CN107255825A - 信号分类方法、装置及卫星信号检测设备 - Google Patents

Abstract

本发明涉及深度学习技术领域，提供一种信号分类方法、装置及卫星信号检测设备，所述方法包括：接收预定频段的多种卫星信号；将多种卫星信号均转换为对应的多种数字信号，其中，每种卫星信号对应一种数字信号；对每种数字信号均进行向量处理，得到每种所述数字信号对应的特征向量，其中，特征向量是多维矩阵，且每一维包含多个特征；利用预设的卷积神经网络模型，提取每种数字信号对应的特征向量的深度特征，并根据深度特征将该数字信号分类为攻击信号或非攻击信号，解决了现有技术中检测准确度不高的问题，降低了对训练集与机器性能的要求，具有良好的稳定性，同时提升了信号分类的精度。

Description

信号分类方法、装置及卫星信号检测设备

技术领域

本发明涉及深度学习技术领域，具体而言，涉及一种信号分类方法、装置及卫星信号检测设备。

背景技术

全球卫星导航系统(GNSS，包括GPS、GLONASS、北斗等系统)提供的精准时空信息，将互联网上的终端、用户和物理世界联系在一起，对于终端用户、导航服务、互联网服务商、关键基础设施等都具有极高的价值。然而，GNSS接收器很容易面临屏蔽和欺骗的危险，因此判断卫星发送的GPS信号是否具有攻击性具有重要的意义。

目前，通常利用SVM(Support Vector Machine，支持向量机)来检测具有攻击性的GPS信号，但是，现有的支持向量机训练与分类的是一个1*8的矩阵，因此检测的准确度不高。另外，现有技术中的支持向量机很大程度上依赖了训练集与机器性能，很难保证较好的稳定性，在实时分析的过程中会出现由于系统原因导致的数据流失等各种问题。

发明内容

本发明的目的在于提供一种信号分类方法、装置及卫星信号检测设备，用以改善上述问题。

为了实现上述目的，本发明实施例采用的技术方案如下：

第一方面，本发明提供了一种信号分类方法，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；将多种卫星信号均转换为对应的多种数字信号，其中，每种卫星信号对应一种数字信号；对每种数字信号均进行向量处理，得到每种所述数字信号对应的特征向量，其中，特征向量是多维矩阵，且每一维包含多个特征；利用预设的卷积神经网络模型，提取每种数字信号对应的特征向量的深度特征，并根据深度特征将该数字信号分类为攻击信号或非攻击信号。

第二方面，本发明提供了一种信号分类装置，应用于卫星信号检测设备，所述装置包括卫星信号接收模块、信号转换模块、信号处理模块及信号分类模块。其中，卫星信号接收模块用于接收预定频段的多种卫星信号；信号转换模块用于将多种卫星信号均转换为对应的多种数字信号，其中，每种卫星信号对应一种数字信号；信号处理模块用于对每种数字信号均进行向量处理，得到每种数字信号对应的特征向量，其中，特征向量是多维矩阵，且每一维包含多个特征；信号分类模块用于利用预设的卷积神经网络模型，提取每种数字信号对应的特征向量的深度特征，并根据深度特征将该数字信号分类为攻击信号或非攻击信号。

第三方面，本发明提供了一种卫星信号检测设备，其包括存储器、处理器、以及信号分类装置，所述信号分类装置安装于所述存储器中并包括一个或多个由所述处理器执行的软件功能模块。所述信号分类装置包括卫星信号接收模块、信号转换模块、信号处理模块及信号分类模块。其中，卫星信号接收模块用于接收预定频段的多种卫星信号；信号转换模块用于将多种卫星信号均转换为对应的多种数字信号，其中，每种卫星信号对应一种数字信号；信号处理模块用于对每种数字信号均进行向量处理，得到每种数字信号对应的特征向量，其中，特征向量是多维矩阵，且每一维包含多个特征；信号分类模块用于利用预设的卷积神经网络模型，提取每种数字信号对应的特征向量的深度特征，并根据深度特征将该数字信号分类为攻击信号或非攻击信号。

相对现有技术，本发明具有以下有益效果：本发明提供的一种信号分类方法、装置及卫星信号检测设备，通过将多种卫星信号对应的数字信号进行向量处理，得到每种数字信号对应的特征向量，该特征向量是多维矩阵，且每一维包含多个特征，解决了现有技术中检测准确度不高的问题。另外，利用预设的卷积神经网络模型对数字信号进行分类，降低了对训练集与机器性能的要求，具有良好的稳定性，同时提升了信号分类的精度。

