多无人机射频信号CNN|Triplet-DNN异构网络特征提取与机型识别

来源：电子与信息学报杂志2026年第3期北京时间：

作者：赵慎, 李广选, 周鲜成, 黄雯蒂, 杨玲玲, 高丽萍

单位：1.湖南工商大学湘江卓越工程师学院 长沙 4102052.湖南工商大学智能工程与智能制造学院 长沙 410205

摘要：随着无人机技术的广泛应用，多机共存场景中机型识别对空域管理与黑飞无人机反制具有重要意义。针对射频(RF)信号的特征提取与机型识别需求，该文提出CNN|Triplet-DNN异构网络模型。该模型采用不同深度卷积层与三元组(Triplet)结合的三分支结构，通过交叉熵、中心及三元组损失的动态协同，从分类准确性、类内聚集性和类间分离性3个角度，提取并融合时频图的异构多层特征；进一步利用深度神经网络(DNN)增强特征的非线性拟合能力，提升机型的识别准确率。基于DroneRFa数据集进行消融实验，验证了模型分支设计的有效性；通过叠加DroneRFa中单无人机信号模拟4类及以下多机共存场景，CNN|Triplet-DNN模型的机型识别准确率达83%～100%；在实飞实验中，该模型对2~4类共存场景中的机型识别准确率分别为86%, 57%和73%。与CNN, Triplet-CNN和Transformer模型相比，CNN|Triplet-DNN模型的识别性能更优。

关键词：多无人机共存, 机型识别, CNN|Triplet-DNN模型, RF信号, 时频图

基金资助：国家自然科学基金(62303176)，湖南省重点研发计划(20 24AQ2033)，湖南省自然科学基金(2024JJ9188, 2025JJ90243)，湖南省教育厅科研基金(21B0577)，湖南省研究生科研创新项目(CX20251684, LXBZZ2024349)