CN111562597A

CN111562597A - 一种基于bp神经网络的北斗卫星导航干扰源识别方法

Info

Publication number: CN111562597A
Application number: CN202010489844.2A
Authority: CN
Inventors: 陈志敏; 陈鹏
Original assignee: Nanjing Minzhida Technology Co ltd
Current assignee: Nanjing Minzhida Technology Co ltd
Priority date: 2020-06-02
Filing date: 2020-06-02
Publication date: 2020-08-21

Abstract

本发明公开了一种基于BP神经网络的北斗卫星导航干扰源识别方法，包括：构建典型卫星导航干扰信号模型；构造BP神经网络模型，对上述构建的典型卫星导航干扰信号模型进行训练；采用上述训练好的BP神经网络模型对干扰信号进行识别。本发明提供的基于BP神经网络的卫星导航干扰信号识别方法，旨在充分挖掘干扰信号的时域和频域特征，有效对多种干扰信号进行分类和识别。

Description

一种基于BP神经网络的北斗卫星导航干扰源识别方法

技术领域

本发明涉及一种基于BP神经网络的北斗卫星导航干扰源识别方法，该方法属于信号识别技术领域。

背景技术

由于导航卫星位于地球以外的外太空，在地表以上20000-30000km，距离地面接收机距离较远，且受导航卫星能力限制，卫星发送信号时功率较低。其它信号非常容易地可以影响到地表部分接收到的信号。卫星系统的干扰信号可以分为有意干扰和无意干扰。无意干扰主要包括自然现象干扰和设备干扰等，其中常见的自然干扰源有大气层的天电干扰等，而设备干扰有设备辐射等。有意干扰可以分为压制式干扰和欺骗干扰。压制式干扰是使得干扰信号功率远大于导航信号功率，从而造成信号接收端信噪比恶化，不能正常接收导航信号。换句话说，有用的导航信号被无用的干扰信号压制，使得导航信号完全淹没在干扰信号中。由于原理简单且成本低廉，压制式干扰成为了最常见的导航干扰，也是本发明研究的对象。欺骗式干扰则是生成与导航信号相似的干扰信号来误导接收机，从而造成定位失败。

综上所述，北斗导航系统对我国经济和国防发展有着至关重要的作用，但干扰信号成为困扰导航系统精确性和导航结果有效性的重要因素。因此，研究北斗卫星导航系统的干扰源识别是提高导航系统的抗干扰性能的重要举措。

综合考虑现有的干扰信号识别领域，主要面临如下几个问题：

1.现有的机器学习分类算法，在识别多分类信号问题中性能较差；

2.现有基于机器学习的方法多以协方差矩阵作为输入，导致神经网络的复杂度随着信号数量的增加而显著增加，训练难度较大，模型参数过多。

发明内容

本发明可用于解决现有技术中的不足，提供了一种基于BP神经网络的北斗卫星导航干扰源识别方法，解决现有方法中复杂度高、分类性能差的问题，通过对神经网络结构的合理设计，达到较好的信号识别分类水平。

本发明具体采用以下技术方案解决上述技术问题：

一种基于BP神经网络的北斗卫星导航干扰源识别方法，其特征在于，包括：

构建典型卫星导航干扰信号模型；

构造BP神经网络模型，对上述构建的典型卫星导航干扰信号模型进行训练；

采用上述训练好的BP神经网络模型对干扰信号进行识别。

典型卫星导航干扰信号模型包括：单音干扰、多音干扰、窄带干扰、宽带干扰、线性扫频干扰和脉冲干扰六种干扰形式。

仿真各干扰信号的时域和频域图进行干扰信号模型的建立。

首先构建6种典型卫星导航干扰信号模型，其中，单音干扰属于窄带干扰。它在时域上表现出连续的特征，而在频域上只有唯一一个干扰频点。单音干扰J_CWI(t)可以表示为

这个式子里的P、f、Φ分别为单音干扰的功率、频率和相位。

多音干扰与单音干扰的数学模型很相似，不同的地方在于多音干扰不止一个干扰频点，如果设干扰频点个数为N，则多音干扰J_SCWI(t)的表达式为

其中，P_n、f_n和Φ_n分别为多音干扰第n个干扰的功率、频率和相位；N为干扰频点个数；。

BPSK窄带干扰J_BPSK(t)可以表示为

M为比特个数

其中，P、f和Φ分别为BPSK窄带干扰的功率、频率和相位，T_b为码元宽度。仿真过程中通过调整P可以得到功率不同的窄带信号，调整f则可以改变窄带信号的干扰频率。

宽带干扰与窄带干扰生成方式相似，都是由高斯白噪声信号通过滤波器生成。不同的是，这里的滤波器是宽带滤波器，宽带干扰中的“宽带”二字由此得名。但与导航卫星信号相比，宽带干扰的带宽仍然是非常小的。

