CN109359523B - 一种基于svm多分类算法的卫星导航干扰类型识别方法 - Google Patents
一种基于svm多分类算法的卫星导航干扰类型识别方法 Download PDFInfo
- Publication number
- CN109359523B CN109359523B CN201811037642.3A CN201811037642A CN109359523B CN 109359523 B CN109359523 B CN 109359523B CN 201811037642 A CN201811037642 A CN 201811037642A CN 109359523 B CN109359523 B CN 109359523B
- Authority
- CN
- China
- Prior art keywords
- interference
- signal
- classification
- satellite navigation
- frequency
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Active
Links
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2218/00—Aspects of pattern recognition specially adapted for signal processing
- G06F2218/12—Classification; Matching
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2218/00—Aspects of pattern recognition specially adapted for signal processing
- G06F2218/08—Feature extraction
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Artificial Intelligence (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Signal Processing (AREA)
- Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Position Fixing By Use Of Radio Waves (AREA)
- Radar Systems Or Details Thereof (AREA)
Abstract
本发明公开了一种基于SVM多分类算法的卫星导航干扰类型识别方法。所述SVM多分类算法是通过给定的具有不同特征的样本,寻找一个超平面对样本进行分类,进一步将该分类模型应用到未知样本类别的新样本中,且所述样本类型为三类或以上。在此过程中,首先将接收到的卫星导航信号经滤波等处理提取出能反映干扰信号特征的量,并将对应干扰类型进行标记。接着将样本输入SVM多分类器中进行学习,得到最优分类器。当新的干扰信号特征向量进入分类器时,将自动进行分类。所述方法能自动识别多类型干扰,且提高了干扰识别的效率和准确度。
Description
技术领域
本发明涉及无线通信技术,尤其涉及一种基于SVM多分类算法的卫星导航干扰类型识别方法。
背景技术
随着电磁环境日益复杂,卫星导航系统的正常运行收到严重的威胁,对卫星导航系统的全面监测显得尤为重要。电磁干扰环境是指引起卫星导航系统性能降低的各种电磁干扰信号,由于卫星信号发射功率比较小,而且信号经过长距离的传输,地面接收到的信号强度更小,因此,很容易受到外界电磁信号的干扰,从而影响定位精度。
在卫星导航接收机实际应用中,存在各种各样的干扰,干扰形式比较复杂。为更好地应对实际环境中复杂多变的各种干扰,使导航系统在干扰环境中正常工作,需通过干扰检测全面掌握导航系统所面临的电磁环境,采集各种干扰样本并进行特征提取。以便有效规范导航为抗干扰技术研发和措施实施提供技术支撑,对维持卫星导航系统的正常运行具有重大意义。
