简介：此存储库面向无人机安全监管与射频信号识别领域的研究者和开发者，提供一套基于MATLAB与Python的无人机检测与识别代码。利用无人机发射的射频信号，程序可完成信号采集、特征提取、模式判别等环节，配合支持向量机、随机森林等分类算法，能够识别常见无人机机型。压缩包共包含18个文件，整体大小约1.85MB，其中7个MATLAB脚本覆盖数据聚合、数据标注、数据库展示、信号分析与分类演示等核心流程；1个Python脚本用于执行具体分类任务；另有LabVIEW工程文件与配置文件，可支持射频信号的录制、回放与可视化处理，并附带说明文档。目前已有185人学习。通过这套代码，读者能够快速搭建从信号接收到特征分析、模型训练与结果评估的完整技术链路，用于无人机探测实验或相关课题研究和课程设计。
1. 无人机射频信号检测与识别代码库：这套代码到底解决什么问题
把无人机射频信号检测做成一套可复现的 MATLAB 和 Python 代码，这件事的价值不在于“代码本身多难写”，而在于它把一条完整的信号处理链路——从原始 I/Q 采样、频谱分析、特征提取，到机器学习分类、模型评估——全部串起来了。过去一个团队要花大半年踩完的坑，在这套代码仓库里被提前拆解成了可替换的模块，这也是它在无人机检测和识别方向值得投入的根本原因。
这套代码解决的典型场景很具体：手持一台软件无线电设备，对着空域连续采样，然后实时或离线回答两个问题——空中到底有没有无人机？如果有，是哪一种机型？前者靠能量检测和宽带频谱分析就能解决一半，后者必须依赖无人机与遥控器之间的射频指纹差异。用 MATLAB 做前端的时频分析和特征工程，用 Python 做后端的分类模型和训练管线，正是射频信号处理领域最常见的分工方式。
适合读这篇文章的人有两类：一类是做低空安防、机场净空、重要场所无人机管控的工程师，需要快速搭建一套检测原型；另一类是研究射频指纹识别、想用自己的采样数据做分类实验的学生。如果你只是想要一个“丢进去就能用”的现成模型，不打算碰信号处理，那这套代码的学习成本会被你的预期高很多——因为信号侧的坑，躲不掉。
2. 无人机射频信号特征与检测基础：为什么 RF 能分辨“有没有”和“是哪台”
2.1 无人机通信链路与常用频段：先搞清楚你面对的信号从哪里来
无人机检测的射频信号主要来自两条链路：一条是无人机与遥控器之间的上行控制链路，另一条是无人机向地面回传图像或遥测的下行链路。市面上主流无人机使用的频段集中在 2.4GHz、5.8GHz，以及部分远距离机型使用的 433MHz、868MHz、915MHz。其中 2.4GHz 和 5.8GHz 因为和 WiFi、蓝牙重叠，背景干扰复杂；433MHz 和 915MHz 虽然干扰少，但带宽窄，特征不明显。
从信号检测的角度看，你不需要解调出无人机的完整通信内容，也不需要知道它传输的协议细节。只要能在频谱上稳定捕获到一段突发能量，然后从这段能量的带宽、持续时间、调制样式、跳变规律里提取出足够区分于 WiFi 和 Bluetooth 的特征，检测目标就已经达成了。这也是 RF 检测与协议分析的本质区别：协议分析要求读懂内容，检测识别只要求认出“是谁在说话”。
代码库里针对不同频段做了频段裁剪逻辑，比如在 2.4GHz 附近会先把 WiFi 的 20MHz 信道中心频率剔除，再对剩余频段做能量扫描。常见的做法是先在宽带频谱上做粗检测，锁定可疑信号的中心频率之后，再用窄带采样把该频段的 I/Q 数据完整录下来，供后续识别模型使用。这套两级流程也是你在阅读代码时会反复看到的结构。
2.2 调制样式、突发时长与带宽：区分机型的关键指纹
不同类型的无人机射频信号在三个维度上有稳定差异：调制样式、突发时长、瞬时带宽。比如，某些典型航拍机采用 OFDM 调制，频谱呈现明显的多载波特征，带宽可以达到 20MHz 甚至更宽，信号在时频图上表现为连续的一块能量；而一些轻小型无人机采用跳频或单载波调制，瞬时带宽只有几百 kHz，能量在时频图上表现为一条断续的窄带轨迹。
调制样式决定了你在频谱图上看到的“形状”。OFDM 信号在频谱上带宽宽且内部有细密的子载波纹路，单载波信号则呈现明显的峰状能量集中；跳频信号则表现为能量在不同频率之间跳变，时频图上是一段一段的斜线。这些形状差异不需要解调，只靠 spectrogram 或者傅里叶变换后的幅度谱就能提取，这也是 MATLAB 在整套代码里承担前端处理的原因。