为使本发明的上述目的、特征和优点能更明显易懂，下文特举较佳实施例，并配合所附附图，作详细说明如下。

附图说明

为了更清楚地说明本发明实施例的技术方案，下面将对实施例中所需要使用的附图作简单地介绍，应当理解，以下附图仅示出了本发明的某些实施例，因此不应被看作是对范围的限定，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他相关的附图。

图1示出了本发明实施例提供的卫星信号检测设备的方框示意图。

图2示出了本发明较佳实施例提供的信号分类方法流程图。

图3为图2示出的步骤S103的子步骤流程图。

图4为图2示出的步骤S104的子步骤流程图。

图5为图4示出的子步骤S1042的子步骤流程图。

图6示出了本发明实施例提供的信号分类装置的方框示意图。

图7为图6示出的信号分类装置中信号转换模块的方框示意图。

图8为图6示出的信号分类装置中信号分类模块的方框示意图。

图9为图8示出的信号分类模块中模型训练单元的方框示意图。

图标：100-卫星信号检测设备；101-存储器；102-处理器；103-通信单元；200-信号分类装置；201-卫星信号接收模块；202-信号转换模块；203-信号处理模块；2031-时域特征提取单元；2032-频域特征提取单元；2033-向量处理单元；204-信号分类模块；2041-模型构建单元；2042-模型训练单元；20421-训练单元；20422-参数更改单元；2043-第一执行单元；2044-第二执行单元。

具体实施方式

下面将结合本发明实施例中附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。通常在此处附图中描述和示出的本发明实施例的组件可以以各种不同的配置来布置和设计。因此，以下对在附图中提供的本发明的实施例的详细描述并非旨在限制要求保护的本发明的范围，而是仅仅表示本发明的选定实施例。基于本发明的实施例，本领域技术人员在没有做出创造性劳动的前提下所获得的所有其他实施例，都属于本发明保护的范围。

应注意到：相似的标号和字母在下面的附图中表示类似项，因此，一旦某一项在一个附图中被定义，则在随后的附图中不需要对其进行进一步定义和解释。同时，在本发明的描述中，术语“第一”、“第二”等仅用于区分描述，而不能理解为指示或暗示相对重要性。

请参照图1，图1示出了本发明实施例提供的卫星信号检测设备100的方框示意图。现目前，全球卫星导航系统(Global Navigation Satellite System，GNSS)被广泛应用于定位、导航和授时服务方面，该GNSS系统主要包括全球定位系统(Global PositioningSystem，GPS)、全球卫星定位系统(GLOBAL NAVIGATION SATELLITE SYSTEM，GLONASS)、中国北斗卫星导航系统(BeiDou Navigation Satellite System，BDS)。生活中，在很多场景下需要使用GNSS系统获取位置信息，以便于为人们导航或提供其他附加服务，如在陌生的环境中，需要依靠手机进行或车载导航仪进行导航；野外基础设施传感器或通信授时基站或金融服务器等需要依靠位置信息进行分析判断；甚至现在越来越普及的共享单车、外卖服务以及百度地图等均需要采集位置信息以便于提供后续服务。

因此，依靠GNSS系统获取位置信息已经成为人们生活中非常重要的一部分，但是卫星信号的接收很容易面临屏蔽和欺骗的危险，因为在用的全球数十亿台设备已经使用未加密的民用信号，一方面不可能更新所有设备的硬件以实现加密的功能，另一方面也不能实现对所有公共协议进行加密，以保证卫星信号的安全传输。一旦卫星信号被攻击，即卫星信号被屏蔽或欺骗，将导致严重的后果。如，导航仪或智能手机上的地图导航应用被攻击后，用户将被误导至危险区域，人身或财产存在发生危险的可能；游艇或其他交通工具依靠GNSS系统进行定位，一旦卫星信号被攻击，则整个游艇或其他交通工具将被误导至错误的路线；共享单车需要通过卫星信号来定位车辆或进行计费服务，若卫星信号被攻击，则不能实时监控车辆或不能正常计费，将造成重大损失。

