Детекторы БПЛА Алиссум — режим «МАСКА»
Что такое режим «маска»?
Маска — это простейшая амплитудная обработка, которая текущий уровень сигналов в эфире делает «условно нулем» — маскирует.
В детекторах Алиссум очень хорошие алгоритмы селекции сигналов БПЛА, поэтому мы никому НЕ РЕКОМЕНДУЕМ пользоваться "маской" без особой необходимости.
Когда режим «маска» может быть полезен?
Единственный практический смысл применения режима «маска» — если ваш детектор используется стационарно и есть постоянные помеховые сигналы и их много. Например, детектор находится в зоне действия РЭБ.
Сигналов в эфире при работе РЭБ становится слишком много, и детектор тратит на их обработку дополнительное время. Режим «маска» позволяет как бы убрать эти сигналы и получить максимальную скорость обнаружения.
В большинстве случаев алгоритмы справляются и без маски. Присутствие стандартных сигналов связи и вещания, спуфинга сигналов навигации без работы широкополосных РЭБ для детектора совершенно нормальная ситуация, и он прекрасно справляется с такими сигналами без использования режима «маска», обеспечивая скорость сканирования диапазона 300 - 10000 МГЦ около 5 секунд.
На картинке — пример маскирования сигналов сотовых систем связи
Верхнее изображение — типичный спектр сигналов в городе: видим GSM900, GSM1800, LTE2100, LTE2600, а также сигналы WIFI2400.
Нижнее изображение — спектры после применения режима «МАСКА».
Команда Квадро код 🪁
https://t.iss.one/quadro_code
Что такое режим «маска»?
Маска — это простейшая амплитудная обработка, которая текущий уровень сигналов в эфире делает «условно нулем» — маскирует.
В детекторах Алиссум очень хорошие алгоритмы селекции сигналов БПЛА, поэтому мы никому НЕ РЕКОМЕНДУЕМ пользоваться "маской" без особой необходимости.
Когда режим «маска» может быть полезен?
Единственный практический смысл применения режима «маска» — если ваш детектор используется стационарно и есть постоянные помеховые сигналы и их много. Например, детектор находится в зоне действия РЭБ.
Сигналов в эфире при работе РЭБ становится слишком много, и детектор тратит на их обработку дополнительное время. Режим «маска» позволяет как бы убрать эти сигналы и получить максимальную скорость обнаружения.
В большинстве случаев алгоритмы справляются и без маски. Присутствие стандартных сигналов связи и вещания, спуфинга сигналов навигации без работы широкополосных РЭБ для детектора совершенно нормальная ситуация, и он прекрасно справляется с такими сигналами без использования режима «маска», обеспечивая скорость сканирования диапазона 300 - 10000 МГЦ около 5 секунд.
На картинке — пример маскирования сигналов сотовых систем связи
Верхнее изображение — типичный спектр сигналов в городе: видим GSM900, GSM1800, LTE2100, LTE2600, а также сигналы WIFI2400.
Нижнее изображение — спектры после применения режима «МАСКА».
Команда Квадро код 🪁
https://t.iss.one/quadro_code
👍4✍2🔥2🥱1🥴1🤣1
AlissNet-4 🇷🇺 vs WUSTCA 🇨🇳
WUSTCA 🇨🇳
Китайская группа учёных представила новый алгоритм классификации радиосигналов БПЛА, который позволяет не только обнаруживать, но и определять модель БПЛА и тип пульта управления даже в условиях сильных радиопомех.
https://www.nature.com/articles/s41598-026-54780-x#citeas
В основе технологии лежит комбинация нескольких методов обработки сигналов: адаптивной фильтрации шумов, вейвлет-преобразования и новой архитектуры нейронной сети с механизмом внимания Split-Time Cross Attention (STCA). Такой подход позволяет выделять характерные особенности радиосигналов беспилотников и анализировать их, сохраняя высокую точность даже при наличии помех от Wi-Fi, Bluetooth и других беспроводных устройств.
Испытания проводились на наборе данных, содержащем радиосигналы 5 популярных беспилотников, а также соответствующих пультов управления. Данные записывались на частоте 2,45 ГГц с полосой 56 МГц. Отдельно следует отметить, что авторы попытались учесть влияние реального канала (многолучевость) при подготовке датасетов.