突发时长是一个容易被忽视但非常有区分度的特征。遥控器每次发送控制指令的持续时间通常只有几毫秒到几十毫秒，而图传链路的下行信号往往持续数百毫秒甚至更长。你把时频图按时间轴做能量投影，统计能量超过阈值的连续帧数，就能区分出“周期性短突发”和“持续占用”这两种行为模式，二者对应的飞行器类型往往完全不同。
带宽维度则用来做粗分类。5GHz 频段上的图传信号常常占用 10MHz 以上带宽，而 433MHz 遥控链路往往只有 100kHz 级别。把信号带宽作为第一个分类特征输入后续的机器学习模型，能显著降低模型的决策难度。代码库的特征工程模块里，带宽、中心频率偏移量、时频能量集中度这三项被列为基础特征，后面接任何分类器都能有不错的表现。
2.3 数据集形态：I/Q 采样文件与标注格式
做射频检测的第一步永远是把数据集格式搞清楚。代码仓库里最常见的数据格式是裸 I/Q 采样文件，通常以 .bin 或 .dat 后缀存储，内容是无符号或补码的 int16 交错序列，也就是每个采样点由两个连续 int16 组成，第一个是实部、第二个是虚部。也有部分数据集用 float32 存储，文件体积会翻一倍，但读取时不用做定点数到浮点数的转换。
标注信息一般独立存放在 CSV 或 JSON 文件里，每条记录包含文件名、起始采样点、结束采样点、信号类别标签，以及采样率。类别标签通常是“NoDrone”“DroneModelA”“DroneModelB”这类枚举值，其中 NoDrone 背景样本的数量往往是各机型样本的好几倍，因为真实空域中 90% 以上的时间没有任何无人机信号。你在跑分类模型前，必须先做类别平衡处理，否则模型学到的就是“一律判为无无人机”也能得到很高准确率。
这里有一个代码库使用时的关键细节：原始 I/Q 文件经常长达几 GB，不可能一次性全部读入内存。常见做法是维护一个分片索引，按标注文件里的起始点和结束点读取对应的采样片段。比如标注里说某段信号在第 100 万个采样点开始，持续 20 万个采样点，你就用 MATLAB 的 fread 配合 fseek 跳过去，只读这 20 万个点参与后续处理。整个代码库围绕这种“采样片段 + 独立标注”的组织方式设计，理解这一点，你就理解了后面所有模块的数据流向。
3. MATLAB 端信号处理与检测实现：从 I/Q 文件到时频图
3.1 读取 I/Q 采样文件并做频谱分析：验证数据可用的第一步
拿到一份无人机射频数据后，先用 MATLAB 做一个最简单的频谱图，确认数据内容与标注一致。这个步骤不过脑子也能做，但很多人在文件格式上卡住——不同采集设备导出的 I/Q 文件，字节序、位宽、交织顺序完全不同。代码库里默认按 int16 交错读取，但你要根据数据来源灵活调整。下面这段代码是读取和频谱分析的起点：
% 打开I/Q二进制文件，按int16交错格式读取 fileID = fopen('drone_sample.bin', 'rb'); raw = fread(fileID, inf, '*int16'); fclose(fileID); % 拆成实部和虚部，组成复信号 iq = raw(1:2:end) + 1i * raw(2:2:end); fs = 20e6; % 采样率，务必与采集配置一致，单位Hz N = 8192; % 单次FFT点数，建议设为2的幂次 % 取一段平稳信号，加窗后做FFT segment = iq(1:N) .* hann(N, 'periodic'); spectrum = fftshift(fft(segment, N)); power_db = 20 * log10(abs(spectrum) + eps); freq_axis = (-N/2 : N/2-1) * fs / N / 1e6; % 单位MHz plot(freq_axis, power_db); xlabel('频率 (MHz)'); ylabel('功率 (dB)');这段代码的逻辑分三步：先从二进制文件里读出原始字节流，拆成复基带信号；然后截取固定长度的采样点做加窗 FFT；最后把频谱转换为 dB 单位显示。加窗这步很重要，因为直接截断会造成频谱泄漏，hann 窗能把旁瓣压低，让微弱信号更容易在频谱图上被看到。