由于干扰的先验信息很难估计,且导航领域的干扰检测大多是盲检测,算法主要包括能量检测法、时频域分析法、循环平稳分析法等。其中,能量检测法应用最为广泛,虽然该方法可行度较高,但检测门限的设置对于检测结果准确度影响很高,不同门限设置将导致检测结果的变化,寻找最符合干扰分类的门限值将具有一定的难度且效率较低。
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SVM多分类算法的卫星导航干扰类型识别方法,所述方法结合非线性SVN多分类算法,在学习不同干扰信号特征的条件下,对具有典型干扰特征的信号进行分类,建立分类超平面,以实现对未知干扰信号的自动检测。对比于传统方法,所述方法无需寻找合适的检测门限,且识别准确度和效率相对提高。
技术方案:本发明所述的基于SVM多分类算法的卫星导航干扰类型识别方法,包括:
(1)分别计算无干扰、单频干扰、线性调频干扰、BPSK干扰、扫频干扰和部分频带干扰信号6种干扰类型卫星导航信号的特征向量,并将6种类型的特征向量对应的标签分别赋值为1、2、3、4、5和6,将特征向量和标签组合形成样本矩阵;其中,所述特征向量包括信号功率、脉宽估计值、调频斜率估计值和信号平方前后带宽比;
(2)选择标签为1和2、1和3、1和4、1和5,1和6,2和3、2和4、2和5、2和6、3和4、4和5、5和6分别对应的训练样本组合为一组训练集,得到12组训练集,对于每组训练集构造一个未知的非线性SVM二分类模型,并通过对训练样本进行交叉验证得出最优超参数,从而得到12个训练好的分类模型;
(3)将待识别的卫星导航信号提取出来的特征向量输入步骤(2)中的12个分类模型中,每个模型输出一个标签,将出现次数最多的标签所对应的类别判定为卫星导航信号的干扰类型。
进一步的,步骤(1)具体包括:
(1.1)将无干扰、单频干扰、线性调频干扰、BPSK干扰、扫频干扰和部分频带干扰信号6种干扰类型卫星导航信号下变频为中频信号;
(1.2)根据所述中频信号计算每种卫星信号的信号功率σ;
(1.3)对所述中频信号进行采样,并将采样信号进行取模后得到包络Senvlop(n),再进行滤波,从而得到滤波后的包络信号;之后设置门限将包络Senvlop(n)中的干扰信号和噪声分开,并记录超过门限的持续时间t(i),从中选取最大值作为脉宽估计值pw=max{t(i)};
(1.4)根据所述中频信号,计算每种卫星信号的信号平方前后带宽比Rband=B2/B0,式中,B2代表平方后信号的3dB带宽,B0代表原信号的3dB带宽;
(1.5)对每种卫星导航信号进行间隔截取,利用FFT估计其中心频率,得到随时间变化的频点值,再进行一阶拟合得到拟合直线所对应的调频斜率估计值K;
(1.6)将所述信号功率、脉宽估计值、调频斜率估计值和信号平方前后带宽比作为特征向量x,并按照以下方式形式样本:
式中,i表示第i个样本,x(i)表示第i个样本的特征向量,y(i)表示第第i个样本的标签,样本数为n。
进一步的,步骤(1.3)中设置的门限具体计算公式为:λ=ηE[Senvlop(n)],其中,λ为门限值,E[Senvlop(n)]为包络均值,η为门限系数。
进一步的,步骤(2)具体包括:
(2.1)构造一个未知的非线性SVM二分类模型,其中,所述非线性SVM二分类模型具体为:
g(x)=wTΦ(x)+b
(2.2)根据所述非线性SVM二分类模型建立目标优化函数:
式中,ξi为每个样本i的的松弛变量,C为超参数,表示对超过最大化边界的样本点的容忍度,y(i)为样本i的标签,x(i)表示样本i的特征向量;
(2.4)将计算得到的w0和b0代入非线性SVM分类器模型表达式中得:
(2.5)将样本特征记为X=(x(1),x(2),...,x(n)),即4×n的矩阵;标签记为Y=(y(1),y(2),...,y(n)),即1×n的行向量,将上述矩阵和向量组合成5×n的矩阵Z=(X;Y),作为样本输入矩阵;
(2.6)取矩阵Z的n个样本的80%作为训练样本进行交叉验证,将矩阵整体输入MATLAB中的Classification Learner,并选择高斯非线性SVM分类器模型,设置交叉验证折数k、超参数C和γ的值,选择标签为1和2、1和3、1和4、1和5,1和6,2和3、2和4、2和5、2和6、3和4、4和5、5和6分别对应的训练样本组合为一组训练集,得到12组训练集,分别对每组训练集进行机器学习;
(2.7)更改超参数C和γ的值,返回重复步骤(2.6),直至达到预设次数;
