本文研究了使用雷达进行检测和分类问题的混合量子神经网络 (HQNN) 和可比较的经典卷积神经网络 (CNN) 的性能。我们发现，在高信噪比 (SNR) 的情况下，CNN 在检测和分类方面的表现优于 HQNN。然而，在低信噪比范围内，HQNN 的性能优于类似架构的 CNN，这在实践中具有最大的关注度。

Mar, 2024

使用无人机侦测领域中的独立成分分析（ICA）机器学习方法可以有效地探测各种声音信号，包括来自鸟类、飞机、雷暴、雨、风和无人机等，并通过功率谱密度（PSD）和 PSD 的 RMS 值检测其是否为业余无人机，是一种在多声源干扰下探测一个或多个业余无人机的独特技术。

Feb, 2020

无人机在人类生活中越来越普遍，但同时也引发了安全方面的担忧，例如未经授权的访问和控制以及与有人飞机的碰撞和干扰。本文利用机器学习和射频检测技术，可以准确识别和区分不同的无人机类型和飞行模式，从而对扩大覆盖范围具有重大意义。通过研究发现，基于短时傅立叶变换（STFT）提取的二维特征可以包含时间域和频率域信息。结合使用 ResNet 结构的卷积神经网络（CNN）进行多类别分类，实验结果显示，提议的 ResNet-STFT 在扩展数据集上实现了更高的准确性和更快的收敛速度，并且在原始数据集上表现出较好的平衡性能。

Aug, 2023

本文通过卷积神经网络的端到端目标检测模型，并提出一种通过人为合成数据解决训练数据稀少问题的算法，可以高精度高召回率地解决视频序列中无人机检测问题。

Jun, 2017

基于视觉转换器的粗细检测策略用于无人机检测，提升 F1 得分，并在边缘计算设备上实现实时处理能力。

Apr, 2024

本文提出了一种新的基于机器学习的方法，通过利用无线电测量特征来识别移动网络中的流氓无人机，取得了高的检测率，但在低空中检测精度会下降。

May, 2018

本研究旨在提出一种使用监控无人机的调制分类和信号强度定位方法，以精确监测和定位非法飞行的业余爱好者随身携带的无人机，通过在合适高度飞行，调整监控无人机的位置等手段，提高监测和定位性能。

Oct, 2017

通过构建一个包含机械故障声音数据集的深度神经网络故障分类器，利用多任务学习和方向分类，成功地对无人机进行了机械故障的检测，相比于单一任务方法，该多任务方法在用较少的训练数据的情况下也能更好地分类故障。

Apr, 2023

本文提出了一种深度神经网络在无人机上的分布式方法，以实现资源受限设备中的数据分类，同时考虑无人机的移动模型和资源约束。模拟表明，所提出的优化方案优于现有的启发式方法和基于服务器的解决方案。

May, 2021

本文提出了使用分割为基础的两阶段方法来检测从其他飞行无人机发射的无人机，通过使用时空注意力线索来确保准确的定位，并以准确性优于其他基线的结果在两个无人机检测数据集上进行了评估。

Mar, 2021