PHƯƠNG PHÁP HỌC MÁY CHO PHÁT HIỆN TÍN HIỆU UAV DỰA TRÊN PHỔ STFT VÀ ĐẶC TRƯNG 2D-DCT

Tóm tắt

Cùng với sự gia tăng nhanh của các ứng dụng UAV trong dân sự và quân sự, phát hiện tín hiệu UAV một cách tin cậy ngày càng cần thiết đối với giám sát phổ tần và an ninh. Trong nghiên cứu này, nghiên cứu đề xuất một phương pháp học máy để phát hiện tín hiệu UAV từ dữ liệu IQ thô. Trước hết, chuỗi IQ được chuyển thành ảnh phổ thời gian - tần số bằng biến đổi Fourier thời gian ngắn (STFT). Tiếp theo, biến đổi cosine rời rạc hai chiều (2D-DCT) được áp dụng nhằm khai thác tính dồn năng lượng, tạo ra biểu diễn gọn hơn với phần lớn thông tin tập trung ở các hệ số bậc thấp. Ma trận hệ số DCT được trải phẳng và chia thành ba cách: 15 đoạn trên 300.000 hệ số, 15 đoạn trên 20.000 hệ số đầu, và 15 đoạn trên 1.333 hệ số đầu. Nghiên cứu cũng phân tích chiến lược chọn hệ số từ 4.096 hệ số đầu, thu hẹp còn 640 hệ số đầu, rồi tiếp tục chọn 5 nhóm nổi bật. Trên mỗi đoạn, 13 đặc trưng thống kê được khảo sát, trong đó nhấn mạnh RMS, giá trị đỉnh, shape factor và harmonic mean. Các vector đặc trưng được phân loại bằng XGBoost, KNN, cây quyết định và SVM, được đánh giá theo Accuracy, Precision, Recall và F1-score. Trên tập kiểm tra độc lập gồm 12.354 ảnh phổ, XGBoost đạt Accuracy 98.8%, cho thấy các hệ số DCT bậc thấp mang thông tin phân biệt mạnh cho bài toán phát hiện nhị phân drone - background với chi phí tính toán thấp.