(2.8)将所有超参数对应的平均准确率进行比较,找出最大准确率对应的超参数C和γ作为最佳超参数,该参数设置下训练所得模型作为最优分类模型;
(2.9)将每组训练样本余下20%的样本输入各(2.9)得到的分类模型中进行分类,将分类结果与对应的标签比对,当分类器的准确率高于预设值时,判定分类模型训练完成,从而得到12个训练好的分类模型。
进一步的,步骤(2.6)中,对于每组训练集在训练过程中,随机将输入的样本数等分为k份,其中每k-1份用来对模型进行学习,剩下1份对学习过的模型进行测试,得到测试准确率,依次共进行k次训练后得当前超参数C和γ对应的平均测试准确率。
进一步的,步骤(3)具体包括:
(3.1)从待识别的卫星导航信号中提取出特征向量,表示为X=(x(1),x(2),...,x(N)),N为待检测样本总数;
(3.2)将X输入得到的12个分类模型中,其中,对于每个分类模型,若特征向量x(t)使得g(x(t))>0,则该分类模型输出对应的标签,该标签出现的次数加1;反之,若g(x(t))<0,则该分类模型对应的另一标签出现次数加1,待12个SVM模型均分类结束后,标签出现次数最多对应的类型即为该微型导航信号中所含的干扰信号类型
有益效果:本发明与现有技术相比,其显著优点是:本发明提出了一种基于SVM多分类算法的卫星导航干扰类型识别方法,所述方法首先提取接收到的干扰信号样本中的特征参数,这些参数能有效反映单频干扰、线性调频干扰、BPSK干扰、扫频干扰和部分频带干扰信号的特征。基于SVM本身是二元分类器,对于不同类型的干扰采用一对一法,将四类干扰类型分别标记为1、2、3、4、5和6,并两两组合,再对每个组合进行SVM二分类模型训练得到相应的最优分类模型。对于新卫星导航信号,在提取其特征参数后输入到每组最优分类模型中进行分类,每组模型输出一个特征向量所对应的标签,采取投票形式,标签出现次数最多的类别即为所对应的干扰类型。所述SVM多分类方法能够在无需干扰检测门限的情况下,对多种类型的干扰进行分类检测,有效避免了检测门限的参数设置对分类结果的影响。同时,所述方法能同时处理大批量数据,提高了检测效率,在分类准确度上相比于传统方法也有所增强,为及时识别干扰类型以便实施相应抗干扰措施提供帮助,对维持卫星导航系统的正常运行具有重大意义。
附图说明
图1是本发明的一个实施例的流程示意图;
图2是卫星导航信号中的干扰类型判别方法流程示意图。
具体实施方式
本实施例公开了一种基于SVM多分类算法的卫星导航干扰类型识别方法,如图1所示,包括:
步骤一、分别计算无干扰、单频干扰、线性调频干扰、BPSK干扰、扫频干扰和部分频带干扰信号6种干扰类型卫星导航信号的特征向量,并将6种类型的特征向量对应的标签分别赋值为1、2、3、4、5和6,将特征向量和标签组合形成样本矩阵;其中,所述特征向量包括信号功率、脉宽估计值、调频斜率估计值和信号平方前后带宽比。
该步骤具体包括:
(1.1)将6种干扰类型卫星导航信号下变频为中频信号。(1.2)根据所述中频信号计算每种卫星信号的信号功率σ。(1.3)对所述中频信号进行采样,并将采样信号进行取模后得到包络Senvlop(n),再进行低通滤波,从而得到滤波后的包络信号;之后设置门限将包络Senvlop(n)中的干扰信号和噪声分开,并记录超过门限的持续时间t(i),从中选取最大值作为脉宽估计值pw=max{t(i)};门限具体计算公式为:λ=ηE[Senvlop(n)],其中,λ为门限值,E[Senvlop(n)]为包络均值,η为门限系数。(1.4)根据所述中频信号,计算每种卫星信号的信号平方前后带宽比Rband=B2/B0,式中,B2代表平方后信号的3dB带宽,B0代表原信号的3dB带宽。(1.5)对每种卫星导航信号进行间隔截取,利用FFT估计其中心频率,得到随时间变化的频点值,再进行一阶拟合得到拟合直线所对应的调频斜率估计值K。(1.6)将所述信号功率、脉宽估计值、调频斜率估计值和信号平方前后带宽比作为特征向量x,并按照以下方式形式样本:
式中,i表示第i个样本,x(i)表示第i个样本的特征向量,y(i)表示第第i个样本的标签,样本数为n。
其中,信号功率、脉宽估计值、调频斜率估计值和信号平方前后带宽比为区分干扰信号类型的主要指标,区分方法如图2所示,如下:
