文章来源 微信公众号 EW Frontier

低数据场景下的无人机射频识别新方案：单次生成式模型完胜GAN/VA

题目

基于单次生成式分布匹配的增强型射频无人机识别

摘要

本研究针对受限射频环境下利用射频指纹识别无人机这一难题展开研究。受环境干扰和硬件缺陷影响，射频信号的复杂性与变异性往往导致传统射频识别方法失效。为解决这些问题，研究首次将单次生成式方法系统化应用于变换后射频信号的增强，大幅提升了无人机识别性能。该方法在低数据场景中表现优异，性能优于条件生成对抗网络（GAN）、变分自编码器（VAE）等深度生成式模型。论文从理论上证明了单次生成式模型在增强有限数据方面的有效性，为其在受限射频环境中的应用奠定了先例。本研究为低数据场景下的机器学习技术发展提供了新方向，该技术也可应用于图像和视频之外的非典型复杂序列分析。

关键词：低数据场景；瓦瑟斯坦度量；合成数据；分布外数据；外推法

引言

无人机（俗称无人驾驶航空器）正日益广泛地融入监控、物流等多个领域，这也凸显了其网络安全防护的迫切性。因此，利用射频指纹技术区分合法与恶意无人机设备至关重要，尤其是在各类受限环境中。温度、湿度、环境遮挡、硬件缺陷等因素带来的射频信号复杂性与变异性，对无人机的稳定识别和追踪构成了巨大挑战。这些因素会干扰射频信号的清晰度和强度，形成可用信号数量减少的受限射频环境。传统射频识别方法虽在开放环境中有效，但在茂密植被、城市峡谷、恶劣天气等受限射频环境中，或硬件故障加剧的情况下，往往难以发挥作用，使得无人机的可靠检测与分类成为一大难题。

机器学习技术的出现，为在这类复杂射频环境中提升无人机识别性能开辟了新途径。借助深度学习算法，能够提取和分析射频信号中那些通常被环境因素掩盖或扭曲的复杂模式。然而，数据密集型的深度学习方法本身并不能解决受损环境下的数据稀缺问题，这就要求研发出可靠的技术，在数据有限的情况下对射频信号或其变换形式进行增强。当前的挑战主要在于，现有数据增强技术主要为计算机视觉应用设计，由于信号的复杂语义特征，将其扩展到其他类型的序列数据时，往往无法达到预期效果。

本研究受计算机视觉技术启发，系统化采用单次生成式方法，针对不同训练数据规模下的离散傅里叶变换（DFT）射频信号进行增强，以此模拟受限射频环境带来的低数据场景。实验结果表明，该方法显著提升了无人机识别的各项评估指标，在应对低数据场景时，性能优于条件生成对抗网络、变分自编码器等其他框架。

本研究的结构安排如下：首先，探究单次生成式模型在序列数据集增强方面的能力，明确序列、子序列、单次生成式模型和距离度量的数学定义，结合子序列的期望距离确定真实序列与生成序列间瓦瑟斯坦距离的上界，并通过序列和子序列的直观特例验证这一通用理论保证；其次，详细介绍无人机识别实验，包括所选数据集、单次生成式模型、作为基准的条件深度生成模型、分类流程及评估方法；最后，分析实验结果，涵盖所有设计场景和方法下分类任务的准确率、精确率、召回率和F1值。

方法简介

本研究的核心方法围绕单次生成式分布匹配展开，结合理论推导与实验验证，构建了一套适用于射频信号增强的无人机识别方案，核心方法模块包括以下几方面：

1. 理论基础构建：定义了序列、子序列、选择矩阵等核心概念，以瓦瑟斯坦距离（地球移动距离）为分布相似性度量标准，提出单次生成式模型的数学定义，并通过引理和定理推导得出真实数据与合成数据间瓦瑟斯坦距离的上界，同时针对二维序列（如矩阵化的射频信号）推出具体推论，为合成数据的分布保真度提供理论保证。

2. 核心生成模型：生成式补丁分布匹配（GPDM）：选用GPDM作为单次生成式模型，该模型通过最小化真实与生成样本补丁间的切片瓦瑟斯坦距离（SWD）实现分布匹配，采用多尺度分层策略，在训练初期即可学习样本的全局结构，具备生成多样本的高效性，且为无模型依赖方法，相比其他单次生成式模型速度更快、样本多样性更优。

3. 对比基准模型：选取条件生成对抗网络（CGAN）、条件变分自编码器（CVAE）作为深度生成式基准模型，对其进行优化改进——CGAN融合带梯度惩罚的瓦瑟斯坦GAN以提升训练稳定性，CVAE采用循环退火策略平衡KL散度损失；同时对训练数据进行清洗（MAD方法去除异常值）和mixup数据增强，以解决低数据场景下的过拟合和模式崩溃问题。

4. 数据处理与分类流程：将射频信号经DFT变换后提取2025个频率特征，重构为45×45矩阵以适配单次生成式模型；采用5折交叉验证划分数据集，模拟10%~50%的低数据场景；分类端结合SMOTE过采样解决类别不平衡问题，使用XGBoost分类器完成无人机类型和飞行模式的识别，以准确率、精确率、召回率、F1值为核心评估指标。

5. 实验设计：设置4分类（无人机存在性+类型）和10分类（无人机存在性+类型+飞行模式）两大任务，各任务包含10%、20%、30%、40%、50%训练数据五种低数据场景，为所有生成模型生成5000个合成样本，保证模型对比的公平性。

结论

本研究证实，生成式补丁分布匹配（GPDM）等单次生成式模型能显著提升无人机分类指标，在传统深度生成式模型难以发挥作用的低数据场景中表现尤为突出。研究系统化评估了单次生成式方法在射频信号变换合成中的应用，构建并验证了真实数据与合成数据间分布距离的上界，实验结果在各类场景中均与理论预测一致，证实了该方法在分布匹配方面的生成鲁棒性，保障了合成数据用于无人机可靠识别的保真度。此外，在数据有限、信号高度复杂的无人机及飞行模式分类任务中，单次生成式数据增强方法的性能显著优于条件生成对抗网络（CGAN）和条件变分自编码器（CVAE）。总体而言，本研究为提升受限射频环境下的无人机识别性能，提供了一套严谨且高效的解决方案。