По метрике F1 WUSTCA также оказался лучшим из рассмотренных алгоритмов — 0,953 для распознавания дронов и 0,950 для классификации контроллеров.
Авторы заявляют, что проверили устойчивость алгоритмов к внешним помехам, однако сигналы WiFi и Bluetooth в матрице ошибок нет, скорее всего данные помехи рассматривались как внеполосные. В тестах с интенсивным Wi-Fi-трафиком уровень ложных срабатываний составил 4,5% против 6,2% у ближайшего конкурента, а при смешанных помехах Wi-Fi и Bluetooth — 4,9% против 6,8%.
Еще немного важных цифр для оценки технологии:
▪️ длина тестового сигнала (точно не указана, состоит из пакетов по 1024 отсчета, но из графиков следует, что около 1 секунды)
▪️ требуемые ресурсы 1,82 GFLOPs, 345 МБ
▪️ платформа NVIDIA RTX 3090 GPU, Intel Core i7-12700H CPU
▪️ время обработки 4,1 мс
Несмотря на высокие результаты, исследователи отмечают, что технология пока проходила испытания только на тестовых наборах данных, проверка в реальных условиях еще не проводилась.
AlissNet-4 🇷🇺
Ссылки на предыдущие публикации по алгоритмам детекторов Алиссум🪁
https://t.iss.one/quadro_code/619
https://t.iss.one/quadro_code/599
https://t.iss.one/quadro_code/516
https://t.iss.one/quadro_code/399
https://t.iss.one/quadro_code/345
🔹 набор типов БПЛА существенно шире, правда разделены они иначе - на укрупненные классы
🔹 помеховые сигналы у нас не только WiFi и Bluetooth, но и все типовые системы связи, вещания, РЭБ, все сигналы в полосе анализа и имеют свой класс
🔹 точность классификации по метрике F1 — 0,98 против 0,95–0,96 у китайцев
🔹 за 5–7 секунд мы делаем классификацию всех сигналов в полосе 300–10 000 МГц, а не одного на одной частоте
🔹 требуемые ресурсы 0,1 GFLOPs — почти в 20 раз меньше, чем у китайцев
🔹 память 256 кБ — почти в 1000 раз меньше
Сравнивать эти два алгоритма напрямую некорректно.
Китайцы решали академическую задачу более детального анализа сигналов. Нет никаких сомнений, что используя такие мощные и передовые инструменты нейросеть научится эффективно справляться с поставленными задачами. В условиях отсутствия ограничений на аппаратные ресурсы (мощные SDR, высокопроизводительный GPU) реализовать подобное сможет любой грамотный ML специалист.
На практике же, в условиях жесткого ограничения доступных ресурсов и существенно большего набора неизвестных, задача требует совершенно других подходов к оптимизации и мы ее успешно решили.
Квадро код не просто имеет передовые алгоритмы обнаружения радиосигналов БПЛА мирового уровня эффективности, но и реализовал на их основе линейку детекторов, некоторые из которые работают с 2024 года. Компактность детекторов существенно отличается от связки CPU+GPU неслабой производительности.
Помимо указанных преимуществ, нами доказана эффективность использования AlissNet-4 при обнаружении ранее неизвестных дронов.
Главное — не останавливаться на достигнутом, а очень оперативно двигаться дальше, как в разработке железа, так и в совершенствовании алгоритмов.
Команда Квадро код 🪁
https://t.iss.one/quadro_code
WUSTCA 🇨🇳
Китайская группа учёных представила новый алгоритм классификации радиосигналов БПЛА, который позволяет не только обнаруживать, но и определять модель БПЛА и тип пульта управления даже в условиях сильных радиопомех.
https://www.nature.com/articles/s41598-026-54780-x#citeas
В основе технологии лежит комбинация нескольких методов обработки сигналов: адаптивной фильтрации шумов, вейвлет-преобразования и новой архитектуры нейронной сети с механизмом внимания Split-Time Cross Attention (STCA). Такой подход позволяет выделять характерные особенности радиосигналов беспилотников и анализировать их, сохраняя высокую точность даже при наличии помех от Wi-Fi, Bluetooth и других беспроводных устройств.