参数设置上有两个地方需要你根据实际数据调整。一个是 fs，如果设错，频谱图的横轴频率位置就会整体偏移，导致后续频段裁剪模块定位错误。另一个是 FFT 点数 N，N 太小则频率分辨率不够，两个相邻的窄带信号会糊在一起；N 太大则单次 FFT 覆盖的时间窗口变长，对跳频信号的观测会“平均掉”细节。代码库里默认用 8192 点，在 20MHz 采样率下对应约 2.44kHz 的频率分辨率，抓无人机这种窄带信号已经够用。
3.2 能量检测与背景噪声自适应估计：把“有没有无人机”变成阈值判断
无人机检测的前端模块通常不做复杂分类，只用能量检测来回答“有没有信号出现”。但能量检测的难点不在“算能量”，而在“定阈值”。固定阈值在实验室环境里看起来很完美，一到现场就失效，因为射频环境的底噪经常出现几 dB 的起伏。解决思路是用信号功率的中位数或最小值来实时估计噪声底，噪声底之上留一个固定偏移量作为检测门限。
% 计算整段数据的功率谱，用于噪声底估计 segments = buffer(iq, N, N/2); % 重叠50%，避免漏掉短突发 power_matrix = abs(fft(segments, N, 1)).^2 / N; power_db = 10 * log10(power_matrix + eps); % 噪声底估计：取每个频点上功率值的最小值作为参考 noise_floor = min(power_db, [], 2); % 按频点取最小值 threshold = noise_floor + 8; % 门限偏移，默认8dB % 能量检测：统计功率超过门限的频点数量和持续帧数 detect_mask = power_db > threshold; frame_hits = sum(detect_mask, 1); signal_frames = find(frame_hits > 5); % 超过5个频点且持续至少一帧这段代码的核心思想是“时域最小值即噪声底”。因为无人机信号是突发性的，某个频点在大部分时间内并没有信号，取时间维度上的最小值，能逼近真实的噪声功率。门限偏移量是关键参数：设置太小会产生大量虚警，把 WiFi 的突发误判成无人机；设置太大会漏掉远距离的弱信号。代码库里默认 8dB，实测中建议你统计一下纯背景数据的功率波动范围，超过 10dB 就说明采集环境里有很强的干扰源，门限要相应提高。
检测结果 signal_frames 标记了哪些时间帧存在可疑信号。这个中间结果很重要，因为它为下一步时频图生成划定了目标区域——你不需要对整段几秒钟的数据做完整时频分析，只需要对 signal_frames 对应的片段做精细特征提取，极大减少计算量。
3.3 时频图生成：把一维 I/Q 信号变成二维图像，为识别做预处理
特征提取最常用的手段是生成时频图，也就是 spectrogram。时频图把一维时间信号展开成“时间—频率—功率”的三维信息，一张图上同时保留信号的频率位置和持续时间模式。对无人机这种突发性强的信号，时频图上的纹理差异就是不同机型最直观的区分依据。MATLAB 里生成 spectrogram 只需要一行核心函数，但窗口长度和重叠率的设置直接影响特征质量。
% 生成时频图，用于后续特征提取和图像分类 window_len = 1024; % 窗口长度 overlap = 768; % 重叠采样点数，窗口长度的75% nfft = 1024; % FFT点数，不低于窗口长度 [S, F, T] = spectrogram(iq, hann(window_len, 'periodic'), overlap, nfft, fs); % 转换为dB幅度谱并裁剪到有效频段 S_db = 20 * log10(abs(S) + eps); valid_freq = (F >= 2.4e9 - fs/2) & (F <= 2.4e9 + fs/2); % 以2.4GHz为例 S_cropped = S_db(valid_freq, :); % 保存为灰度矩阵，供Python端读取 imwrite(mat2gray(S_cropped), 'spectrogram.png');窗口长度决定了时频图的时间分辨率和频率分辨率的折中：窗口越长，频率分辨率越细，但时间上会把短暂的突发信号模糊化；窗口越短，时间定位越准，但频率上会显得信号带宽偏宽。代码库默认窗长 1024 在 20MHz 采样率下对应约 19.5kHz 的频率分辨率，对大多数无人机信号都是合理的中点选择。如果你的目标信号带宽只有几十 kHz，可以把窗口调到 2048；如果目标信号是几十 ms 的短跳变，则需要缩短到 512。
