🤖 machine learning

Classification and detection of multiple UAVs using rational Gaussian wavelet neural networks

Dit artikel stelt een kosteneffectief, interpreteerbaar machine learning-systeem voor dat rationele Gaussische golflet-neurale netwerken gebruikt om zowel enkele onbemande luchtvaartuigen (UAV's) als droneswarms te detecteren en te classificeren op basis van akoestische signalen, waarbij het in diverse omgevingen superieure prestaties laat zien ten opzichte van traditionele methoden.

Oorspronkelijke auteurs: Ungvári Gergő, Ferenc Braun, Attila Ámon, Péter Kackstädter, János Volk, Péter Kovács, Tamás Dózsa

Gepubliceerd 2026-05-27

📖 4 min leestijd☕ Koffiepauze-leesvoer

CC BY 4.0

Oorspronkelijke auteurs: Ungvári Gergő, Ferenc Braun, Attila Ámon, Péter Kackstädter, János Volk, Péter Kovács, Tamás Dózsa

Oorspronkelijk artikel gelicentieerd onder CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/). ✨ Dit is een AI-gegenereerde uitleg van het onderstaande artikel. Het is niet geschreven of goedgekeurd door de auteurs. Raadpleeg het oorspronkelijke artikel voor technische nauwkeurigheid. Lees de volledige disclaimer

Stel je voor dat je probeert een specifieke vogel te identificeren die zingt in een zeer lawaaiig bos. Je kunt de vogel niet zien, en er zijn auto's, wind en andere dieren die lawaai maken. De meeste beveiligingssystemen proberen dit op te lossen door "super-horen" microfoons te gebruiken en vervolgens het geluid door een enorme, black-box computerhersenen (Deep Learning) te sturen die raadt wat het geluid is. Hoewel deze black boxes vaak zeer goed zijn in raden, vertellen ze je niet waarom ze die gok hebben gemaakt, en ze hebben dure, krachtige computers nodig om te draaien.

Dit artikel stelt een andere, slimmere en goedkopere manier voor om op drones (UAV's) te luisteren. Hier is de uiteenzetting van hun aanpak:

1. Het Probleem: De "Naald in de Hooiberg"

Drones worden steeds gebruikelijker, maar ze worden ook gebruikt voor slechte dingen zoals spionage of smokkelen. Om ze te stoppen, moeten we ze horen. Maar drones zijn klein, vliegen laag en hun geluid wordt gemakkelijk overschreeuwd door wind, verkeer of ander lawaai. Bovendien vliegt soms een enkele drone, en andere keren een hele "zwerm" (een groep) samen. Het onderscheid maken tussen één drone en een groep, of een "Mavic"-drone van een "Mini"-drone onderscheiden, is als proberen het verschil te horen tussen een viool en een fluit terwijl iemand ze allebei bespeelt terwijl er een vrachtwagen voorbijrijdt.

2. De Oplossing: Een "Instelbaar Oor" in plaats van een "Black Box"

De auteurs bouwden een systeem dat werkt als een instelbaar oor in plaats van een black box.

De Oude Manier (Statische Filters): Stel je voor dat je probeert te luisteren naar een specifieke vogel met een koptelefoon die een vast filter heeft. Als de vogel zijn lied verandert of de wind opsteekt, kunnen je koptelefoons zich niet aanpassen, en mis je de vogel. Vorige methoden gebruikten deze "vaste" filters.
De Nieuwe Manier (Adaptieve Filters): De auteurs creëerden een speciaal hulpmiddel genaamd een Rational Gaussian Wavelet (RGW). Denk hierbij aan een vervormbaar oor.
- Het begint met een basisvorm (zoals een generiek oor).
- Terwijl het luistert naar de drone, leert het zijn vorm te veranderen om perfect te passen bij het specifieke "zoemen" van die drone.
- Het kan rekken, krimpen en draaien om te passen bij het geluidssignatuur van een kleine drone of een grote industriële, zelfs als de wind waait.

