本发明属于无人机射频信号，具体是基于优化残差神经网络的小型无人机射频信号监视的方法。
背景技术：
1、小型无人机(uav)是指没有人员驾驶的小型飞行器，可以通过远程操控或自主飞行进行任务执行，它的出现源于小型和低成本设备上部署的尖端技术。伴随着民用小型无人机的广泛运用和普及，公共安全问题和隐患也日益凸显。小型无人机的管制对于个人、企业甚至国家的安全都显得至关重要。非法滥用无人机可能导致个人隐私泄露，企业机密被窃取，甚至威胁到重要的国家会议。
2、因此，对无人机进行监管和管控是维护公共安全和国家安全的必要措施。
3、传统的无人机探测和识别方法，例如雷达、视觉和声学等，不是十分可靠，因为它们容易受到各种环境因素的限制。其中，雷达探测受地形、水汽、杂波等因素影响，视觉探测受光线、大气折射、天气等因素影响，声学探测易受水质、气体含量、水深等因素影响，红外探测受气象条件和敌方对抗手段影响。与传统的无人机探测方法相比，射频感知与深度学习的相结合提供了一种解决方案，它能够有效地检测和分类无人机。
4、无人机射频信号监视任务需要检测无人机、分类无人机、识别无人机操作模式。检测无人机需要通过射频信号的特征来判断是否有无人机的存在。分类无人机需要分辨出无人机的型号。识别无人机操作模式需要识别出无人机的具体操作模式，例如飞行、悬停等。采用现有的射频感知难以达到上述作用。
技术实现思路
1、为解决上述问题，本发明的目的是提供一种基于优化残差神经网络的小型无人机射频信号监视的方法，对小型无人机的存在检测、类型分辨和操作模式识别，用于监视是否存在无人机、无人机的机型、无人机的操作模式，对于复杂环境中小型无人机监视的缺陷，可以保证较高的检测准确性。可以智能且准确地进行无人机射频信号监视。
2、为了实现上述目的，本发明的技术方案如下：一种基于优化残差神经网络的小型无人机射频信号监视的方法，包括如下步骤：
3、步骤1，添加分组一维卷积：搭建具有多个卷积层的深度神经网络架构，每一层由几个大小为1×3和1×7的一维非对称滤波器指定，从粗到细提取多尺度分辨率的原始一维信号的局部特征；
4、步骤2，搭建变异残差块即多层次跳跃连接结构：设计多级跳跃连接，与多级池相结合，以调节梯度流和收集更多的全局基础特征；
5、步骤3，交叉验证协议评估微调无人机射频信号监视模型，采用交叉验证的方法，将数据集随机划分为10个不重叠的子集，其中一个子集作为测试的验证集，其余部分用于训练网络，重复这个过程10次以评估整个数据集，并通过计算所有子集的平均性能来反应总体性能。
6、进一步，步骤1，包括如下方法：步骤11，输入层：定义卷积层的组数、每组拥有滤波器的个数和多类别操作模式分类的类别数；步骤12，卷积层：定义卷积层使用1×3或者1×7的一维非对称滤波器，步幅为1到3或者1到7；步骤13，归一化层：使用批量归一化层。
7、进一步，步骤2，包括如下方法：
8、步骤21，1号卷积层配置：由1号elu隐藏层激活，1号卷积层被激活后，通过2号elu隐藏层再次激活，最后到达2号全局平均池化层；
9、步骤22，2号卷积层配置：由2号elu隐藏层和1号最大池化层跳跃到达1号加法层，再由1号加法层连接到2号卷积层，通过3号elu隐藏层激活，最后到达5号全局平均池化层；
10、步骤23，3号卷积层配置：由3号elu隐藏层和2号最大池化层跳跃到达2号加法层，再由2号加法层连接到3号卷积层，通过4号elu隐藏层激活，最后到达4号全局平均池化层；
11、步骤24，4号卷积层配置：由4号elu隐藏层和3号最大池化层跳跃到达3号加法层，再由3号加法层连接到4号卷积层，通过5号elu隐藏层激活，最后到达3号全局平均池化层；
12、步骤25，5号卷积层配置：由5号elu隐藏层和4号最大池化层跳跃到达4号加法层，再由4号加法层连接到5号卷积层，通过6号elu隐藏层激活，最后到达6号全局平均池化层；
13、步骤26，1号全局平均池化层配置：由6号elu隐藏层和5号最大池化层跳跃到达5号加法层，直接到达1号全局平均池化层；
14、步骤27，深度串联层配置：由1号、2号、3号、4号、5号全局平均池化层串联到达深度串联层；
15、步骤28，输出层配置：由深度串联层到达全连接层，通过softmax激活层激活，最后输出分类结果。
16、进一步，步骤28中，通过归一化指数函数将全连接层推导的分数转换为类的概率分布；式中pj是满足1≤pj≤0和的输入数据的第j类概率；
17、
18、网络根据softmax函数的输出，将每个输入分配给n个互斥类中的一个，并用拉普拉斯变换计算出多分类的交叉熵损失，式中n代表训练信号帧的数量，vij表示与第j类相关联的第i个输入信号的真实值，而uij表示网络对第i个输入信号的第j类的输出结果：
19、
20、采用上述方案有以下有益效果：本发明利用优化残差神经网络的算法，设计了一种基于优化残差神经网络的小型无人机射频信号监视系统。该系统以小型无人机射频信号为研究对象，通过交叉验证协议训练无人机射频信号监视模型，采用分组一维卷积，从粗到细提取多尺度分辨率的原始一维信号的局部特征，搭建多层次跳跃连接结构，得到最终的监视模型。与现有技术相比，这种方法对环境要求不敏感，能够有效提升复杂环境下处在不同距离、不同机型、不同操作模式的无人机的监视，通过多层次跳跃结构，保持梯度流，结合多层次池化，收集无人机射频信号深度特征，通过提高学习效率来实现高精度。
21、本发明的附加方面和优点将在下面的描述中部分给出，部分将从下面的描述中变得明显，或通过本发明的实践了解到。
1.基于优化残差神经网络的小型无人机射频信号监视的方法，其特征在于：包括如下方法：
2.根据权利要求1所述的基于优化残差神经网络的小型无人机射频信号监视的方法，其特征在于：步骤1，包括如下方法：
3.根据权利要求2所述的基于优化残差神经网络的小型无人机射频信号监视的方法，其特征在于：步骤2，包括如下方法：
4.根据权利要求3所述的基于优化残差神经网络的小型无人机射频信号监视的方法，其特征在于：步骤28中，通过归一化指数函数将全连接层推导的分数转换为类的概率分布；式中pj是满足1≤pj≤0和的输入数据的第j类概率；