重叠率则影响时频图的平滑度。重叠 75% 能有效避免窗口滑动造成的能量闪烁，让时频图上的信号区域连成连续块状，这对后面用卷积网络做图像分类尤为重要。生成的灰度图再配合标注文件中的类别标签，就构成了一个标准的图像分类数据集。这也是 MATLAB 和 Python 在整套代码里的交接点：MATLAB 负责“信号到图像”，Python 负责“图像到类别”。
4. Python 端特征提取与分类识别：从频谱图到机型判断
4.1 把频谱图转成特征矩阵：让分类器能理解的数值表示
MATLAB 生成的时频图是二维矩阵，Python 端要做的第一件事是决定怎么用这个矩阵。两种主流做法：一种是直接把它当成灰度图像，输入卷积神经网络；另一种是手动提取统计特征，输入传统机器学习模型。代码库同时保留了这两条路线，传统特征路线在样本量小、算力有限时更实用，CNN 路线在数据量大时能学到更深层的纹理差异。
import numpy as np from scipy.ndimage import median_filter def extract_signal_features(spectrogram_db: np.ndarray) -> dict: """从时频图矩阵中提取一组统计特征 输入形状: (频率点数, 时间帧数)，单位为dB """ # 先做中值滤波，去除孤立噪声点 smoothed = median_filter(spectrogram_db, size=(3, 3)) # 沿时间轴计算能量分布 col_energy = np.mean(smoothed, axis=1) peak_idx = np.argmax(col_energy) peak_power = col_energy[peak_idx] # 3dB带宽：功率低于峰值3dB的频率范围 above_3db = col_energy > (peak_power - 3) bandwidth_3db = np.sum(above_3db) # 频谱质心：能量加权的平均频率位置 freq_idx = np.arange(smoothed.shape[0]) spectral_centroid = np.sum(freq_idx * np.exp(smoothed)) / np.sum(np.exp(smoothed)) # 时间维度的突发性：能量在时间轴上是否集中 row_energy = np.mean(smoothed, axis=0) burst_ratio = np.sum(row_energy > np.median(row_energy)) / len(row_energy) return { 'peak_freq_idx': peak_idx / len(col_energy), 'peak_power': peak_power, 'bandwidth_3db': bandwidth_3db / len(col_energy), 'spectral_centroid': spectral_centroid / len(col_energy), 'burst_ratio': burst_ratio, 'mean_power': np.mean(col_energy), }这个特征提取函数里的每一个特征都有明确物理含义。peak_freq_idx 表示信号能量最集中的频率位置，归一化后可以避免不同采样率带来的尺度差异；bandwidth_3db 是信号的等效占用带宽，这是区分 OFDM 图传和窄带遥控信号最有效的特征；burst_ratio 描述信号在时间维度的断续程度，周期性跳频信号的 burst_ratio 会明显低于持续发射的图传信号。
