Abstract
The protection of various objects against the impact of unmanned aerial vehicles (UAVs), which carry a potential threat in the military, economic and everyday areas of human activity, is one of the urgent tasks of our time. Currently, there are a large number of publications devoted to the description of methods and systems based on different physical principles designed to detect and observe UAVs against the background of existing interference. They consider the reception channels, methods of processing the received information signals and their subsequent intelligent analysis. It is shown, that the known methods of energy detection of UAV signals are insufficiently effective, since the operation is performed, as a rule, against a background of noise that has certain structural similarities with the UAV signal. Considerable attention is paid to the methods for interpreting the obtained data using trained neural networks. Since the number of publications in this area is constantly increasing, the task of analyzing, generalizing and systematizing the data available in the literature is relevant in accordance with this.
 The article is an overview and it is devoted to the generalization and systematization of known methods of receiving and processing radar, acoustic, optical and infrared signals for detection-recognition, measurement of coordinates and parameters of UAV movement.
Highlights
Одна из актуальных задач заключается в защите разнообразных объектов от воздействия беспилотных летательных аппаратов (БПЛА), несущих потенциальную угрозу в военной, хозяйственной и повседневной областях деятельности человека [1, 2]
определяет множество измеряемых параметров с соответствующими точностными характеристиками и пространственновременным разрешением
Using deep networks for drone detection // Proceedings of the 2017 14th IEEE International Conference on Advanced Video and Signal Based Surveillance (AVSS); Lecce, Italy
Summary
Радиолокационные станции (РЛС) являются традиционным, широко распространенным средством для обнаружения летательных аппаратов. МДС широко используется для классификации разнообразных целей при решении различных задач, в том числе в последнее время для классификации БПЛА. В [8] предложено использовать кратковременное преобразование Фурье (STFT) и извлекать собственные векторы из корреляционной матрицы МДС в качестве признаков для обучения трех классификаторов: линейного, нелинейного метода опорных векторов и байесовского классификатора, с целью классификации десяти различных винтовых БПЛА и птиц. РЛС кругового обзора для обнаружения БПЛА имеет вращающуюся вкруговую антенну и обеспечивает хорошие поисковые возможности при обнаружении объектов, а также для измерения их координат, но время облучения целей в этом случае получается достаточно малым в силу специфики их работы, что не позволяет формировать МДС. Методы машинного обучения находят в последнее время все большее применение для обработки радиолокационных данных в различных задачах, в том числе применительно к БПЛА. Качество решения задачи в значительной степени зависит от отношения сигнал-шум
Sign-in/Register to view highlights & summary Sign-in/Register to access full text options 
Talk to us
Join us for a 30 min session where you can share your feedback and ask us any queries you have
Schedule a callDisclaimer: All third-party content on this website/platform is and will remain the property of their respective owners and is provided on "as is" basis without any warranties, express or implied. Use of third-party content does not indicate any affiliation, sponsorship with or endorsement by them. Any references to third-party content is to identify the corresponding services and shall be considered fair use under The CopyrightLaw.
