[发明专利]基于卷积神经网络的卫星导航干扰信号识别装置及其方法

说明书

本发明公开了一种基于卷积神经网络的卫星导航干扰信号识别装置及其方法，基于CNN深度学习网络在二维数据处理上的优势，干扰信号通过多通道重复的方式，创新性地将降采样之后的一维干扰信号转换为二维图像形式，并以此为基础构建出用于干扰信号识别的卷积神经网络，所述深度学习网络包含三个卷积层，分别包含32个33的卷积层，16个33的卷积层和16个33的卷积层，每一个卷积层之后引入归一化层，每一个归一化层之后引入池化层，最后加上全连接层作为输出层，所述卷积层均选择ReLU作为激活函数，所述全连接层采用softmax作为激活函数，在CNN分类模型完成训练后，有效识别出卫星干扰信号并完成分选，更加的高效、快速。

技术领域

本发明属于卫星导航抗干扰技术领域，具体涉及一种基于卷积神经网络的卫星导航干扰信号识别装置及其方法。

背景技术

传统卫星导航信号的检测与识别一般认为有四个阶段，分别是干扰源检测、干扰源频谱分析、干扰源特征提取和干扰源识别。

在干扰检测算法方面，国内主常用的是能量检测算法(Energy Detection，ED)，即时域短时能量检测算法和频域短时能量检测算法，可以实现快速的干扰源检测，并能取得较好的检测效果；除此之外，还可以通过短时傅立叶变换(Short-time FourierTransform，STFT)和Wigner-Ville分布来完成需求。

干扰源频谱分析是在确定干扰存在后对信号做短时傅里叶变换，然后通过频点检测算法确认干扰频点位置以及所处干扰带宽的过程。干扰源特征提取一般选取干扰源存在因子、干扰信号3dB带宽、干扰信号频域峰度、干扰信号时域峰度、干扰信号Wigner-Hough峰度和干扰信号小波系数峰均比等干扰特征因子来进行信号的区分。

在完成干扰信号的处理之后，可以使用支持向量机(Support Vector Machine，SVM)和决策树这两种基于特征值提取的传统干扰识别分类算法来实现干扰识别。SVM是分析数据和识别模式的监督学习模型，可用于分类和回归任务。这个模块在拥有大量正确数据且试图检测的异常情况并不多的情况下特别有用。决策树是一种以事实为基础的统计学方法，在实际问题中，针对同一问题具有的不同状态，在一定概率准则下根据问题状态选取最优对应方案就形成一个决策，所有的问题及其对应方案便一同构成决策树。但这两种基于特征值提取的干扰识别分类算法，在实际运用中都存在着很多困难与不足：针对干扰信号种类复杂繁多的卫星导航技术领域，采用基于决策树的方法需要人工提取特征，耗时耗力且误差较大，识别效能一般；采用SVM的算法需要采用大量的训练数据且自适应处理能力较差，在卫星导航干扰等领域中，干扰数据的获取又较为困难，无法在实际系统中应用。因而，设计一款高效快速且适用于卫星导航干扰领域的识别装置，就变得尤为重要了。

发明内容

本发明正是针对现有问题，提供了基于卷积神经网络的卫星导航干扰信号识别装置及其方法，包括预处理模块、卷积神经网络模块和输出模块，所述预处理模块用于将一维卫星导航典型干扰信号转换为二维图像；所述卷积神经网络模块包含三个卷积层，分别包含32个3×3的卷积层，16个3×3的卷积层和16个3×3的卷积层，每一个卷积层之后引入归一化层，每一个归一化层之后引入池化层，最后加上全连接层作为输出层，用于对二维图像信号经过仿真训练，有效的提取信号特征并进行分类，通过输出模块输出识别分类结果，本发明基于CNN深度学习网络在二维数据处理上的优势，干扰信号通过多通道重复的方式，将降采样之后的信号转换为图像形式，并以此为基础构建出用于干扰信号识别的卷积神经网络，在CNN分类模型完成训练后，有效识别出卫星干扰信号并完成分选，更加的高效、快速。

为了实现上述目的，本发明采用的技术方案是：基于卷积神经网络的卫星导航干扰信号识别方法，主要包括以下步骤：

S1，信号预处理：将一维卫星导航典型干扰信号转换为二维图像；