使用 np.exp(smoothed) 做频谱质心计算是一个细节优化：直接把功率值做加权平均时，强信号会完全压过弱信号；先做指数变换，相当于把功率的相对差异压缩，让质心更能反映信号的整体频谱形状，而不是只被峰值牵着走。这一组特征足够支撑一个基线分类器，后续增加其他特征时，要确保它们都是按同一窗口长度和频率分辨率计算的，否则不同特征之间的尺度不匹配会影响模型收敛。
4.2 用轻量分类器对无人机型号进行识别：随机森林的稳定表现
在无人机射频信号这类样本量通常只有几千到几万条的数据集上，随机森林往往比深度学习模型更实用。原因很简单：射频信号特征维度低，特征之间的边界相对清晰，用树模型就能拟合得很好；而且随机森林对特征值域和缺失值不敏感，不需要做复杂归一化。CNN 的收益要在样本量达到百万级别时才明显，而现有的开源射频数据集离这个量级还差得很远。
import pandas as pd from sklearn.ensemble import RandomForestClassifier from sklearn.model_selection import cross_val_score # 假设已有特征矩阵X和标签向量y # X: (样本数, 特征数)，y: (样本数, )，标签为字符串类别名 X = np.load('features.npy') y = np.load('labels.npy') # 随机森林分类器，重点调了两个参数 model = RandomForestClassifier( n_estimators=300, # 树的数量，越大越稳定，但训练时间线性增加 max_depth=12, # 限制深度，防止在少数样本上学到噪声 min_samples_leaf=2, # 每个叶子节点至少2个样本，平滑决策边界 n_jobs=-1, # 用所有CPU核心并行训练 random_state=42 # 固定随机种子，复现实验结果 ) scores = cross_val_score(model, X, y, cv=5, scoring='f1_macro') print(f'5折交叉验证 F1-macro: {scores.mean():.3f} ± {scores.std():.3f}')max_depth 和 min_samples_leaf 是树模型里最值得调整的两个参数。max_depth 太大，模型会把训练样本里的偶发噪声当成规律，测试时表现反而下降；max_depth 太小，特征间的复杂关系又学不到。实际经验是让树深度停在 8 到 16 之间，具体值通过交叉验证来选择。min_samples_leaf 则限制叶子节点的最小样本数，等于要求模型每一步决策都必须有一定数量的样本支持，能有效避免单条异常样本把模型带偏。
n_estimators 这个参数带来的收益是边际递减的：从 100 棵增加到 300 棵，准确率可能只提升 0.5 个百分点，但训练时间长了三倍。如果你的数据量只有几千条，200 棵树已经足够；如果到几万条，再往上升意义不大。这里强调随机种子固定，是因为树模型的训练过程有随机性，不固定种子会导致你每次跑出来的指标都不一样，后续做参数对比时就分不清是参数效果还是随机波动。
4.3 数据划分与评估指标：按飞行架次分组，别按文件随机切
射频数据集面临一个普遍陷阱：同一个文件里连续采样点多，切成的训练片段高度相关。如果随机划分训练集和测试集，同一个无人机的信号片段既出现在训练集又出现在测试集，模型实际上是“记住了”这个信号，而不是“学会了”识别这一类无人机。正确做法是按照飞行架次或采集会话分组，确保同一架次的所有片段都在同一侧。
