简介：面向无人机射频信号检测与识别研究的一套MATLAB与Python代码合集，适合相关方向的开发者、科研人员及无人机安防领域初学者使用。资源包共18个文件，包含7个MATLAB脚本（覆盖数据聚合、标注、数据库详情分析及分类演示等环节）、1个Python分类脚本、LabVIEW工程文件（用于射频信号录制与回放）以及说明文档，整体大小仅1.85MB，结构紧凑。该资源针对无人机射频信号的采集、特征提取与识别流程展开，从数据预处理到分类演示均有对应代码，可帮助使用者快速搭建检测识别实验环境，理解信号处理与机器学习结合的具体实现方式。目前已有182人学习，尤其适合需要参考实用代码进行无人机监测系统原型开发的读者。 做无人机射频检测这个方向也有几年了，期间前前后后看了不少开源项目。这个标题提到的“用无人机射频信号做检测与识别的MATLAB和Python代码库”，内容确实值得仔细拆一拆。市面上做无人机反制的方案不少，但真正把信号处理链路完整开源出来的，其实不算多。这篇文章我不打算复述仓库里的文件清单，而是想从“为什么要用RF信号”、“代码库背后的信号处理逻辑”、“MATLAB和Python各自承担的职责”这几个角度，把整个项目盘一遍，顺便把我在实际复现和调试中踩过的坑也一并写出来，希望对准备入坑或者正在做同类项目的朋友有点帮助。
1. 项目概览：这套代码究竟解决什么问题
1.1 为什么射频方案在无人机检测里不可替代
先说一个最核心的问题：无人机检测的手段不少，声学、视觉、雷达、射频（RF），为什么单独把射频信号拿出来做检测和识别？原因很简单，射频是无人机和遥控器之间通信的必经之路。无论图传信号还是遥控指令，都要靠电磁波传输，只要无人机在飞行，遥控链路和数传链路基本就是开着的。视觉容易受光照和遮挡影响，声学在嘈杂环境里基本失效，雷达对于小型消费级无人机的反射截面积太小、在城市环境误报率极高。射频检测属于被动探测，不发射能量、不会被发现，而且可以直接捕捉到无人机和飞手之间的“联系”，这在安防场景里是刚需。
这个项目的定位也正好卡在这个点上：不是用计算机视觉识别无人机图像，也不是用雷达去扫目标，而是采集空中存在的射频信号，通过分析信号的特征来判断“附近有没有无人机”，更进一步识别“是哪个牌子、什么型号的无人机”。能做到第二步，靠的是不同厂商的无人机在通信协议、跳频方式、波形结构上存在差异，这些差异会在频谱和时间维度上留下指纹。
1.2 代码仓库的双语言架构与模块划分
仓库同时提供MATLAB和Python实现，这个安排很符合行业现状。MATLAB在信号处理领域依然是主力工具，尤其是做滤波器设计、时频分析、快速原型验证，确实比Python顺手。而Python的优势在于机器学习、深度学习生态完善，到了分类识别阶段，PyTorch、scikit-learn这些库比MATLAB成熟得多。所以这个项目等于把信号处理硬件在环的部分放在MATLAB端，把数据驱动建模和推理的部分放在Python端，各干各擅长的事。
从代码组织来看，大致可以拆成几个功能域：数据采集与预处理、信号检测、特征提取、分类器训练、实时识别演示。MATLAB端主要负责从SDR设备读取IQ数据、做下变频、滤波、时频变换，输出中间特征文件；Python端负责读取这些特征或原始IQ块，组织成数据集，训练分类模型，最终输出推理结果。这种解耦设计的最大好处是，即使你手头没有SDR硬件，也可以先用仓库提供的公开数据集跑通流程，后面再接自己的采集设备。
2. 信号处理核心：从原始IQ数据到可用特征
2.1 遥控与图传信号的物理特征
想要让检测算法工作，得先搞清楚无人机在2.4GHz和5.8GHz频段上到底发的是什么信号。主流无人机品牌用的通信体制主要有几类：第一类是WiFi方案，常见于入门级玩具机，信号的带宽、帧结构跟普通WiFi几乎一致，识别难度相对较高，因为环境里的路由器也在发WiFi；第二类是厂商自定义的增强型WiFi，比如大疆早期的Lightbridge，虽然是WiFi的底子，但做了协议层的深度定制；第三类是中高端机器用的专用高速数传协议，典型代表是大疆的OcuSync系列，物理层不再是WiFi调制方式，而是类似OFDM的专用帧结构，带宽从几MHz到20MHz不等，跳频图案也更复杂。
这些差异落到信号处理层面，就会表现为几个可测的特征维度：信号的中心频率偏移、瞬时带宽、突发时长、帧间隔、跳频驻留时间、跳频序列的周期性、频谱包络的形状等。举个例子，同一品牌同一型号的无人机，遥控下行信号和图传上行信号带宽差异很大，图传信号带宽往往在10MHz以上，遥控信号带宽通常只有几百kHz到几MHz。利用这些差异，不仅能把无人机信号和环境干扰分开，还能在型号层面做区分。
2.2 频谱分析与特征提取的关键参数
