[发明专利]信号分类方法、装置及卫星信号检测设备

权利要求书

1.一种信号分类方法，其特征在于，应用于卫星信号检测设备，所述方法包括：

接收预定频段的多种卫星信号；

将多种所述卫星信号均转换为对应的多种数字信号，其中，每种所述卫星信号对应一种数字信号；

提取每种所述数字信号的时域特征，所述时域特征包括所述数字信号的时域功率和接收所述卫星信号的方向角，所述时域功率是根据计算得到的，所述方向角是通过所述数字信号的时域功率以及数字信号的达到时间计算得到的，其中，in表示待提取时域特征的数字信号，Avg表示时域功率的平均值，RMS表示时域功率的均方根，n表示第n个时刻或窗口，abs表示绝对值，α表示运行平均滤波器的增益，即当前时域功率占历史时域功率的比重；

提取每种所述数字信号的频域特征，所述频域特征包括所述数字信号的频域功率以及多普勒频移，每种所述数字信号的频域功率以及多普勒频移是先将提取的每种所述数字信号的时域特征经过傅氏变换转换为频域特征、再将频域特征通过算法计算得到的，其中，RMSF表示频域功率的均方根，f表示频率，S(f)表示信号的频谱，即频率f与强度的函数关系；

将每种所述数字信号的时域特征和频域特征进行向量处理，得到多个64*64的特征向量；

利用预设的卷积神经网络模型，提取每种所述数字信号对应的特征向量的深度特征，并根据所述深度特征将该数字信号分类为攻击信号或非攻击信号。

2.如权利要求1所述的方法，其特征在于，所述利用预设的卷积神经网络模型，提取每种所述数字信号对应的特征向量的深度特征，并根据所述深度特征将该数字信号分类为攻击信号或非攻击信号的步骤，包括：

构建一个包含第一网络和第二网络的卷积神经网络模型，其中，所述第一网络包括3层卷积层及3层池化层，所述第二网络包括1层全连接层；

利用预设的训练数据集和测试数据集，对构建的卷积神经网络模型进行训练；

将每个所述特征向量输入训练好的卷积神经网络模型，利用所述卷积神经网络的第一网络进行深度特征学习并提取每个所述特征向量的深度特征；

将所述深度特征作为所述第二网络的输入，得到输出结果，根据输出结果将每个特征向量对应的数字信号分类为攻击信号或非攻击信号。

3.如权利要求2所述的方法，其特征在于，所述构建的卷积神经网络模型的第一网络包括：

第一层卷积层C1：卷积核大小为3*3，设定生成32张特征图；

第二层池化层S1：接受域大小为2*2，设定生成32张特征图；

第三层卷积层C2：卷积核大小为5*5，设定生成64张特征图；

第四层池化层S2：接受域大小为2*2，设定生成64张特征图；

第五层卷积层C3：卷积核大小为8*8，设定生成128张特征图；

第六层池化层S3：接受域大小为2*2，设定生成128张特征图。

4.如权利要求3所述的方法，其特征在于，所述构建的卷积神经网络模型的第一网络还包括：

随机丢失层：设置于每层卷积层和每层池化层之后，随机丢失值为0.8。

5.如权利要求2所述的方法，其特征在于，所述全连接层包含1024个神经元，每个神经元对应1个深度特征。

6.如权利要求2所述的方法，其特征在于，所述利用预设的训练数据集和测试数据集，对构建的卷积神经网络模型进行训练的步骤，包括：

利用包含15000个训练数据集和包含4000个特征向量的测试数据集，对构建的卷积神经网络模型进行2000步训练；

每步训练后，根据训练结果更改该卷积神经网络模型的预设参数。