3. Hoe Het Werkt: De "Muzikale Partituur"

Het systeem neemt het ruwe geluid en voert het door dit vervormbare oor.

De Wavelet: In plaats van alleen naar het volume van het geluid te kijken, breekt het het geluid op in een "tijd-schaal" kaart (zoals een muzikale partituur die toont wanneer een noot gebeurt en hoe hoog of laag het is).
Het Leren: Het systeem onthoudt het geluid niet alleen; het leert de vorm van het geluidssignatuur. Het komt er precies achter welke "noten" (frequenties) bij een drone horen en welke bij de wind.
De Beslissing: Zodra het geluid is opgesplitst in deze duidelijke, fysieke kenmerken, kijkt een kleine, simpele computerhersenen (een klein neuronaal netwerk) naar de partituur en zegt: "Dat is een Mavic Pro," of "Dat is een zwerm van drie drones," of "Dat is gewoon de wind."

4. Waarom Dit Speciaal Is

Het is Verklaarbaar: Omdat het systeem deze "vervormbare oren" (wavelets) gebruikt die een duidelijke wiskundige vorm hebben, kunnen we naar de resultaten kijken en begrijpen wat het systeem hoorde. We vertrouwen niet zomaar op een mysterieuze computer; we kunnen de fysieke kenmerken zien die het vond.
Het is Lichtgewicht: Omdat het systeem slim is in hoe het luistert, heeft het geen enorme supercomputer nodig. Het kan draaien op kleine, goedkope hardware (zoals de microfoons in een telefoon).
Het Gaat Om Zwermen: Het kan het verschil maken tussen één drone en een groep van hen, wat een zeer moeilijke taak is voor andere systemen.

5. De Resultaten: Het Lawaai Winnen

De auteurs testten dit op twee plaatsen:

Een Stille Studio: Waar ze de drones perfect konden horen.
Een Lawaaierige Buitenlocatie: Waar helikopters, verkeer en wind schreeuwden op de achtergrond.

De Uitkomst:

In de stille studio was hun systeem bijna perfect (99% nauwkeurigheid) in het onderscheiden van verschillende drone-modellen, en sloeg het bijna elke andere geteste methode.
In het lawaaierige buiten was het nog steeds het beste in het detecteren of er überhaupt een drone was, en presteerde het beter dan zelfs complexe, zware computermodellen.
Cruciaal deed het dit alles terwijl het interpreteerbaar was (we weten hoe het werkt) en kosteneffectief (het heeft geen dure hardware nodig).

In het kort: Ze vervingen een gigantische, mysterieuze computerhersenen door een slim, aanpasbaar "vervormbaar oor" dat het specifieke lied van een drone kan horen zelfs in een orkaan, en het kan precies uitleggen wat het hoorde.

Technische Samenvatting: Classificatie en Detectie van Meerdere UAV's met Rational Gaussian Wavelet Neural Networks

Probleemstelling

De detectie en classificatie van onbemande luchtvaartuigen (UAV's) vormt een kritieke uitdaging voor de bescherming van civiele en militaire infrastructuur tegen bedreigingen variërend van smokkel tot surveillance. Hoewel er diverse detectiemodaliëteiten bestaan (radar, visie, RF), biedt geluidsgedreven detectie unieke voordelen: het is kosteneffectief, inzetbaar zonder zichtlijn en in staat om UAV-types te classificeren en posities te schatten. Echter, akoestische detectie staat voor aanzienlijke hindernissen, waaronder achtergrondruis, windinterferentie en het niet-stationaire, niet-periodieke karakter van drone-audiosignalen.

