(19)中华 人民共和国 国家知识产权局 (12)发明 专利申请 (10)申请公布号 (43)申请公布日 (21)申请 号 202111633352.7 (22)申请日 2021.12.2 9 (71)申请人 吉林大学 地址 130012 吉林省长 春市前进大街269 9 号 (72)发明人 李新波　关博　崔浩　李卓　户健　 冯伟嘉　孙子凤　 (74)专利代理 机构 长春市吉利专利事务所(普 通合伙) 22206 代理人 王楠楠　李晓莉 (51)Int.Cl. G01S 19/42(2010.01) G06K 9/00(2022.01) G06K 9/62(2022.01) (54)发明名称 基于主成分分析的无人机干扰源定位方法 及系统 (57)摘要 本发明公开了一种基于主成分分析的无人 机干扰源定位方法及系统， 属于无人机通信及干 扰信号识别领域， 系统包括地面部分和无人机机 载部分， 方法利用主成分分析算法对干扰信号进 行分类识别， 同时在无人机扫频期间时刻检测各 方向的干扰信号强度， 根据干扰信号识别与能量 检测过程中出现的信号峰值时刻计算出干扰源 的方位角， 在上一个预定监测点完成监测干扰源 任务后， 地面控制中心控制无人飞行至下一个预 定监测点， 且 下一个预定监测点的位置在上一个 预定监测点的干扰源 方位角的覆盖范围， 通过至 少两次监测即可对干扰源的位置坐标信息， 以保 证信号干 扰源的实时精准定位。 权利要求书3页 说明书8页 附图5页 CN 114280648 A 2022.04.05 CN 114280648 A 1.一种基于主成分 分析的无 人机干扰源定位方法， 其特 征在于， 包括： S1： 无人机与地面控制中心建立通信连接， 地面控制中心控制所述无人机向预定监测 点飞行； S2： 无人机到达预定监测点后， 在执行监测干扰源任务过程中， 所述无人机实时获取其 周围空间内不同位置处的频谱数据信息以及自身的GPS信息， 并将所获取到的信息传送至 地面控制中心； S3： 地面控制中心接收无人机向其发送的信息， 利用主成分分析算法对干扰信号进行 分类识别， 同时在无人机扫频期间时刻检测各方向的干扰信号强度， 根据干扰信号识别与 能量检测过程中出现的信号峰值时刻计算出干扰源的方位角 θi， θi＝ω×ti， ω为搭载有指 向性天线的转台旋转角速度， ti为以时间为 参考域干扰信号能量 最大值所对应的时刻； S4： 在上一个预定监测点完成监测干扰源任务后， 地面控制中心控制无人飞行至下一 个预定监测点， 且下一个预定监测点的位置在上一个预定监测点的干扰源方位角的覆盖范 围， 重复步骤S1至步骤S3， 相邻两个监测点的干扰源方位角所展开的两个平面相交处的地 理环境坐标最低点即为干扰源位置的Z轴坐标， 然后记录两个监测点的水平距离 其中(x1,y1,z1)为无人机在第一个监测点 的坐标信息， (x2,y2,z2)为无人机在第二个监测点的坐标信息， 通过至少两次监测即可得到 干扰源的位置坐标信息： z3＝z* 其中(x3,y3,z3)表示干扰源的位置坐标信息， θ1表示第一次监测位置的干扰源方位角， θ2表示第二次监测位置的干扰源方位角， d表示两个监测点的水平距离， z*表示二维定位完 成后干扰源所处地 面位置的坐标信息， 至此完成干扰源定位。 2.根据权利要求1所述的基于主成分分析的无人机干扰源定位方法， 其特征在于： 所述 步骤S1中， 在无人机起 飞之前， 无人机未与地面控制中心建立通信连接时， 获取无干扰的未 被占用的空 闲通信通道， 无 人机与地 面控制中心通过 所述空闲通信通道建立连接 。 3.根据权利要求1所述的基于主成分分析的无人机干扰源定位方法， 其特征在于： 所述 步骤S3具体包括： 对于传送至地面控制中心的频谱数据Xn＝(xi),(i＝0,1,2,...,n)， 其中xi表示采集频 谱数据的样本点， Xn表示所采集频谱数据样本点的集合， n表示所采集的样本点集合中样本 点的个数， i表示(0,n)中的任意整数值； 对于采集到的频谱样本数据xi， 首先对所有的样本 数据进行中心化处理， 即： ∑ixi＝0， 中心化后， 通过投影变换得到新的坐标系： Vi＝{v1, v2,...,vi}， 其中vn为标准正交基向量， 表示 新坐标系Vi中任意一个正交基向量， 即： 其中n∈(1,i)， m∈(1,i)， vm为新坐标系Vi中除vn的任意正交基向量， 得到新坐标系后， 通过所设定阈值来剪新坐标系中的部 分坐标， 以此来降低新坐标系的维度， 其中j为降维后 的新坐标的维度且j＜i， 则单个样本点xn在新维度下的投影为Hn＝(hn1,hn2,...,hnj)， 其中权　利　要　求　书 1/3 页 2 CN 114280648 A 2hnm为样本点xn在新的低维坐标系下第m维坐标， m∈(1,j)， 基于Hn来重构 xn， 则会得到： 计算原样本点xn与在新维度坐标系下的 的距离为： 其中p为输入的样本集的维度， D是一个常数， Vi＝{v1,v2,...,vi}表示标准正交基集合， vm是标准正交基， 是协方差矩阵， 对式(3)进行最小化处 理， 则上式等 价于： argmin‑tr(VTXXTV)s.t.VTV＝I          (4) 利用拉格朗日乘子法， 可将式(4)等 价于： 由式(5)可以得 出， 为XXT由n个向量组成的特 征矩阵， λn为XXT的特征值， 当数据集从n 维降低到m维时， 对XXT矩阵进行特征值分解， 得到n个特征值， 根据所设置的重构阈值e来得 到计算后的空间维度以及特 征向量， 重构阈值e根据实际的要求由系统的期望精度来决定： 根据重构阈值e的设定， 在n个特征值中选出m个最大的特征值所对应的特征向量构成 最终的降维向量集合V*＝{v1,v2,...,vm}， 其中vi,i∈(1,m)代表集合中的各个子向量， 将降权　利　要　求　书 2/3 页 3 CN 114280648 A 3