基于多示例学习的无人机信号感知与识别OA

无人机已在监控、物流、农业、灾害管理及军事行动等领域得到广泛应用。为确保其可靠运行,准确检测和分类其飞行状态(如悬停、巡航、爬升等)至关重要。传统的时间序列分类方法在动态异构的无人机环境中存在鲁棒性和泛化能力不足的问题,而目前基于Transformer与长短期记忆网络的模型虽然表现优越,却通常依赖大规模数据集并伴随高计算开销。为此,提出了一种基于Transformer的网络框架,并引入局部可解释的多示例学习方法,以应对无人机飞行状态分类中的挑战。该方法利用Transformer捕捉无人机遥测数据中的长程时间依赖和复杂动态特征,同时局部可解释的多示例学习机制进一步聚焦于最具区分度的数据片段,有效抑制噪声影响并降低计算复杂度,从而显著提升分类性能与效率。实验结果表明,所提方法在DroneDetect和DroneRF数据集上分别达到了90.5%和91.6%的分类准确率,显著领先于现有技术。该框架计算效率高,对不同无人机平台及多种飞行状态均表现出优秀的泛化能力。这些优势凸显了该方法在资源受限环境中进行实时应用的巨大潜力,为动态复杂场景下的无人机状态分类提供了一种可扩展、高可靠的解决方案。