线性扫频是一类典型的时变干扰信号，可以表示为

上式中的A(t)为干扰信号的幅度；rec{·}表示矩形函数；T表示脉冲干扰的周期；K为扫频的频率；f为干扰信号的频率。

脉冲干扰可以表示为

其中，T表示脉冲干扰的周期；t₀表示脉冲干扰的起始时刻；δ(·)表示冲激函数；N表示脉冲干扰个数；i表示脉冲索引。

根据所述的典型卫星导航干扰信号，构建BP神经网络识别器，包括输入层、输出层、隐含层神经元。这些神经元互相连结来进行运算，依靠外部输入信息来更新神经网络结构并调整权值。BP神经网络是一种使用BP算法的人工神经网络，其中隐含层的层数和各层神经元个数是可调节的。BP神经网络的传递函数可微。

BP神经网络的数据样本生成过程在MATLAB软件中生成。每种信号每次生成的波形采1000个点，即采样数，将这1000个点全部作为信号的特征。循环生成数据120次，每次改变的参数是相位，训练数据集是前100组数据，测试集是后20组数据。一共生成6种信号。即训练集大小为600×1000，测试集大小为120×1000。

在Python软件中进行网络搭建和测试，其特征在于：首先用将MATLAB软件生成的数据导入成narray格式，需要将它们转化成tensor。再分别生成训练集和测试集的标签tensor，大小分别为1×600和1×120。数据集的每一行数据对应着标签集每一列的标签。

训练数据大小为600×1000，由于数据量较大，所以采用了批训练的方式，并定义batch size为100，在训练时随机打乱数据再进行提取，每次提取数据时使用6个线程进行提取，所以每个epoch刚好可以训练600组数据。一共5个epoch，也就是说整个训练数据集重复训练5次。

本发明设计了三种BP神经网络，包括一种三层神经网络和两种不同神经元个数的四层神经网络。使用三种网络进行对比的目的是观察参数改变时对神经网络的影响。优化器使用随机梯度下降法，损失函数使用交叉熵的方法，传递函数均为线性函数。具体如下：三层网络的神经元数目为1000：400：6。四层网络比三层多了一层隐含层，神经网路数目分别为1000：900：400：6和1000：650：300：6。这三种BP神经网络在训练时均使用未添加噪声的单个干扰信号进行训练，但训练后的神经网络可以用来识别低信噪比的单个干扰信号和两种干扰信号混合之后形成的干扰信号。在识别混合干扰信号时，只需要在最后输出的大小为1×6的数据中，由识别单个信号时的只选取最大值索引作为结果，一直到选取最大值和次大值作为结果。

本发明方法以卫星导航干扰信号识别为背景，验证了BP神经网络所能达到的信号识别与分类能力。

本发明采用上述技术方案，能产生如下技术效果：

本发明提供的基于BP神经网络的卫星导航干扰信号识别方法，旨在充分挖掘干扰信号的时域和频域特征，有效对多种干扰信号进行分类和识别。相较于现有技术，本发明具有如下优势：

1、可以识别不同信噪比下的单个干扰信号，环境适应性强。

本方法针对典型的压制式干扰信号进行建模分析，搭建三种基于BP神经网络的识别分类器，对于各种信噪比环境，均可以实现单个干扰信号的成功识别。

2、可以识别多种干扰信号叠加的混叠信号，实现多种信号的有效识别和分类。

所构建的BP网络分类器，由未添加噪声的单个干扰信号进行训练，尽可能降低网络的复杂度和参数数量，数据训练可以离线完成，对于两个及以上混叠信号依然可以取得不错的识别与分类效果。

