摘要
随着建筑智能化技术的不断发展，针对建筑物的安全防范问题也得到了广泛关注，入侵检测是建筑物安全防范的重要一环。如今无人机已经被应用到各个领域，助力社会的发展，但由于无人机的管制体系还不健全，导致“黑飞”的现象时常发生，存在不少的安全隐患。另外，无人机携带有摄像头，乱飞乱拍也会造成隐私泄露，扰乱社会治安，因此许多建筑物附近都会禁止无人机飞行。 无人机入侵检测首先要做到检测出无人机的存在，其次要能够对其进行定位，找到其所在位置，确定其身份。无线感知技术常被应用于入侵检测和定位等方面，其有着成本低、易于部署等优点，是作为无人机入侵检测很好的技术选择。本文的主要工作是基于无线感知技术对无人机进行入侵检测，主要从下面两点开展研究： 在无人机入侵检测方面，主要利用分析CSI振幅和相位特征，建立离线数据模型实现入侵无人机的定位。首先通过相位矫正和滤波预处理CSI数据，利用堆叠稀疏自编码器（StackedSparseAutoencoder，SSAE）对指纹库进行特征降维，提取有效特征。通过梯度提升决策树(GradientBoostingDecisionTree，GBDT)算法建立回归模型。在线测试阶段,采集实时数据并进行预处理和降维后，输入到训练完毕的GBDT算法模型中进行匹配识别以获得入侵的无人机精确位置。比较支持向量机（SupportVectorMachine，SVM）、邻近算法（K-NearestNeighbor，KNN）、动态神经网络（DynamicNeuralNetworks，DNN）和决策树(DecisionTree，DT)五种算法性能，选择GBDT算法作为分类算法。实验结果表明，该方法在复杂的室外环境下达到较低的平均入侵定位误差。具有良好的鲁棒性，可以有效解决无人机入侵检测问题。 在入侵无人机身份认证方面，提出一种新的方法依据每个无人机独特的特征验证入侵无人机的身份。民用无线设备提取不同无人机入侵引起CSI信号振幅和相位的特征，对CSI的幅度与相位融合信号进行数据预处理，利用希尔伯特黄变换（Hilbert-Huangtransform，HHT）来提取区分无人机的瞬时幅值和瞬时频率作为分类特征构建特征矩阵。通过图卷积神经网络（GraphConvolutionNetwork,GCN）构建无人机入侵检测模型，充分利用GCN处理非结构化数据的能力，提出基于MSPCA+GCN的入侵检测算法，建立最优的无人机身份认证模型。试验结果表明，三台不同的无人机对该方法进行评估，所提身份认证算法均可达到90%以上的准确率。这种低成本的方法将有助于在建筑区域验证入侵无人机的身份。
NETL