I、首先可以从信号功率角度出发,判断干扰是否存在。提取信号功率σ,无干扰时信号功率几乎稳定在某一直值不变,干扰存在时,信号功率会随着干信比的变大而变大。因此,通过对有无干扰信号提取的特征参数进行机器学习,可识别干扰的存在性。
II、若脉宽估计值大于预设阈值,则判断为脉冲干扰,否则为连续干扰。脉冲干扰主要包括单频、线性调频和BPSK三种,简单概括为单频和多频。现考虑单个脉冲内信号,三种干扰表达式依次如下:
现考虑单个脉冲内信号,将上述三式平方后得:
x2(t)=exp[j2π(2f0t+kt2)]
单频信号平方前后均为单频信号,带宽不变;线性调频信号平方前后均为线性调频信号,平方后带宽加倍;BPSK平方后退化为单频信号,带宽由两倍码速率变为零。由此定义信号平方前后带宽比Rband=B2/B0,B0代表原信号的3dB带宽,B2代表平方后信号的3dB带宽。理论上,单频信号Rband值为1,线性调频Rband值为2,BPSK干扰的Rband值为0,因此带宽比Rband将作为单频和多频(线性调频和BPSK干扰)特征参数。受噪声等因素的影响,单频信号带宽比在1附近波动。
III、若脉宽估计值小于预设阈值,则判断为连续波干扰,主要包括单频、扫频、BPSK扩频以及部分频带干扰。其中,扫频干扰频率呈线性变化,可提取调频斜率作为扫频和非扫频干扰的特征参数。间隔一定的时间截取一小段信号,利用FFT估计其中心频率,得到随时间变化的频点值,再进行一阶拟合即得拟合直线所对应的调频斜率估计值K,扫频干扰的K值相对较大。
IV、连续干扰中的非扫频干扰(单频、BPSK扩频以及部分频带干扰)调频斜率K几乎为零,各干扰特征与脉冲干扰中的干扰特征类似,同样可采用带宽比Rband作为识别特征,且单频信号带宽比在1附近波动,部分频带干扰带宽比相对较大(在2附近波动),BPSK干扰带宽比相对较小(几乎为0)。
步骤二、选择标签为1和2、1和3、1和4、1和5,1和6,2和3、2和4、2和5、2和6、3和4、4和5、5和6分别对应的训练样本组合为一组训练集,得到12组训练集,对于每组训练集构造一个未知的非线性SVM二分类模型,并通过对训练样本进行交叉验证得出最优超参数,从而得到12个训练好的分类模型。
具体包括以下步骤:
(2.1)构造一个未知的非线性SVM二分类模型,其中,所述非线性SVM二分类模型具体为:
g(x)=wTΦ(x)+b
其中Φ(x)为将4维特征向量x映射到高维的映射函数,即且M>>4,两者为待求参数。Φ(x)将特征向量x(i)映射到高维表示为Φ(x(i))=(φ1(x(i)),...,φM(x(i)))T,上升到高维空间后,该分类器模型为线性模型,但在低维空间为非线性模型。最优非线性分类器模型建立过程即为寻找参数w0和b0,使得作为一个超平面将样本分为两类,且保证距离该超平面两侧最近的样本具有最远的间距,具有这些特征的样本点即为“支持向量(SV)”。上述最大化边界问题经一系列转化表述为步骤(2.2)中目标优化函数。
(2.2)根据所述非线性SVM二分类模型建立目标优化函数:
式中,ξi为每个样本i的的松弛变量,C为超参数,表示对超过最大化边界的样本点的容忍度,y(i)为样本i的标签,x(i)表示样本i的特征向量。
(2.3)对于所述目标优化函数,引入拉格朗日乘子进行求解,目标优化函数则转换为:
将式L分别对wi,bi,ξi求导并置0可求得将求导结果及约束条件代入MATLAB中函数quadprog即可解得最大化边界问题的参数。拉格朗日函数特点决定了αi≠0项所对应的样本特征向量即为支持向量SV(以x(s)表示),对应的可求出b0=y(s)-w0 TΦ(x(s)),其中ξs=0。y(s)为对应标签。
(2.4)将计算得到的w0和b0代入非线性SVM分类器模型表达式中得:
式中,k(x(i),x)=ΦT(x(i))Φ(x)为核函数,其中核函数的作用是接受两个低维空间的向量,能够计算出经过某个变换后在高维空间里的向量内积值,而无需在寻找将低维特征向量映射到高维空间的函数Φ(x)后再内积运算。本实施例中非线性SVM算法中所使用的核函数为称为高斯核函数,又称径向基函数(RBF),其中γ为超参数,该核函数使得非线性SVM分类器模型只需要输入为低维空间的特征向量时即可做出正确的分类。