附图说明

图1为本发明典型压制式干扰信号中单音干扰的时域和频域图，其中a为单音干扰时域波形；b为单音干扰频域图。

图2为本发明典型压制式干扰信号中多音干扰的时域和频域图，其中a为多音干扰时域波形；b为多音干扰频域图。

图3为本发明典型压制式干扰信号中窄带干扰的时域和频域图，其中a为窄带干扰时域波形；b为窄带干扰频域图。

图4为本发明典型压制式干扰信号中线性扫频干扰的时域和频域图，其中(a)线性扫频干扰时域波形，(b)线性扫频干扰频域图。

图5为本发明典型压制式干扰信号中脉冲干扰的时域和频域图，其中(a)压制式干扰时域波形，(b)压制式干扰频域图。

图6为本发明BP神经网络示意图。

图7为本发明三层BP神经网络对单个干扰信号识别效果图。

图8为本发明第一种四层BP神经网络对单个干扰信号识别效果图。

图9为本发明第二种四层BP神经网络对单个干扰信号识别效果图。

图10为本发明三层BP神经网络对混合干扰信号识别效果图。

图11为本发明第一种四层BP神经网络对混合干扰信号识别效果图。

图12为本发明第二种四层BP神经网络对混合干扰信号识别效果图。

具体实施方式

下面结合说明书附图对本发明的实施方式进行描述。

针对压制式干扰对卫星导航定位系统性能的不良影响，本发明设计了一种基于BP神经网络的北斗卫星导航干扰源识别方法，旨在充分学习典型压制式干扰的信号时频特征，并将其特征作为神经网络的输入，通过神经网络训练，最终输出信号的识别与分类结果，有效对抗压制式干扰对系统的影响。

本发明基于BP神经网络的北斗卫星导航干扰信号的识别方法，包括如下步骤：

步骤1：构建典型卫星导航干扰信号模型；

如图1-图5所示，通过分析各典型的压制式北斗卫星导航干扰信号的时域和频域特征，构建信号模型和特征库。

步骤2：构造三种BP神经网络模型，包括一种三层神经网络和两种不同神经元个数的四层神经网络；

构造如图2所示的BP神经网络模型，将步骤1中生成的典型信号作为网络输入进行网络训练。

采样点数为，窄带带宽为窄带带宽为2MHz，宽带带宽为10MHz，采样频率为，幅度默认都为，相位是随机生成的一个值。采样点的确定是从0到间均分个点。中心频率为1MHz。对于宽带和窄带信号，由于都满足采样频率，即奈奎斯特采样定理，所以不会发生混叠。

单音干扰按照公式(1)生成了一个cos函数。多音干扰按照公式(2)生成三个cos函数的叠加和，三个cos函数的中心频率分别为0.5MHz、1MHz、1.5MHz。这三个函数在此次仿真的条件中，均满足奈奎斯特采样定理，不会发生混叠现象。窄带干扰是使用凯塞窗生成一个线性相位低通滤波器，采用fir1函数。该滤波器在通带和阻带具有相同的波动幅度，通带范围为0～2，即0～0.1，阻带范围为0.2～1。再用random('Normal',0,1,1,)函数生成一个大小为1×1000的高斯白噪声序列。通过filter函数对二者进行时域卷积，即频域滤波。宽带干扰与窄带干扰生成方式一致，只是滤波器的归一化频率(带宽/采样频率×2)中带宽不同，导致滤波器通带频率不同。生成宽带干扰使用的滤波器，通带范围为0～2，即0～0.5，阻带范围为0.6～1。脉冲干扰是用square函数占空比为1/3的连续脉冲波。线性扫频干扰是按照公式(5)生成的一个指数函数。

步骤3：搭建BP神经网络识别器，优化器使用随机梯度下降法，损失函数使用交叉熵法，传递函数均为线性函数。

BP神经网络搭建与测试过程在python软件中进行。首先用将MATLAB软件生成的数据导入成narray格式，需要将它们转化成tensor。再分别生成训练集和测试集的标签tensor，大小分别为1×600和1×120。数据集的每一行数据对应着标签集每一列的标签。

本发明先后尝试了三种BP神经网络，包括一种三层神经网络和两种不同神经元个数的四层神经网络。使用三种网络进行对比的目的是观察参数改变时对神经网络的影响。优化器使用随机梯度下降法，损失函数使用交叉熵的方法，传递函数均为线性函数。下面依次介绍这三种BP神经网络。

三层网络的神经元数目为1000：400：6。四层网络比三层多了一层隐含层，神经网路数目分别为1000：900：400：6和1000：650：300：6。

这三种BP神经网络在训练时均使用未添加噪声的单个干扰信号进行训练，但训练后的神经网络可以用来识别低信噪比的单个干扰信号和两种干扰信号混合之后形成的干扰信号。在识别混合干扰信号时，只需要在最后输出的大小为1×6的数据中，由识别单个信号时的只选取最大值索引作为结果，到选取最大值和次大值作为结果。

图7-图9给出了本发明的验证例，以验证本发明应用于北斗卫星导航干扰信号识别与分类的场景时的信号识别与分类性能。

三层BP神经网络对单个干扰信号的识别精确度如图7所示。如图所示，脉冲信号识别精确度一直很高，线性扫频信号、单音信号和多音在低信噪比时识别精确度均随信噪比提升而增加，其中单音信号在低信噪比时识别精确度较差，接近于0。窄带信号和宽带信号识别精确度随信噪比升高虽有小幅度波动但基本保持不变，窄带干扰识别度在0.6左右，宽带干扰在0.2左右。总体来说，单个信号使用三层BP神经网络进行识别时，初期呈现随信噪比增加识别效果变好的趋势，后期几乎不随信噪比变化，稳定在0.8左右。