本发明提供一种卫星信号检测设备100，该卫星信号检测设备100体积小、原料成本低，使用时，仅需要随人体、车辆、船舶或其他设备携带，或放置于需要保护时间位置信息的地方，同时，信号分类方法应用于该卫星信号检测设备100上，用户通过连接该卫星信号检测设备100后，即可通过信号分类方法安全使用查看当前所处的位置信息，以避免卫星信号遭受攻击的情况，保证了人身及财产安全。如，可将卫星信号检测设备100放在背包中或将卫星信号检测设备100放置于车内，以保证手机导航或车载导航仪正常工作。

请参照图1，图1示出了本发明实施例提供的卫星信号检测设备100的方框示意图，卫星信号检测设备100包括信号分类装置200、存储器101、处理器102以及通信单元103。

该存储器101、处理器102以及通信单元103各元件相互之间直接或间接地电性连接，以实现数据的传输或交互。例如，这些元件相互之间可通过一条或多条通讯总线或信号线实现电性连接。所述信号分类装置200包括至少一个可以软件或固件(firmware)的形式存储于存储器101中或固化在卫星信号检测设备100的操作系统(operating system，OS)中的软件功能模块。处理器102用于执行存储器101中存储的可执行模块，例如信号分类装置200包括的软件功能模块及计算机程序等。

其中，存储器101可以是，但不限于，随机存取存储器(Random Access Memory，RAM)，只读存储器(Read Only Memory，ROM)，可编程只读存储器(Programmable Read-OnlyMemory，PROM)，可擦除只读存储器(Erasable Programmable Read-Only Memory，EPROM)，电可擦除只读存储器(Electric Erasable Programmable Read-Only Memory，EEPROM)等。其中，存储器101用于存储程序，处理器102在接收到执行指令后，执行所述程序。通信单元103用于建立该卫星信号检测设备100与智能设备的通信连接，该智能设备可以是服务终端，如台式电脑其他智能设备，也可以是，移动终端，如手机或平板等其他智能设备，还可以是，服务终端和移动终端，即移动终端与服务终端通信连接，服务终端与该卫星信号检测设备100通信连接。

第一实施例

请参照图2，图2示出了本发明较佳实施例提供的信号分类方法流程图。信号分类方法包括以下步骤：

步骤S101，接收预定频段的多种卫星信号。

在本发明实施例中，多种卫星信号可以是，但不限于，GPS(全球定位系统，GlobalPositioning System)信号、GLONASS(全球卫星导航系统，GLOBAL NAVIGATION SATELLITESYSTEM)信号以及北斗信号，卫星信号检测设备100用于接收预定频段的多种卫星信号。

步骤S102，将多种卫星信号均转换为对应的多种数字信号，其中，每种卫星信号对应一种数字信号。

在本发明实施例中，卫星信号检测设备100将接收到的每种卫星信号由模拟信号均对应转换为数字信号，以便于后续对每种卫星信号进行分析。

步骤S103，对每种数字信号均进行向量处理，得到每种数字信号对应的特征向量，其中，特征向量是多维矩阵，且每一维包含多个特征。

在本发明实施例中，对每种数字信号均进行向量处理，得到每种数字信号对应的特征向量的方法可以是：首先，采用信号提取算法分别提取每种数字信号的时域特征、频域特征；然后，将每种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。每种数字信号的时域特征可以是每种数字信号的时域功率和接收卫星信号的方向角，每种数字信号的频域特征可以是每种数字信号的频域功率以及多普勒频移。

请参照图3，步骤S103可以包括以下子步骤：

子步骤S1031，提取每种数字信号的时域特征，时域特征包括数字信号的时域功率和接收卫星信号的方向角。

在本发明实施例中，可以根据信号提取算法来提取每种数字信号的时域特征，可以根据式子来实现，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。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出所述数字信号对应的卫星信号的方向角。

子步骤S1032，提取每种数字信号的频域特征，频域特征包括数字信号的频域功率以及多普勒频移。

在本发明实施例中，提取每种数字信号的频域特征的方法可以是；第一，将提取的每种数字信号的时域特征经过傅氏变换转换为频域特征；第二，将第一步中得到的频域特征，通过算法计算每种数字信号的频谱能量分布，也就是计算每种数字信号的频域功率以及多普勒频移。