from sklearn.model_selection import GroupShuffleSplit # groups数组：每个样本所属的飞行架次编号 # 目标是让同一架次的样本始终在同一个数据子集里 group_split = GroupShuffleSplit(n_splits=1, test_size=0.2, random_state=42) train_idx, test_idx = next(group_split.split(X, y, groups=groups)) X_train, X_test = X[train_idx], X[test_idx] y_train, y_test = y[train_idx], y[test_idx]评估指标上推荐优先看 F1-macro 而不是准确率。射频数据集里“无无人机”背景样本通常占比很高，一个只会输出“无无人机”的模型也能刷出 90% 以上的准确率，但它根本没学会识别任何机型。F1-macro 对所有类别计算 F1 后取平均，每一个类别的权重相同，才能真实反映每个机型的识别效果。如果后续做实时检测系统，还要额外计算每个样本的处理时间，这个指标决定了你的系统是能做到 1 秒内出结果，还是只能离线分析。
另外记得把特征数据保存成独立文件而不是临时生成。常见做法是保存为 features.npy 和 labels.npy，同时把对应的分组编号存成 groups.npy。这三个文件构成完整的可复现实验输入，任何人在相同数据上跑相同脚本，都能得到相同结果。这也是这份代码库在工程实践中最有价值的一个设计习惯。
5. 避坑指南：无人机 RF 检测代码库使用中的常见问题与排查
5.1 现象：实验室检测率 90%，实测场景直接腰斩
信号处理链路在实验室里跑得很好，拿到现场就发现检测不到无人机，或者把 WiFi、蓝牙信号误判成无人机。这是射频检测方向最高频的翻车现场，本质原因是实验室的电磁环境太干净，噪声底平稳且低；现场有基站信号、WiFi 路由器、汽车雷达、微波炉等各类干扰源，噪声底和干扰形态完全不同。
原因通常出在训练数据里没有加入现场噪声样本。代码库自带的背景样本只覆盖有限环境，当测试场景的噪声底比训练场景高 5dB 以上时，能量检测的门限偏移量就不再适用。解决思路是在训练阶段做噪声增强：从整段采样数据里截取纯背景片段，叠加不同信噪比的无人机信号，用增强后的数据重新训练模型。同时把检测门限改成自适应模式，每 100ms 更新一次噪声底估计，而不是用固定值。
5.2 现象：两台无人机同时飞行时，识别结果在两个类别间乱跳
多目标场景里出现类别抖动，通常不是模型泛化不足，而是单帧特征本身混叠了多个信号。假设检测到一段 100ms 的信号，里面 50ms 是 A 机型遥控信号，50ms 是 B 机型图传信号，特征提取函数会把两者合并成一条混叠特征，分类器当然无法稳定输出。
解决思路是引入时间维度上的投票机制。代码库里有一个可选配置项：把连续检测到的 5 帧作为一个决策单元，每一帧单独分类，最终取 5 帧中出现次数最多的类别作为输出。这样即使中间有一两帧分类错误，只要其余帧输出正确，最终结果就是稳定的。投票窗口的大小要根据信号突发时长设定，窗口太长会延迟首次输出，窗口太短则平滑效果不足，建议从 5 帧开始调试。
5.3 现象：MATLAB 导出的特征数据和 Python 读取时维度对不上
跨语言协作最常见的报错就是维度不匹配：MATLAB 的矩阵默认列优先存储，Python 的 numpy 默认行优先，而且 MATLAB 的列向量在导出成 .npy 或 .mat 文件后，读回来经常多出一个长度为 1 的维度。表现在代码里就是在 model.fit 时报输入形状错误，或者在处理时频图矩阵时把转置搞反。
解决方法是固定交接格式。代码库建议统一使用 .npz 或 HDF5 格式存储中间数据，不要直接用 .mat 文件做跨语言交接。在 Python 端读取后，第一件事是打印 array.shape 并和 MATLAB 端的 size 结果对照，确认频率轴在行方向还是列方向。一个血泪经验是：在 MATLAB 里用单引号转置矩阵后保存的数据，在 Python 端读出来形状可能是 (F, T) 也可能是 (T, F)，务必在生成中间数据时就把维度的物理含义写进注释。
5.4 现象：频谱图注水导致模型学到噪声而不是信号
时频图生成时，如果不加处理直接把原始功率矩阵做归一化，少数强干扰频点会把动态范围压得很扁，模型看到的图像会变成“一片黑底上几个亮块”，完全没有信号的纹理细节。做法是将功率矩阵限制在峰值以下 60dB 的范围内，超出部分的像素值全部截断，这样背景噪声和信号主体都能保留在合理的灰度区间。