(2.5)将样本特征记为X=(x(1),x(2),...,x(n)),即4×n的矩阵;标签记为Y=(y(1),y(2),...,y(n)),即1×n的行向量,将上述矩阵和向量组合成5×n的矩阵Z=(X;Y),作为样本输入矩阵。
(2.6)取矩阵Z的n个样本的80%作为训练样本进行交叉验证,将矩阵整体输入MATLAB中的Classification Learner,并选择高斯非线性SVM分类器模型,设置交叉验证折数k、超参数C和γ的值,选择标签为1和2、1和3、1和4、1和5,1和6,2和3、2和4、2和5、2和6、3和4、4和5、5和6分别对应的训练样本组合为一组训练集,得到12组训练集,分别对每组训练集进行机器学习;在训练过程中,随机将输入的样本数等分为k份,其中每k-1份用来对模型进行学习,剩下1份对学习过的模型进行测试,得到测试准确率,依次共进行k次训练后得当前超参数C和γ对应的平均测试准确率。
(2.7)更改超参数C和γ的值,如C可取2-2,2-1,1,2,22,23,24,25,26,27,γ可取0.001,0.003,0.01,0.03,0.1,0.3,1,3,10,30。返回重复步骤(2.6),直至达到预设次数。
(2.8)将所有超参数对应的平均准确率进行比较,找出最大准确率对应的超参数C和γ作为最佳超参数,该参数设置下训练所得模型作为最优分类模型。
(2.9)将每组训练样本余下20%的样本输入各(2.9)得到的分类模型中进行分类,将分类结果与对应的标签比对,当分类器的准确率高于预设值时,判定分类模型训练完成,从而得到12个训练好的分类模型。
步骤三、将待识别的卫星导航信号提取出来的特征向量输入步骤(2)中的12个分类模型中,每个模型输出一个标签,将出现次数最多的标签所对应的类别判定为卫星导航信号的干扰类型。
具体包括以下步骤:
(3.1)从待识别的卫星导航信号中提取出特征向量,表示为X=(x(1),x(2),...,x(N)),N为待检测样本总数;
(3.2)将X输入得到的12个分类模型中,其中,对于每个分类模型,若特征向量x(t)使得g(x(t))>0,则该分类模型输出对应的标签,该标签出现的次数加1;反之,若g(x(t))<0,则该分类模型对应的另一标签出现次数加1,待12个SVM模型均分类结束后,标签出现次数最多对应的类型即为该微型导航信号中所含的干扰信号类型。
以上所揭露的仅为本发明一种较佳实施例而已,不能以此来限定本发明之权利范围,因此依本发明权利要求所作的等同变化,仍属本发明所涵盖的范围。
Claims (6)
1.一种基于SVM多分类算法的卫星导航干扰类型识别方法,其特征在于该方法包括:
(1)分别计算无干扰、单频干扰、线性调频干扰、BPSK干扰、扫频干扰和部分频带干扰信号6种干扰类型卫星导航信号的特征向量,并将6种类型的特征向量对应的标签分别赋值为1、2、3、4、5和6,将特征向量和标签组合形成样本矩阵;其中,所述特征向量包括信号功率、脉宽估计值、调频斜率估计值和信号平方前后带宽比;
(2)选择标签为1和2、1和3、1和4、1和5,1和6,2和3、2和4、2和5、2和6、3和4、4和5、5和6分别对应的训练样本组合为一组训练集,得到12组训练集,对于每组训练集构造一个未知的非线性SVM二分类模型,并通过对训练样本进行交叉验证得出最优超参数,从而得到12个训练好的分类模型;所述非线性SVM二分类模型具体为:
g(x)=wTΦ(x)+b
(3)将待识别的卫星导航信号提取出来的特征向量输入步骤(2)中的12个分类模型中,每个模型输出一个标签,将出现次数最多的标签所对应的类别判定为卫星导航信号的干扰类型。
2.根据权利要求1所述的基于SVM多分类算法的卫星导航干扰类型识别方法,其特征在于:步骤(1)具体包括:
(1.1)将无干扰、单频干扰、线性调频干扰、BPSK干扰、扫频干扰和部分频带干扰信号6种干扰类型卫星导航信号下变频为中频信号;
(1.2)根据所述中频信号计算每种卫星信号的信号功率σ;
(1.3)对所述中频信号进行采样,并将采样信号进行取模后得到包络Senvlop(n),再进行滤波,从而得到滤波后的包络信号;之后设置门限将包络Senvlop(n)中的干扰信号和噪声分开,并记录超过门限的持续时间t(i),从中选取最大值作为脉宽估计值pw=max{t(i)};
(1.4)根据所述中频信号,计算每种卫星信号的信号平方前后带宽比Rband=B2/B0,式中,B2代表平方后信号的3dB带宽,B0代表原信号的3dB带宽;