子步骤S1033，将每种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。

在本发明实施例中，提取到每种数字信号的时域特征和频域特征之后，对每种数字信号的时域特征和频域特征进行融合，得到二进制文件，将该二进制文件转换为十进制文件，并进行向量处理，就得到了每种数字信号对应的特征向量，该特征向量是一个64维，每一维64个特征的矩阵，64*64的特征向量在后续卷积神经网络模型训练中，既可以保证模型训练的准确率，还可以保证训练的时间不致过长。

步骤S104，利用预设的卷积神经网络模型，提取每种数字信号对应的特征向量的深度特征，并根据深度特征将该数字信号分类为攻击信号或非攻击信号。

在本发明实施例中，预设的卷积神经网路模型是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得到的，也就是说，对大量已知的卫星信号对应的64*64的特征向量进行训练，根据训练结果提取新接收的每种卫星信号对应的特征向量的深度特征，并根据深度特征将该数字信号分类为攻击信号或非攻击信号。

请参照图4，步骤S104可以包括以下子步骤：

子步骤S1041，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，第一网络包括3层卷积层及3层池化层，第二网络包括1层全连接层。

在本发明实施例中，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；以及，

设置于每层卷积层和每层池化层之后，随机丢失值为0.8的随机丢失层，该随机丢失层可以在卷积神经网络模型训练时随机让网络中某些隐含层节点的权重不工作，不工作的那些节点可以暂时认为不是网络结构的一部分，但是它的权重得保留下来，换句话说，随机丢失层可以在卷积神经网络模型训练时随机让3层卷积层及3层池化层中某些节点的权重不工作，但是保留权重，这样可以防止出现过拟合的情况。

在本发明实施例中，构建的卷积神经网络模型的第二网络包括1层全连接层，该全连接层包含1024个神经元。全连接层与第六层池化层S3的特征图相连，全连接层神经元个数就是深度特征个数，其直接影响卷积神经网络的拟合效果和训练速度。

作为一种实施方式，卷积神经网络的最终输出层为多类逻辑回归层，可输出0到1之间数值，代表着每个深度特征分别属于攻击信号和非攻击信号的概率值，根据概率值将每个数字信号分类为攻击信号或非攻击信号。

子步骤S1042，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。

在本发明实施例中，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。对构建的卷积神经网络模型进行训练的过程可以是：

第一，将训练数据集作为输入，用不同卷积层的多个卷积核进行卷积求和操作、外加偏置，再将结果并经过ReLu激励函数输出，形成当前层的神经元。

第二，对第i层特征图的每一个神经元采用最大池化法，用固定大小窗口进行下采样，降低特征图对于平移、缩放和旋转的敏感度。最大池化法可以表示为其中，u(n,1)是采用的窗口函数，a_j是邻域中的最大值。

第三，利用随机丢失层(也称Dropout层)随机选择卷积神经网络的某些隐含层节点的权重不工作，设置随机丢失的比例为0.8，则每次训练随机丢弃80％隐含层的节点来进行训练，避免每次训练时所有的滤波器都共同作用放大或者缩小某些特征，防止过拟合。

第四，利用全连接层和逻辑回归层将每个数字信号分类为攻击信号或非攻击信号。

第五，卷积神经网络参数训练分为前向传播和后向传播阶段，前向传播过程为给定待推断的输入计算输出，将训练样本送入网络，逐层变换，提取特征，得到激励响应。在后向传播过程中，卷积神经网络根据损失来计算梯度进行学习，将得到的损失函数，利用梯度下降法对权重和偏置进行更新，自动求导并反向组合每一层梯度来计算整个网络的梯度，损失函数可以根据下式计算：

其中，式中m为训练数据集的个数，k为类别个数，1{·}是示性函数，其取值规则为：1{值为真的表达式}＝1，1{值为假的表达式}＝0。

请参照图5，步骤S1042可以包括以下子步骤：

子步骤S10421，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。

子步骤S10422，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。

在本发明实施例中，预设参数可以是，但不限于卷积神经网络每一层的权重和偏置。

子步骤S1043，将每个特征向量输入训练好的卷积神经网络模型，利用卷积神经网络的第一网络进行深度特征学习并提取每个特征向量的深度特征。

子步骤S1044，将深度特征作为第二网络的输入，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。

在本发明实施例中，通过将多种卫星信号对应的数字信号进行向量处理，得到每种数字信号对应的64*64的特征向量，解决了现有技术中检测准确度不高的问题；同时，使用三个卷积层与三个池化层来提取每种数字信号对应的特征向量的深度特征，并根据深度特征对数字信号进行分类，降低了对训练集与机器性能的要求，具有良好的稳定性，同时提升了信号分类的精度。