Испытания проводились на наборе данных, содержащем радиосигналы 5 популярных беспилотников, а также соответствующих пультов управления. Данные записывались на частоте 2,45 ГГц с полосой 56 МГц. Отдельно следует отметить, что авторы попытались учесть влияние реального канала (многолучевость) при подготовке датасетов.
По метрике F1 WUSTCA также оказался лучшим из рассмотренных алгоритмов — 0,953 для распознавания дронов и 0,950 для классификации контроллеров.
Авторы заявляют, что проверили устойчивость алгоритмов к внешним помехам, однако сигналы WiFi и Bluetooth в матрице ошибок нет, скорее всего данные помехи рассматривались как внеполосные. В тестах с интенсивным Wi-Fi-трафиком уровень ложных срабатываний составил 4,5% против 6,2% у ближайшего конкурента, а при смешанных помехах Wi-Fi и Bluetooth — 4,9% против 6,8%.
Еще немного важных цифр для оценки технологии:
▪️ длина тестового сигнала (точно не указана, состоит из пакетов по 1024 отсчета, но из графиков следует, что около 1 секунды)
▪️ требуемые ресурсы 1,82 GFLOPs, 345 МБ
▪️ платформа NVIDIA RTX 3090 GPU, Intel Core i7-12700H CPU
▪️ время обработки 4,1 мс
Несмотря на высокие результаты, исследователи отмечают, что технология пока проходила испытания только на тестовых наборах данных, проверка в реальных условиях еще не проводилась.
AlissNet-4 🇷🇺
Ссылки на предыдущие публикации по алгоритмам детекторов Алиссум
https://t.iss.one/quadro_code/619
https://t.iss.one/quadro_code/599
https://t.iss.one/quadro_code/516
https://t.iss.one/quadro_code/399
https://t.iss.one/quadro_code/345
🔹 набор типов БПЛА существенно шире, правда разделены они иначе - на укрупненные классы
🔹 помеховые сигналы у нас не только WiFi и Bluetooth, но и все типовые системы связи, вещания, РЭБ, все сигналы в полосе анализа и имеют свой класс
🔹 точность классификации по метрике F1 — 0,98 против 0,95–0,96 у китайцев
🔹 за 5–7 секунд мы делаем классификацию всех сигналов в полосе 300–10 000 МГц, а не одного на одной частоте
🔹 требуемые ресурсы 0,1 GFLOPs — почти в 20 раз меньше, чем у китайцев
🔹 память 256 кБ — почти в 1000 раз меньше
Сравнивать эти два алгоритма напрямую некорректно.
Китайцы решали академическую задачу более детального анализа сигналов. Нет никаких сомнений, что используя такие мощные и передовые инструменты нейросеть научится эффективно справляться с поставленными задачами. В условиях отсутствия ограничений на аппаратные ресурсы (мощные SDR, высокопроизводительный GPU) реализовать подобное сможет любой грамотный ML специалист.
На практике же, в условиях жесткого ограничения доступных ресурсов и существенно большего набора неизвестных, задача требует совершенно других подходов к оптимизации и мы ее успешно решили.
Квадро код не просто имеет передовые алгоритмы обнаружения радиосигналов БПЛА мирового уровня эффективности, но и реализовал на их основе линейку детекторов, некоторые из которые работают с 2024 года. Компактность детекторов существенно отличается от связки CPU+GPU неслабой производительности.
Помимо указанных преимуществ, нами доказана эффективность использования AlissNet-4 при обнаружении ранее неизвестных дронов.
Главное — не останавливаться на достигнутом, а очень оперативно двигаться дальше, как в разработке железа, так и в совершенствовании алгоритмов.
Команда Квадро код 🪁
https://t.iss.one/quadro_code
Please open Telegram to view this post
VIEW IN TELEGRAM
Please open Telegram to view this post
VIEW IN TELEGRAM
👍7⚡3🔥2
Forwarded from Милитарист
Статистика примененных барражирующих боеприпасов ВСУ и ВС РФ в 2024-2026 гг.