This paper investigates the problem of detection and classification of unmanned aerial vehicles (UAVs) in the presence of wireless interference signals using a passive radio frequency (RF) surveillance system. The system uses a multistage detector to distinguish signals transmitted by a UAV controller from the background noise and interference signals. First, RF signals from any source are detected using a Markov models-based naïve Bayes decision mechanism. When the receiver operates at a signal-to-noise ratio (SNR) of 10 dB, and the threshold, which defines the states of the models, is set at a level 3.5 times the standard deviation of the preprocessed noise data, a detection accuracy of 99.8% with a false alarm rate of 2.8% is achieved. Second, signals from Wi-Fi and Bluetooth emitters, if present, are detected based on the bandwidth and modulation features of the detected RF signal. Once the input signal is identified as a UAV controller signal, it is classified using machine learning (ML) techniques. Fifteen statistical features extracted from the energy transients of the UAV controller signals are fed to neighborhood component analysis (NCA), and the three most significant features are selected. The performance of the NCA and five different ML classifiers are studied for 15 different types of UAV controllers. A classification accuracy of 98.13% is achieved by k-nearest neighbor classifier at 25 dB SNR. Classification performance is also investigated at different SNR levels and for a set of 17 UAV controllers which includes two pairs from the same UAV controller models.

中文翻译：

---

在存在Wi-Fi和蓝牙干扰的情况下使用RF指纹对无人机进行检测和分类

本文研究了使用无源射频（RF）监视系统在存在无线干扰信号的情况下对无人机（UAV）进行检测和分类的问题。该系统使用多级检测器将无人机控制器发送的信号与背景噪声和干扰信号区分开。首先，使用基于Markov模型的朴素贝叶斯决策机制检测来自任何来源的RF信号。当接收器以10 dB的信噪比（SNR）工作时，将定义模型状态的阈值设置为预处理噪声数据标准偏差的3.5倍，检测精度达到99.8％的误报率2.8％。其次，来自Wi-Fi和蓝牙发射器的信号（如果有）基于检测到的RF信号的带宽和调制特征来检测信号。一旦输入信号被识别为UAV控制器信号，就使用机器学习（ML）技术对其进行分类。从无人机控制器信号的能量瞬变中提取的15个统计特征被送入邻域分量分析（NCA），并选择了三个最重要的特征。针对15种不同类型的无人机控制器，研究了NCA和五个不同的ML分类器的性能。k近邻分类器在25 dB SNR时可实现98.13％的分类精度。还针对不同的SNR级别以及一组17个UAV控制器（包括来自相同UAV控制器模型的两对）进行了分类性能研究。一旦输入信号被识别为UAV控制器信号，就使用机器学习（ML）技术对其进行分类。从无人机控制器信号的能量瞬变中提取的15个统计特征被送入邻域分量分析（NCA），并选择了三个最重要的特征。针对15种不同类型的无人机控制器，研究了NCA和五个不同的ML分类器的性能。k近邻分类器在25 dB SNR时可实现98.13％的分类精度。还针对不同的SNR级别以及一组17个UAV控制器（包括来自相同UAV控制器模型的两对）进行了分类性能研究。一旦输入信号被识别为UAV控制器信号，就使用机器学习（ML）技术对其进行分类。从无人机控制器信号的能量瞬变中提取的15个统计特征被送入邻域分量分析（NCA），并选择了三个最重要的特征。针对15种不同类型的无人机控制器，研究了NCA和五个不同的ML分类器的性能。k近邻分类器在25 dB SNR时可实现98.13％的分类精度。还针对不同的SNR级别以及一组17个UAV控制器（包括来自相同UAV控制器模型的两对）进行了分类性能研究。从无人机控制器信号的能量瞬变中提取的15个统计特征被送入邻域分量分析（NCA），并选择了三个最重要的特征。针对15种不同类型的无人机控制器，研究了NCA和五个不同的ML分类器的性能。k近邻分类器在25 dB SNR时可实现98.13％的分类精度。还针对不同的SNR级别以及一组17个UAV控制器（包括来自相同UAV控制器模型的两对）进行了分类性能研究。从无人机控制器信号的能量瞬变中提取的15个统计特征被送入邻域分量分析（NCA），并选择了三个最重要的特征。针对15种不同类型的无人机控制器，研究了NCA和五个不同的ML分类器的性能。k近邻分类器在25 dB SNR时可实现98.13％的分类精度。还针对不同的SNR级别以及一组17个UAV控制器（包括来自相同UAV控制器模型的两对）进行了分类性能研究。k近邻分类器在25 dB SNR时可达到13％。还针对不同的SNR级别以及一组17个UAV控制器（包括来自相同UAV控制器模型的两对）进行了分类性能研究。k近邻分类器在25 dB SNR时可达到13％。还针对不同的SNR级别以及一组17个UAV控制器（包括来自相同UAV控制器模型的两对）进行了分类性能研究。