第二实施例

请参照图6，图6示出了本发明实施例提供的信号分类装置200的方框示意图。信号分类装置200包括卫星信号接收模块201、信号转换模块202、信号处理模块203及信号分类模块204。

卫星信号接收模块201，用于接收预定频段的多种卫星信号。

在本发明实施例中，卫星信号接收模块201可以用于执行步骤S101。

信号转换模块202，用于将多种卫星信号均转换为对应的多种数字信号，其中，每种卫星信号对应一种数字信号。

在本发明实施例中，信号转换模块202可以用于执行步骤S102。

信号处理模块203，用于对每种数字信号均进行向量处理，得到每种数字信号对应的特征向量，其中，特征向量是多维矩阵，且每一维包含多个特征。

在本发明实施例中，信号处理模块203可以用于执行步骤S103。

请参照图7，图7为图6示出的信号分类装置200中信号处理模块203的方框示意图。信号处理模块203包括时域特征提取单元2031、频域特征提取单元2032及向量处理单元2033。

时域特征提取单元2031，用于提取每种数字信号的时域特征，时域特征包括数字信号的时域功率和接收卫星信号的方向角。

在本发明实施例中，时域特征提取单元2031可以用于执行步骤S1031。

频域特征提取单元2032，用于提取每种数字信号的频域特征，频域特征包括数字信号的频域功率以及多普勒频移。

在本发明实施例中，频域特征提取单元2032可以用于执行步骤S1032。

向量处理单元2033，用于将每种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。

在本发明实施例中，向量处理单元2033可以用于执行步骤S1033。

信号分类模块204，用于利用预设的卷积神经网络模型，提取每种数字信号对应的特征向量的深度特征，并根据深度特征将该数字信号分类为攻击信号或非攻击信号。

在本发明实施例中，信号分类模块204可以用于执行步骤S104。

请参照图8，图8为图6示出的信号分类装置200中信号分类模块204的方框示意图。信号分类模块204包括模型构建单元2041、模型训练单元2042、第一执行单元2043及第二执行单元2044。

模型构建单元2041，用于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，第一网络包括3层卷积层及3层池化层，第二网络包括1层全连接层。

在本发明实施例中，模型构建单元2041可以用于执行步骤S1041。

模型训练单元2042，用于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。

在本发明实施例中，模型训练单元2042可以用于执行步骤S1042。

请参照图9，图9为图8示出的信号分类模块204中模型训练单元2042的方框示意图。模型训练单元2042包括训练单元20421及参数更改单元20422。

训练单元20421，用于利用包含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步训练训练。

在本发明实施例中，训练单元20421可以用于执行步骤S10421。

参数更改单元20422，用于每步训练后，根据训练结果更改该卷积神经网络模型的预设参数。

在本发明实施例中，参数更改单元20422可以用于执行步骤S10422。

第一执行单元2043，用于将每个特征向量输入训练好的卷积神经网络模型，利用卷积神经网络的第一网络进行深度特征学习并提取每个特征向量的深度特征。

在本发明实施例中，第一执行单元2043可以用于执行步骤S1043。

第二执行单元2044，用于将深度特征作为第二网络的输入，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。

在本发明实施例中，第二执行单元2044可以用于执行步骤S1044。

综上所述，本发明提供的一种信号分类方法、装置及卫星信号检测设备，所述方法包括：接收预定频段的多种卫星信号；将多种卫星信号均转换为对应的多种数字信号，其中，每种卫星信号对应一种数字信号；对每种数字信号均进行向量处理，得到每种所述数字信号对应的特征向量，其中，特征向量是多维矩阵，且每一维包含多个特征；利用预设的卷积神经网络模型，提取每种数字信号对应的特征向量的深度特征，并根据深度特征将该数字信号分类为攻击信号或非攻击信号。本发明通过将多种卫星信号对应的数字信号进行向量处理，得到每种数字信号对应的64*64的特征向量，解决了现有技术中检测准确度不高的问题；同时，使用三个卷积层与三个池化层来提取每种数字信号对应的特征向量的深度特征，并根据深度特征对数字信号进行分类，降低了对训练集与机器性能的要求，具有良好的稳定性，同时提升了信号分类的精度。

