[发明专利]一种基于机器学习的电离层幅度闪烁检测方法

说明书

本发明公开了一种结合机器学习的电离层幅度闪烁检测方法，该方法利用机器学习中的SVM算法，对电离层幅度闪烁信号进行检测，依此判断是否发生闪烁事件。在此过程中，首先将接收到的GPS信号经处理并计算得幅度闪烁指数S4的最大值和平均值，将其作为学习样本对对应的闪烁事件进行标记，设置标签为1表示闪烁事件发生，为‑1表示闪烁事件未发生。接着将样本输入SVM分类器中进行学习，得到最优分类器。当新的闪烁事件特征向量进入SVM分类器时，将对其自动进行分类。该检测方法能同时检测大量闪烁事件，提高了检测效率的同时，简化了检测过程并获得了较高且稳定的准确度。

技术领域

本发明涉及无线通信领域，尤其涉及一种基于机器学习的电离层幅度闪烁检测方法。

背景技术

随着GNSS等卫星技术在现代社会越来越广泛应用，电离层闪烁及其对射频信号的影响已成为不可忽视的重要部分。电离层闪烁是电离层等离子体中不规则结构引起的，是指射频信号(如GNSS)在电离层中传播的振幅和相位的快速波动。由于产生这种现象的原因有很多，包括但不限于太阳活动、磁暴、局部电场、电导率、波相互作用等。更具体地说，高纬度地区的闪烁通常与太阳活动和磁暴时期有关，因此闪烁预测和建模非常困难。在赤道和低纬度地区，赤道电离异常和日落后形成的电离层气泡是闪烁事件的潜在原因。闪烁会影响穿透电离层的所有空间无线电信号，并可能导致精度和连续性的性能下降。强闪烁会严重影响GNSS接收机的信号采集和跟踪，导致失锁和导航失败。因此，寻求准确、高效的电离层闪烁检测方法不仅有助于设计性能更优的接收机以提高定位精度、减小电离层闪烁的影响，同时也能为电离层和空间天气模型建立提供帮助。

传统的电离层闪烁检测是通过研究人员观察检测数据进行人工识别，这一过程耗时长且不可能遍历所有数据。为此提出了自动闪烁检测方法以提高检测效率。最熟悉的以经验为主的检测方法是判断幅度闪烁指数S₄，若大于0.2则发生闪烁事件。另有更复杂的基于NP检测理论的检测算法，如小波分解法，即通过假设小波系数服从高斯分布来区分闪烁和非闪烁事件；另有一种互补的集成经验模态分解方法，该方法通过对载噪比的精确测量来检测闪烁。虽然上述算法能够对闪烁事件进行检测，但在设计过程中均受到非优化经验阈值或理想假设模型的限制。

发明内容

发明目的：本发明针对现有技术存在的问题，提供一种基于机器学习的电离层幅度闪烁检测方法，所述方法结合机器学习中的SVM算法，通过学习电离层幅度闪烁特征，对闪烁事件进行自动检测。相比于其他方法，既有效提高了检测精确度，简化了检测步骤，又能同时处理大批量数据，有效提高了检测效率。

技术方案：本发明所述的基于机器学习的电离层幅度闪烁检测方法包括：

(1)对于不同位置GPS接收机采集到的数据，采用窗口长度为a秒并每次移动b秒的移动窗口获取数据，对于每一次移动窗口获取的数据计算幅度闪烁指标S₄；其中，a、b为正整数，且ab；

(2)将不同位置GPS接收机采集到的数据以每t分钟为一个数据块进行划分，将每个数据块中的幅度闪烁指标的最大值和平均值作为该数据块的特征量，并采用标签标记该数据块是否发生闪烁事件，其中，t为正整数；

(3)将部分数据块的特征量和对应标签作为训练样本，并根据标签分为发生闪烁事件样本和未发生闪烁事件样本两类，剩余数据块的特征量和对应标签作为校验样本；

(4)建立线性SVM分类器模型；

(5)将两类训练样本输入线性SVM分类器模型进行交叉验证，得到SVM分类器模型中的最优超参数，获得最优SVM分类器；

(6)将校验样本中的特征量输入最优SVM分类器进行分类，将输出的分类结果与对应标签比对，当准确率达到预设值则认为SVM分类器合格；

(7)将未知的闪烁事件数据的特征量输入到合格的SVM分类器中，SVM分类器的输出即为分类结果。