(1.5)对每种卫星导航信号进行间隔截取,利用FFT估计其中心频率,得到随时间变化的频点值,再进行一阶拟合得到拟合直线所对应的调频斜率估计值K;
(1.6)将所述信号功率、脉宽估计值、调频斜率估计值和信号平方前后带宽比作为特征向量x,并按照以下方式形成样本:
式中,i表示第i个样本,x(i)表示第i个样本的特征向量,y(i)表示第i个样本的标签,样本数为n。
3.根据权利要求2所述的基于SVM多分类算法的卫星导航干扰类型识别方法,其特征在于:步骤(1.3)中设置的门限具体计算公式为:λ=ηE[Senvlop(n)],其中,λ为门限值,E[Senvlop(n)]为包络均值,η为门限系数。
4.根据权利要求1所述的基于SVM多分类算法的卫星导航干扰类型识别方法,其特征在于:步骤(2)具体包括:
(2.1)构造一个未知的非线性SVM二分类模型,其中,所述非线性SVM二分类模型具体为:
g(x)=wTΦ(x)+b
(2.2)根据所述非线性SVM二分类模型建立目标优化函数:
式中,ξi为每个样本i的松弛变量,C为超参数,表示对超过最大化边界的样本点的容忍度,y(i)为样本i的标签,x(i)表示样本i的特征向量;
(2.4)将计算得到的w0和b0代入非线性SVM分类器模型表达式中得:
(2.5)将样本特征记为X=(x(1),x(2),...,x(n)),即4×n的矩阵;标签记为Y=(y(1),y(2),...,y(n)),即1×n的行向量,将上述矩阵和向量组合成5×n的矩阵Z=(X;Y),作为样本输入矩阵;
(2.6)取矩阵Z的n个样本的80%作为训练样本进行交叉验证,将矩阵整体输入MATLAB中的Classification Learner,并选择高斯非线性SVM分类器模型,设置交叉验证折数k、超参数C和γ的值,选择标签为1和2、1和3、1和4、1和5,1和6,2和3、2和4、2和5、2和6、3和4、4和5、5和6分别对应的训练样本组合为一组训练集,得到12组训练集,分别对每组训练集进行机器学习;
(2.7)更改超参数C和γ的值,返回重复步骤(2.6),直至达到预设次数;
(2.8)将所有超参数对应的平均准确率进行比较,找出最大准确率对应的超参数C和γ作为最佳超参数,该参数设置下训练所得模型作为最优分类模型;
(2.9)将每组训练样本余下20%的样本输入(2. 8)得到的分类模型中进行分类,将分类结果与对应的标签比对,当分类器的准确率高于预设值时,判定分类模型训练完成,从而得到12个训练好的分类模型。
5.根据权利要求4所述的基于SVM多分类算法的卫星导航干扰类型识别方法,其特征在于:步骤(2.6)中,对于每组训练集在训练过程中,随机将输入的样本数等分为k份,其中每k-1份用来对模型进行学习,剩下1份对学习过的模型进行测试,得到测试准确率,依次共进行k次训练后得当前超参数C和γ对应的平均测试准确率。
6.根据权利要求1所述的基于SVM多分类算法的卫星导航干扰类型识别方法,其特征在于:步骤(3)具体包括:
(3.1)从待识别的卫星导航信号中提取出特征向量,表示为X=(x(1),x(2),...,x(N)),N为待检测样本总数;
(3.2)将X输入得到的12个分类模型中,其中,对于每个分类模型,若特征向量x(t)使得g(x(t))>0,则该分类模型输出对应的标签,该标签出现的次数加1;反之,若g(x(t))<0,则该分类模型对应的另一标签出现次数加1,待12个SVM模型均分类结束后,标签出现次数最多对应的类型即为卫星导航信号中所含的干扰信号类型。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201811037642.3A CN109359523B (zh) | 2018-09-06 | 2018-09-06 | 一种基于svm多分类算法的卫星导航干扰类型识别方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201811037642.3A CN109359523B (zh) | 2018-09-06 | 2018-09-06 | 一种基于svm多分类算法的卫星导航干扰类型识别方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN109359523A CN109359523A (zh) | 2019-02-19 |