在本申请所提供的几个实施例中，应该理解到，所揭露的装置和方法，也可以通过其它的方式实现。以上所描述的装置实施例仅仅是示意性的，例如，附图中的流程图和框图显示了根据本发明的多个实施例的装置、方法和计算机程序产品的可能实现的体系架构、功能和操作。在这点上，流程图或框图中的每个方框可以代表一个模块、程序段或代码的一部分，所述模块、程序段或代码的一部分包含一个或多个用于实现规定的逻辑功能的可执行指令。也应当注意，在有些作为替换的实现方式中，方框中所标注的功能也可以以不同于附图中所标注的顺序发生。例如，两个连续的方框实际上可以基本并行地执行，它们有时也可以按相反的顺序执行，这依所涉及的功能而定。也要注意的是，框图和/或流程图中的每个方框、以及框图和/或流程图中的方框的组合，可以用执行规定的功能或动作的专用的基于硬件的系统来实现，或者可以用专用硬件与计算机指令的组合来实现。

另外，在本发明各个实施例中的各功能模块可以集成在一起形成一个独立的部分，也可以是各个模块单独存在，也可以两个或两个以上模块集成形成一个独立的部分。

所述功能如果以软件功能模块的形式实现并作为独立的产品销售或使用时，可以存储在一个计算机可读取存储介质中。基于这样的理解，本发明的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的部分可以以软件产品的形式体现出来，该计算机软件产品存储在一个存储介质中，包括若干指令用以使得一台计算机设备(可以是个人计算机，服务器，或者网络设备等)执行本发明各个实施例所述方法的全部或部分步骤。而前述的存储介质包括：U盘、移动硬盘、只读存储器(ROM，Read-Only Memory)、随机存取存储器(RAM，Random Access Memory)、磁碟或者光盘等各种可以存储程序代码的介质。需要说明的是，在本文中，诸如第一和第二等之类的关系术语仅仅用来将一个实体或者操作与另一个实体或操作区分开来，而不一定要求或者暗示这些实体或操作之间存在任何这种实际的关系或者顺序。而且，术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、方法、物品或者设备不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程、方法、物品或者设备所固有的要素。在没有更多限制的情况下，由语句“包括一个……”限定的要素，并不排除在包括所述要素的过程、方法、物品或者设备中还存在另外的相同要素。

以上所述仅为本发明的优选实施例而已，并不用于限制本发明，对于本领域的技术人员来说，本发明可以有各种更改和变化。凡在本发明的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。应注意到：相似的标号和字母在下面的附图中表示类似项，因此，一旦某一项在一个附图中被定义，则在随后的附图中不需要对其进行进一步定义和解释。

Claims (10)

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；

对每种所述数字信号均进行向量处理，得到每种所述数字信号对应的特征向量，其中，所述特征向量是多维矩阵，且每一维包含多个特征；

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。

7.如权利要求1所述的方法，其特征在于，所述对每种所述数字信号均进行向量处理，得到每种所述数字信号对应的特征向量的步骤，包括：

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；

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；

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。

8.一种信号分类装置，其特征在于，应用于卫星信号检测设备，所述装置包括：

卫星信号接收模块，用于接收预定频段的多种卫星信号；

信号转换模块，用于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；

信号处理模块，用于对每种所述数字信号均进行向量处理，得到每种所述数字信号对应的特征向量，其中，所述特征向量是多维矩阵，且每一维包含多个特征；

信号分类模块，用于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。

9.如权利要求8所述的装置，其特征在于，所述信号分类模块包括：

模型构建单元，用于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；

模型训练单元，用于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；

第一执行单元，用于将多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；

第二执行单元，用于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。

10.一种卫星信号检测设备，其特征在于，包括：

存储器；

处理器；以及

信号分类装置，所述信号分类装置安装于所述存储器中并包括一个或多个由所述处理器执行的软件功能模块，所述信号分类装置包括：

卫星信号接收模块，用于接收预定频段的多种卫星信号；

信号转换模块，用于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；

信号处理模块，用于对每种所述数字信号均进行向量处理，得到每种所述数字信号对应的特征向量，其中，所述特征向量是多维矩阵，且每一维包含多个特征；

信号分类模块，用于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。