Bestaande geluidsgedreven benaderingen vertrouwen vaak op statische kenmerkextractie (bijvoorbeeld Short-Time Fourier Transform) gevolgd door traditionele machine learning-modellen. Hoewel deze statische methoden interpreteerbaar zijn, falen ze in het aanpassen aan variërende UAV-types, manoeuvres en omgevingscondities. Omgekeerd bereiken deep learning-modellen hoge prestaties maar missen ze vaak fysieke interpreteerbaarheid en vereisen ze gespecialiseerde hardware, wat risico's oplevert voor veiligheidskritieke toepassingen. De auteurs identificeren een gat voor een systeem dat zowel uiterst nauwkeurig als fysiek interpreteerbaar is, en dat in staat is om enkele UAV's te onderscheiden van zwermen in ruise omgevingen.

Methodologie

Het artikel stelt een Model-Driven Machine Learning (MDML)-benadering voor die gebruikmaakt van een Rational Gaussian Wavelet (RGW) Convolutional Neural Network. Deze architectuur integreert signaalverwerking direct in het leerproces om fysieke interpreteerbaarheid te waarborgen.

1. Signaalverwerking en Dataverwerving

Data Bronnen: Experimenten maakten gebruik van audiodata uit zowel een gecontroleerde indoor studio (192 kHz sampling) als een ruise outdoor omgeving (8 kHz sampling).
Preprocessing: Audiosignalen werden gesegmenteerd in 100 ms niet-overlappende vensters (19.200 samples bij 192 kHz) en genormaliseerd naar nul gemiddelde en eenheidsvariantie.
UAV Diversiteit: De dataset omvatte diverse commerciële multirotor UAV's (bijvoorbeeld DJI Mavic-serie, Avata 2, Matrice 30T) met verschillende massa's, rotorconfiguraties en toerentalbereiken om een breed akoestisch spectrum te dekken.

2. Rational Gaussian Wavelet (RGW) Kernen

De kerninnovatie is het gebruik van RGW-kernen, een klasse van toelaatbare wavelets gedefinieerd door een parametervector $\eta$ die polynoomnulpunten ( $t_k$ ) en polen ( $z_j$ ) bevat. De moederwavelet $\psi_\eta(t)$ is gedefinieerd als:
$\psi_\eta(t) = C(\eta) P_\eta(t) v_\eta(t) e^{-t^2/2}$
In tegenstelling tot traditionele wavelets met vaste vormen, staan RGW's toe dat de morfologie van de moederwavelet wordt geoptimaliseerd via leerbare parameters. Dit stelt het netwerk in staat om adaptief de optimale waveletvorm te leren voor specifieke UAV-handtekeningen.

3. Netwerkarchitectuur

Het voorgestelde netwerk bestaat uit:

RGW Convolutielaag: Past discrete convoluties toe van het invoersignaal met RGW-kernen op meerdere schalen ( $\lambda_k$ ). De laag leert de dilatatieparameters ( $\lambda$ ) en de morfologieparameters ( $\eta$ ).
Poolinglaag: Een unieke poolingmechanisme dat alleen de top $Q$ maximum absolute waveletcoëfficiënten behoudt voor elke schaal. Dit fungeert als een 1D-filter, waarbij de dominante frequentiecomponenten (pseudofrequenties) worden geëxtraheerd terwijl ruis wordt verwijderd.
Classificatiekop: Gevolgd door volledig verbonden lagen met ReLU-activering. De output gebruikt een Sigmoid-activering voor binaire taken (detectie) of Softmax voor meerklasse-taken (classificatie).

Het model is ontworpen om lichtgewicht te zijn, geschikt voor real-time implementatie op beperkte hardware, en volledig differentieerbaar, wat end-to-end training mogelijk maakt.