CN109359523B true CN109359523B (zh) | 2021-08-24 |
Family
ID=65350392
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201811037642.3A Active CN109359523B (zh) | 2018-09-06 | 2018-09-06 | 一种基于svm多分类算法的卫星导航干扰类型识别方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN109359523B (zh) |
Families Citing this family (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
EP3739515B1 (en) * | 2019-05-16 | 2024-05-01 | Robert Bosch GmbH | Determining a perturbation mask for a classification model |
CN110135378A (zh) * | 2019-05-16 | 2019-08-16 | 中国科学技术大学 | 一种基于无源反射信号的人体动作识别方法 |
US11394446B2 (en) * | 2019-10-21 | 2022-07-19 | Samsung Electronics Co., Ltd. | Apparatus and method for estimating interference based on machine learning |
CN111428794B (zh) * | 2020-03-27 | 2023-08-08 | 东南大学 | 一种基于支持向量机模型的太阳射电暴检测方法 |
CN112418309B (zh) * | 2020-11-20 | 2022-06-03 | 中国舰船研究设计中心 | 一种基于机器学习的电磁兼容管控方法预测方法 |
CN113359158B (zh) * | 2021-06-15 | 2022-05-13 | 东南大学 | 一种基于svm的gnss生成式欺骗干扰检测方法 |
CN113849720A (zh) * | 2021-06-17 | 2021-12-28 | 浪潮软件科技有限公司 | 一种互联网业务数据分类方法及系统 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104966076A (zh) * | 2015-07-21 | 2015-10-07 | 北方工业大学 | 基于支持向量机的光纤入侵信号分类识别方法 |
CN106357575A (zh) * | 2016-10-17 | 2017-01-25 | 中国电子科技集团公司第五十四研究所 | 一种多参数联合估计的干扰类型识别方法 |
CN107238847A (zh) * | 2017-04-21 | 2017-10-10 | 中国科学院光电研究院 | 一种卫星导航干扰信号检测方法及系统 |
CN107682109A (zh) * | 2017-10-11 | 2018-02-09 | 北京航空航天大学 | 一种适用于无人机通信系统的干扰信号分类识别方法 |
-
2018
- 2018-09-06 CN CN201811037642.3A patent/CN109359523B/zh active Active
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104966076A (zh) * | 2015-07-21 | 2015-10-07 | 北方工业大学 | 基于支持向量机的光纤入侵信号分类识别方法 |
CN106357575A (zh) * | 2016-10-17 | 2017-01-25 | 中国电子科技集团公司第五十四研究所 | 一种多参数联合估计的干扰类型识别方法 |
CN107238847A (zh) * | 2017-04-21 | 2017-10-10 | 中国科学院光电研究院 | 一种卫星导航干扰信号检测方法及系统 |