这个仓库的特征提取链路，核心思路是把IQ数据从时域变换到时频域，然后从时频谱图上割出一段段突发信号，再对每一段突发计算特征。这里参数的选择直接影响后续分类效果，值得仔细说。
首先是采样率的设定。消费级SDR设备如RTL-SDR，稳定采样率一般到2.4MSPS，但这带宽只有2.4MHz，去抓5.8GHz上的20MHz宽图传信号根本不够。所以采集端要么用HackRF（20MHz带宽）、USRP这类宽带设备，要么用零中频接收机做分段扫描。仓库代码里常见的做法是把两个SDR接收机的中心频点分别设定在2.4GHz和5.8GHz附近，各采一段时间，再合并处理。自己实测下来的话，建议采样率不要低于5MSPS，否则很多窄带跳频信号的时间分辨率不够，后面做跳频规律分析非常吃力。
其次是FFT点数。在做频谱图（spectrogram）时，FFT点数决定了频率分辨率和时间分辨率的取舍。频率分辨率是采样率除以FFT点数，比如10MSPS采样率下做1024点FFT，频率分辨率接近10kHz，时间分辨率是102.4微秒。如果要做精细的跳频图案识别，建议FFT点数提到2048或4096，并设置50%的重叠率。代价是计算量上来了，但特征质量明显更好。
代码里还有一个容易被忽略但很重要的参数：检测阈值。阈值设太低，把底噪当成信号，产生大量虚警；阈值设太高，把低功率的遥控信号给漏掉了。我实际使用中一般先采集一段“干净”频段作为底噪基准，估计噪声功率后取噪声均值加6~10dB作为检测门限，效果比固定绝对阈值靠谱得多。
3. MATLAB实现细节：信号层处理的工程落地
3.1 数据采集与预处理管线
MATLAB端在这个项目里承担的是“前端”角色。代码通常会利用Communications Toolbox和DSP System Toolbox里的对象来配置SDR硬件，比如用sdrtx和sdrrx接口控制USRP或RTL-SDR。以我复现的流程为例，采集线程会按设定的中心频点、增益、采样率持续接收IQ帧，每帧长度一般在65536个采样点左右，然后写入到一个环形缓冲里，后台处理线程从缓冲里取数据做实时分析。
预处理的第一步是直流偏置消除。任何零中频接收机都会在频谱中心留下一个直流尖峰，这个尖峰会污染中心频点附近的信号判断，简单的高通滤波或者减去时域均值就能去掉，但要注意滤波器通带会吃掉一部分低频分量，对本来就靠近直流的窄带信号不太友好。仓库代码在这块的处理一般是先估计直流分量并在时域减去，而不是用高通滤波器，这是更稳妥的做法。
接下来是频带选择和数字下变频。SDR输出的基带IQ信号本身是零中频的，所谓下变频其实是为了把感兴趣的窄带信号搬移到零频再做低通抽取，降低后续处理的采样率和计算负荷。比如在10MHz带宽的IQ数据里抓一个2MHz宽的图传信号，先通过数字混频器把信号中心频率移到0Hz，再用带通滤波器加抽取器把采样率降到2.5MSPS，这样后续FFT和特征提取的计算量就小了很多。
3.2 特征提取与可视化模块
MATLAB端最出彩的部分是特征提取模块。代码会基于前面生成的时频谱图做峰值搜索，把超过检测阈值的时频单元聚类成一个个“信号突发”，然后对每个突发计算数十个特征。特征大致分成几类：
第一类是频域统计特征，包括中心频率、3dB带宽、99%能量带宽、频谱质心、频谱扩展度、频谱峰度。第二类是时域包络特征，包括突发持续时间、上升沿时间、下降沿时间、包络波动程度。第三类是跳频行为特征，包括连续突发之间的频率间隔、跳频驻留时间、频率跳变序列的周期性指数。第四类是调制指纹特征，比如通过循环谱或高阶累积量提取的调制方式相关特征。
这些特征里，我觉得跳频驻留时间和频率跳变序列的规律性是最有区分度的。比如部分厂商的无人机跳频是固定伪随机序列，自相关图上能看到明显的周期峰，而WiFi类的信号完全不存在这种规律性。仓库代码里应该有计算频谱自相关或对角线扫频线的函数，这段逻辑建议仔细读一读，是整个识别能力的核心。
可视化方面，MATLAB脚本会输出频谱瀑布图、单个突发信号的时域波形和星座图，这些图做调试非常有价值。我自己调试时经常先用这些图确认采集到的信号是不是真实的无人机信号，再跑特征提取，避免带着错误的采集数据做后续的模型训练。
4. Python实现细节：从特征到检测识别模型
4.1 数据集组织与数据加载
Python端更像是一条完整的机器学习流水线。数据组织建议按照“品牌/型号/环境”的层级结构存放，比如data/DJI_Mavic3/campus_outdoor/下面放若干CSV特征文件或NPY格式的IQ数组。仓库代码如果提供了支持这种结构的数据加载器，用起来会非常方便，直接用torchvision.datasets.DatasetFolder或者自定义Dataset类读取就行，能省去大量整理标签的环节。
