В данной статье рассматривается проблема идентификации скрытых сигналов управления дронами в условиях интенсивного городского радиочастотного шума с использованием методов глубокого обучения, в частности, глубоких сверточных нейронных сетей. Актуальность исследования определяется возрастающей угрозой несанкционированного управления воздушными аппаратами в условиях высокой плотности электромагнитных помех, характерной для городских застроек. Введение обосновывает необходимость разработки эффективных алгоритмов, способных выделять и распознавать малозаметные сигналы среди шумового фона. Для достижения поставленной цели в методологической части статьи предложена архитектура сверточной нейронной сети, адаптированная под специфику радиочастотных данных. Описаны этапы сбора и предварительной обработки данных, включающие сегментацию сигналов, фильтрацию шумов и применение методов аугментации. Особое внимание уделено выбору архитектурных гиперпараметров, функциям активации и методам регуляризации, позволяющим минимизировать переобучение модели. Экспериментальная часть основана на моделировании городского радиочастотного пространства с включением реальных данных, что позволило оценить эффективность предложенной методики в условиях приближенных к реальным. В результате исследования продемонстрирована высокая точность идентификации сигналов управления, даже при наличии значительных уровней фонового шума. Полученные результаты показывают, что предложенный подход способен выделять скрытые сигналы с уровнем точности свыше 90%, что значительно повышает надежность обнаружения беспилотных аппаратов в городских условиях. Также обсуждаются трудности, связанные с нестационарностью радиочастотного окружения, и предложены пути дальнейшей оптимизации сети для повышения устойчивости к изменяющимся помехам. В заключении авторы подчеркивают значимость использования глубоких сверточных сетей для задач радиочастотного мониторинга в контексте обеспечения безопасности городской инфраструктуры. Данное исследование открывает перспективы для разработки автоматизированных систем раннего предупреждения и обнаружения потенциально опасных сигналов управления дронами в сложных условиях реального мира, что может быть использовано для повышения уровня защиты критически важных объектов и городской среды в целом.
This article discusses the problem of identifying hidden drone control signals in conditions of intense urban radio frequency noise using deep learning methods, in particular, deep convolutional neural networks. The relevance of the study is determined by the increasing threat of unauthorized control of aircraft in conditions of high density of electromagnetic interference typical of urban areas. The introduction substantiates the need to develop effective algorithms capable of detecting and recognizing subtle signals from the background noise. To achieve this goal, the methodological part of the article proposes a convolutional neural network architecture adapted to the specifics of radio frequency data. The stages of data collection and preprocessing, including signal segmentation, noise filtering, and the use of augmentation methods, are described. Particular attention is paid to the choice of architectural hyperparameters, activation functions, and regularization methods to minimize overfitting of the model. The experimental part is based on modeling the urban radio frequency space with the inclusion of real data, which made it possible to evaluate the effectiveness of the proposed methodology in conditions close to real ones. As a result of the study, high accuracy of identification of control signals has been demonstrated, even in the presence of significant levels of background noise. The results show that the proposed approach is capable of detecting hidden signals with an accuracy level of over 90%, which significantly increases the reliability of detecting unmanned vehicles in urban environments. The difficulties associated with the non-stationarity of the radio frequency environment are also discussed, and ways are proposed to further optimize the network to increase resistance to changing interference. In conclusion, the authors emphasize the importance of using deep convolutional networks for radio frequency monitoring tasks in the context of ensuring the safety of urban infrastructure. This research opens up prospects for the development of automated early warning systems and the detection of potentially dangerous drone control signals in difficult real-world conditions, which can be used to increase the level of protection of critical facilities and the urban environment as a whole.
This article discusses the problem of identifying hidden drone control signals in conditions of intense urban radio frequency noise using deep learning methods, in particular, deep convolutional neural networks. The relevance of the study is determined by the increasing threat of unauthorized control of aircraft in conditions of high density of electromagnetic interference typical of urban areas. The introduction substantiates the need to develop effective algorithms capable of detecting and recognizing subtle signals from the background noise. To achieve this goal, the methodological part of the article proposes a convolutional neural network architecture adapted to the specifics of radio frequency data. The stages of data collection and preprocessing, including signal segmentation, noise filtering, and the use of augmentation methods, are described. Particular attention is paid to the choice of architectural hyperparameters, activation functions, and regularization methods to minimize overfitting of the model. The experimental part is based on modeling the urban radio frequency space with the inclusion of real data, which made it possible to evaluate the effectiveness of the proposed methodology in conditions close to real ones. As a result of the study, high accuracy of identification of control signals has been demonstrated, even in the presence of significant levels of background noise. The results show that the proposed approach is capable of detecting hidden signals with an accuracy level of over 90%, which significantly increases the reliability of detecting unmanned vehicles in urban environments. The difficulties associated with the non-stationarity of the radio frequency environment are also discussed, and ways are proposed to further optimize the network to increase resistance to changing interference. In conclusion, the authors emphasize the importance of using deep convolutional networks for radio frequency monitoring tasks in the context of ensuring the safety of urban infrastructure. This research opens up prospects for the development of automated early warning systems and the detection of potentially dangerous drone control signals in difficult real-world conditions, which can be used to increase the level of protection of critical facilities and the urban environment as a whole.