CN107682109A (zh) * | 2017-10-11 | 2018-02-09 | 北京航空航天大学 | 一种适用于无人机通信系统的干扰信号分类识别方法 |
Non-Patent Citations (1)
Title |
---|
基于信号特征空间的TDCS干扰分类识别;王桂胜等;《系统工程与电子技术》;20170504;全文 * |
Also Published As
Publication number | Publication date |
---|---|
CN109359523A (zh) | 2019-02-19 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109359523B (zh) | 一种基于svm多分类算法的卫星导航干扰类型识别方法 | |
Ruano et al. | Seismic detection using support vector machines | |
CN110197209B (zh) | 一种基于多特征融合的辐射源识别方法 | |
CN103941254A (zh) | 一种基于地质雷达的土壤物性类别识别方法和装置 | |
CN111310700B (zh) | 一种用于辐射源指纹特征识别的中频采样序列处理方法 | |
CN112347871B (zh) | 一种用于通信载波监视系统的干扰信号调制识别方法 | |
CN109379153A (zh) | 一种频谱感知方法 | |
CN112910811B (zh) | 基于联合学习的噪声水平未知条件下的盲调制识别方法和装置 | |
CN105259540B (zh) | 一种多站雷达抗有源欺骗式干扰的优化方法 | |
CN107992802A (zh) | 一种基于nmf的微震弱信号识别方法 | |
CN116866129A (zh) | 一种无线通信信号检测方法 | |
CN106357574A (zh) | 基于顺序统计量的bpsk/qpsk信号调制盲识别方法 | |
CN111310719B (zh) | 一种未知辐射源个体识别及检测的方法 | |
CN111901267B (zh) | 基于短时傅里叶变换时频分析的多天线盲调制识别方法 | |
CN115294615A (zh) | 一种基于机器学习的射频指纹识别方法 | |
CN109450573A (zh) | 一种基于深度神经网络的频谱感知方法 | |
Ghasemzadeh et al. | GGCNN: An efficiency-maximizing gated graph convolutional neural network architecture for automatic modulation identification | |
CN115661869A (zh) | 基于多维特征智能融合的射频信号指纹识别方法和系统 | |
Hassanpour et al. | A robust algorithm based on wavelet transform for recognition of binary digital modulations | |
CN101594352B (zh) | 基于新颖发现和窗函数的分类融合入侵检测方法 | |
CN111310680B (zh) | 一种基于深度学习的辐射源个体识别方法 | |
RU172615U1 (ru) | Устройство выявления низкоинтенсивных атак "отказ в обслуживании" | |
CN102158254B (zh) | 信号接收方法及装置 | |
CN107395540B (zh) | 基于lmd近似熵、高积累积量和svm的调制信号识别方法 | |
Jiang et al. | Frequency hopping signal parameter estimation algorithm based on time-frequency point correlation |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |