$ 和 ${\Sigma }_k$ 分别表示第 $k$ 类已知信号特征均值和协方差矩阵。若输入样本到所有已知类别的距离均较大，则判定为分布外样本。该机制可降低未知无人机被误判为合法无人机的风险，并为人工复核、样本补充和模型更新提供依据。

后续将继续分享相关内容