Belangrijkste Bijdragen

Nieuwe RGW Convolutielaag: De auteurs introduceren een nieuwe convolutielaag met RGW-kernen die zowel de optimale moederwaveletmorfologie als de relevante schalen leert. Dit stelt het systeem in staat om fysiek betekenisvolle kenmerken te extraheren uit niet-periodieke, niet-stationaire signalen.
Zwermdetectiecapaciteit: De studie toont aan dat de voorgestelde methode effectief kan onderscheiden tussen enkele UAV-inbraken en gecoördineerde dronezwermen, een taak die veel defensiestrategieën bemoeilijkt.
Interpreteerbaarheid en Prestaties: De benadering overbrugt de kloof tussen traditionele interpreteerbare signaalverwerking en deep learning. De waveletcoëfficiënten dragen fysieke betekenis (gelijkenis met specifieke waveletvormen op specifieke schalen), in tegenstelling tot de ondoorzichtige parameters van standaard diepe neurale netwerken.
Kosteneffectief Systeem: Door gebruik te maken van MEMS-microfoons en een lichtgewicht neuronaal netwerk, stellen de auteurs een systeem voor dat de hoge kosten en complexiteit van radar- of visiegebaseerde systemen vermijdt terwijl het hoge nauwkeurigheid behoudt.

Experimentele Resultaten

De auteurs evalueerden het model in drie scenario's met 5-voudige cross-validatie, waarbij ze het vergeleken met Random Forest (RF), SVM (Lineair en RBF), Naive Bayes (NB), Fully Connected NN (FCNN) en standaard Convolutional NN (CNN).

Scenario 1: Zwermdetectie (Indoor)
- Taak: Onderscheid maken tussen achtergrondruis, een enkele UAV en meerdere UAV's.
- Resultaat: Het voorgestelde RGW-model behaalde een gemiddelde nauwkeurigheid van 92,52%, wat beter presteerde dan de standaard CNN (90,57%) en traditionele ML-methoden aanzienlijk overtrof (bijvoorbeeld RF op 78,94%).
Scenario 2: UAV-classificatie (Indoor)
- Taak: Specifieke UAV-modellen classificeren (Mavic Pro, Mavic Pro 2, Mavic Mini).
- Resultaat: Het RGW-model behaalde 99,20% gemiddelde nauwkeurigheid, vergelijkbaar met de CNN (99,97%) maar met minder parameters en hogere interpreteerbaarheid.
Scenario 3: Detectie in Ruise Outdoor Omgeving
- Taak: Binaire detectie van een enkele UAV te midden van zware achtergrondruis (verkeer, wind, helikopters).
- Resultaat: Het RGW-model behaalde 90,55% gemiddelde nauwkeurigheid, wat beter presteerde dan de CNN (89,60%) en alle baseline-methoden. De auteurs merken op dat interpreteerbaarheid hier cruciaal was om de validiteit van het model in zo'n moeilijke setting te verifiëren.

Betekenis en Claims

Het artikel beweert dat de voorgestelde methode een fysiek interpreteerbaar machine learning-algoritme biedt dat traditionele machine learning-benaderingen overtreft en de prestaties van state-of-the-art deep learning bij UAV-detectietaken gelijkwaardig is of overtreft.

Belangrijke claims met betrekking tot betekenis zijn:

Aanpasbaarheid: In tegenstelling tot statische kenmerkextractoren, past de RGW-laag zich aan aan verschillende UAV-types en omgevingscondities.
Geschiktheid voor Veiligheidskritieke Toepassingen: De interpreteerbaarheid van de kenmerken adresseert zorgen over het 'black box'-karakter van deep learning in veiligheidskritieke defensietoepassingen.
Efficiëntie: Het model bereikt hoge nauwkeurigheid met een klein aantal parameters, waardoor het geschikt is voor implementatie op hardware met beperkte middelen.
Reproduceerbaarheid: De auteurs benadrukken dat hun implementatie publiek beschikbaar is, wat de reproduceerbaarheid van hun resultaten waarborgt.

De auteurs concluderen dat hoewel hun huidige generieke model effectief is, toekomstig werk zal focussen op gespecialiseerde modellen voor specifieke taken en real-time implementatie. Zij claimen niet alle drone-detectieuitdagingen op te lossen, maar presenteren een robuuste, interpreteerbare en kosteneffectieve oplossing voor akoestische detectie en classificatie.