另一个相关的坑是频谱图中的直流分量和镜像频率。某些 SDR 设备在零频附近存在直流偏置，如果时频图中包含了这一行，模型可能会学到“只要中心频率有能量就是无人机”，这种特征完全无法泛化到偏移载波频率的新数据上。正确做法是在生成时频图前，用高通滤波把直流分量去掉，或者直接裁剪频段避开零频附近。
5.5 现象：同一个代码仓库，跑出来的结果和别人不一致
版本问题的隐蔽性在于它不会报错，只会让你的模型指标差几个百分点。MATLAB 里 spectrogram 的窗口函数类型、FFT 归一化方式在不同版本间有过调整；Python 里 scikit-learn 的随机森林在旧版本和新版本之间的分裂规则也有小幅变化。此外，数据集本身的采样率标注错误也会导致特征频率轴不一致，特征频点错位但幅度值合理，肉眼很难发现。
排查步骤是：先逐个核对你使用的 MATLAB 和 Python 版本号与代码库注释中记录的版本是否一致；再检查数据处理链路里的每一个频率参数，从采样率开始，到 FFT 点数，到频段裁剪范围，全部换算成同一物理单位；最后用一个标注非常清晰的已知无人机样本做端到端跑通测试，输出结果和标注类别不符时，优先怀疑数据读取环节而不是模型环节。
6. 进阶：闭环验证、最优参数配置与跨场景迁移技巧
6.1 用已有无人机做闭环验证：先确认设备端没有拖后腿
在投入大量时间调模型之前，先做一个闭环测试：把一台已知型号的无人机遥控器放在距离接收天线 1 米、5 米、10 米的位置，分别发射控制信号，记录整个信号链路的检测结果。如果 1 米处能检测到但 10 米处检测不到，问题大概率在采集设备的前端增益或者天线的灵敏度，而不是后面的处理算法。闭环验证的价值在于它能区分“信号没采到”和“算法没识别出来”这两个截然不同的故障阶段。
一个实用的验证脚本是：循环发送遥控信号，每次持续 5 秒，期间在 1 米到 15 米之间移动天线位置，记录每个位置上的检测率和信号功率值。把功率值和距离做曲线拟合，观察衰减是否符合自由空间路径损耗规律。如果衰减斜率明显大于 20dB/十倍距离，说明天线的极化方向或阻抗匹配有问题，先解决硬件端，再回来看算法。
6.2 三个必调参数：采样率、窗口长度、检测门限偏移
采样率决定了你能观测到的最大信号带宽。代码库默认 20MHz 可以覆盖绝大多数 2.4GHz 图传信号，但如果你的目标机型使用 40MHz 或 80MHz 带宽，采样率至少要设成信号带宽的 2.5 倍以上才能保留完整波形特征。调采样率时注意同步调整 FFT 窗口长度，否则频率分辨率会随采样率上升而变差。
窗口长度的设置应该匹配你要识别的最短突发信号。最短突发时间除以窗口长度，至少要保证时有 1 到 2 个时间帧覆盖到该信号，否则短突发信号会被窗口平滑掉。计算方法是：窗口时长 = window_len / fs，如果最短突发是 1ms，fs 是 20MHz，窗口长度最好不超过 2048 点，也就是 0.1ms。
检测门限偏移量的调整要在一个包含大量背景干扰的记录上反复测试。具体操作是把一段不含无人机的背景录音跑一遍检测代码，不断降低门限直到出现误检；再把门限提高 3dB 作为安全余量。这两次测试得到的最优偏移量，往往就是真实场景下表现最好的值。玄学一点说，门限偏移量不要设成整数，设成类似 7.5dB 这种带小数的值，有时反而能避开一些设备底噪的整数倍谐波。
6.3 跨场景迁移：在训练数据里主动制造信噪比变化和频偏
模型换一个城市、换一个时段就失效，是射频检测方向的普遍痛点。缓解手段是在训练阶段主动做数据增强：把原始信号的功率随机衰减 3 到 15dB，模拟不同的飞行距离；把信号的载波频率随机偏移几百 kHz 到几 MHz，模拟温漂和不同设备间的振荡器误差。这种增强方式在代码库里叫 synthetic distortion，实现起来只有几行代码，但对模型泛化能力的提升非常明显。
最后分享一个我的使用习惯：每次拿到新采集的数据集，先用一半数据训练一个只含基本特征的快速模型，用整个流程串一遍，看哪个阶段耗时最长、哪个阶段最容易出错。跑通了再加新特征、换大模型。永远不会一上来就用复杂模型，因为一旦结果不好，你很难分辨是特征的问题、数据的问题还是模型结构的问题。这个分阶段排查的习惯，比任何参数调优都更值得你投入时间。希望帮到你。
本文还有配套的精品资源，点击获取