数据划分这块有一个很关键的点：如果先按文件随机划分训练集和测试集，同一个采集文件里前后相邻的数据段会被分到两边，造成严重的数据泄露，模型指标虚高得一塌糊涂。正确做法是按“采集会话”来划分，同一个时间窗口、同一个地点采集的数据必须全进训练集或全进测试集。我在自己的实验里对比过，不按会话划分时准确率能到99%以上，按会话划分后掉到90%甚至更低，这个是评估置信度的关键。
数据增强也是无人机信号识别里值得投入的一块。常见手段包括添加高斯白噪声、随机改变信号幅度、频率偏移微调、时间压缩或拉伸。尤其是加噪声这个操作，能让模型在低信噪比下依然保持可用的识别率，否则只在实验室干净环境里跑得通，到现场完全废掉。
4.2 模型训练与实时推理
模型选择上，仓库提供的大概率是两层路线：传统机器学习和深度学习基线。传统路线是把特征表喂给随机森林或SVM，这个方案的好处是解释性强，训练快，适合在算力受限的边缘设备上部署。深度学习路线一般是对原始IQ数据或者时频谱图做分类，常见结构是CNN加若干全连接层，输入是复数IQ转为实部虚部双通道的图像，或者直接对时频谱图做二维卷积。
实际使用中，我倾向于先用传统方法把系统跑通，再看精度瓶颈在哪里。如果分不清型号，换成CNN通常有明显提升；如果虚警率高，多半是特征里缺少背景干扰样本，需要补充负样本。负样本在你做真实环境部署时是极为重要的，来自无线路由器、蓝牙设备、微波炉等常见干扰源，不把这些加进训练集，模型到现场一定给你疯狂误报。
实时推理整个流程对延迟有要求。通常的做法是滑动窗口采集IQ数据，每500毫秒生成一批特征，送入分类器输出结果，同时对多个频段并行处理。Python端如果直接对原始IQ做CNN推理，在普通CPU上扛不住20MHz采样率的数据量，需要先把数据降采样或者用GPU加速。仓库里如果提供了一个独立的inference.py脚本，一般会包含用torch.jit或onnx导出模型的步骤，做嵌入式部署时可以借鉴这个思路。
5. 复现指南与常见坑位
5.1 运行环境搭建的注意点
MATLAB端环境是这个项目最容易卡住的地方。首先要确认自己的MATLAB版本不低于R2020a，不然很多工具箱函数对不上。需要安装的工具箱至少包括Signal Processing Toolbox、DSP System Toolbox、Communications Toolbox，如果要用Simulink做硬件在环，还要额外装Simulink和Communications Toolbox Support Package for USRP Radio或对应SDR的支持包。这里有个挺常见的安装顺序问题：必须先安装MATLAB，再安装支持包，然后连接SDR设备，顺序反了会导致支持包检测不到设备，卸载重装一轮非常浪费时间。
Python端的依赖相对简单，核心无非是numpy、scipy、scikit-learn、matplotlib、tensorflow或pytorch。这里建议用conda建一个独立环境，Python版本选3.9或3.10，不要一上来就用3.12，有些旧的依赖包编译会报错。如果你打算用自己的SDR实时采集数据，还要装pyrtlsdr或hackrf的Python绑定，装完后务必先跑一下官方的频谱demo，确认设备驱动没问题，再动仓库里的代码。
5.2 数据采集和模型调优的实战建议
数据采集这块我给一个具体的建议：第一次去实地采集，别贪心一次采很多，先选两三个典型环境（比如开阔操场、停车场、办公楼附近），每个环境里把无人机悬停、绕飞、爬升几个动作各录两分钟。回来后先在MATLAB里把频谱图打开，目视检查每个采集文件的信号质量，把那些明显没有无人机信号的文件直接删掉，这比事后用算法清洗省事得多。
在模型评估时，建议把指标拆成两类：检测能力和识别能力。检测能力用“是否存在无人机”的二分类准确率、虚警率来衡量，识别能力用“具体型号”的多分类混淆矩阵来衡量。两个混在一起看容易判断失误。我遇到过项目，整体准确率看着95%，打开混淆矩阵发现某些型号之间严重混淆，实际使用根本没法接受。
调优顺序也有讲究：先调特征参数，确保不同类别样本在特征空间里能分开，再调分类器参数。如果特征没分开，用再复杂的神经网络也是白搭；如果特征分得很开，简单的随机森林就能拿到很好的效果。仓库里的特征可视化脚本会输出PCA或t-SNE降维后的分布图，这个图每次训练前都值得跑一遍。
最后再分享一个小经验：真实环境部署时，接收机的增益设置很重要。增益太低，远距离无人机信号检测不到；增益太高，接收机饱和，近处的大信号产生非线性失真，频谱上一片假信号。仓库代码里可能给的是固定增益，实际现场最好做成可配置的，甚至是自动增益闭环，不然时好时坏很难排查。我自己踩过这个坑，一开始总觉得算法有问题，后来发现是RTL-SDR在强信号下饱和导致的谐波和削顶，把灵敏度降下来后虚警率直线下降。
本文还有配套的精品资源，点击获取