第一种四层BP神经网络对单个干扰信号的识别精确度如图8所示，从图中可以看出，宽带干扰信号识别率不随信噪比变化，一直比较高。这是因为宽带干扰信号本质上是滤波带宽比较高的高斯白噪声，与噪声信号最为相似。其余信号识别精度均随信噪比增加后上升，然后达到稳定状态，不随信噪比改变，或有小幅度波动。其中窄带信号稳定后的识别精确度最低。

第二种四层BP神经网络对单个干扰信号的识别精确度如图9所示。在图中，与第一种四层网络识别图类似，窄带干扰信号识别效果一直不佳，除宽带干扰外其余干扰信号识别效果均有先上升后平稳的趋势。不同的是，第二种四层BP神经网络的识别图中，低信噪比时信号识别精确度均有所提升，也就是折线起点较高。这说明，在低信噪比条件下，使用第二种四层网络识别效果较好。总体而言，两种四层网络识别效果均好于三层网络。

图10-图12为两种干扰信号混合后识别仿真结果。由于宽带干扰信号就是带宽很宽的高斯白噪声信号，它与其它信号混合后，都可以看作其它信号叠加了高斯白噪声，所以本发明不考虑宽带干扰与其它干扰的混合信号识别。此外，单音信号与多音信号识别后，仍为多音信号。但由于本发明之前所指的多音信号是由三个单音信号叠加而成的，而此处混合后的多音信号由四个单音信号叠加而成，所以本发明也考虑了这种特殊的多音信号。在混合信号识别中，只识别出混合信号中的任意一种信号即为识别正确。

三层BP神经网络对混合干扰信号的识别精确度如图10所示。图中所有混合信号识别精确度初期均随信噪比提高而上升，窄带干扰和脉冲干扰的混合信号，以及窄带干扰和线性扫频干扰的混合信号随信噪比上升较慢，其它信号在较低信噪比时便达到稳定状态。多音干扰和窄带干扰的混合信号、单音干扰和窄带干扰的混合信号、单音干扰和线性扫频干扰的混合信号，识别率最后稳定在接近1.0。窄带干扰和线性扫频干扰的识别率最后在0.7-0.8之间波动，其它干扰稳定在0.5左右。

第一种四层BP神经网络对混合干扰信号的识别精确度如图11所示，除识别率始终在0.5左右的多音和窄带信号混合信号，所有信号均有先上升后稳定的趋势。多音干扰和脉冲干扰的混合信号、单音干扰和脉冲干扰的混合信号均在信噪比为15dB时达到稳定，其中前者稳定在接近1的识别率，后者为0.8左右。单音干扰和线性扫频干扰的混合信号、多音干扰、窄带和线性扫频干扰均在信噪比为10dB时稳定在接近1的识别精确度。其余信号均在0dB时达到稳定，单音干扰和窄带干扰的混合信号、窄带干扰和脉冲干扰的混合信号最终稳定在接近1的精确度，其余为0.5。

第二种四层BP神经网络对混合干扰信号的识别精确度如图12所示，除单音干扰和线性扫频干扰的混合信号稳定较晚，其余信号在信噪比较低时均已稳定。多音干扰、多音干扰和窄带干扰的混合信号、单音干扰和窄带干扰的混合信号、单音干扰和线性扫频干扰的混合信号稳定在接近全部正确的识别效果，其余稳定在0.5的识别精确度。

上面结合附图对本发明的实施方式作了详细说明，但是本发明并不限于上述实施方式，在本领域普通技术人员所具备的知识范围内，还可以在不脱离本发明宗旨的前提下做出各种变化。

Claims

1.一种基于BP神经网络的北斗卫星导航干扰源识别方法，其特征在于，包括：

构建典型卫星导航干扰信号模型；

采用上述训练好的BP神经网络模型对干扰信号进行识别。

2.根据权利要求1所述的北斗卫星导航干扰源识别方法，其特征在于，典型卫星导航干扰信号模型包括：单音干扰、多音干扰、窄带干扰、宽带干扰、线性扫频干扰和脉冲干扰六种干扰形式。

3.根据权利要求2所述的北斗卫星导航干扰源识别方法，其特征在于，仿真各干扰信号的时域和频域图进行干扰信号模型的建立。

4.根据权利要求3所述的北斗卫星导航干扰源识别方法，其特征在于，

单音干扰J_CWI(t)表示为：

式中，P、f、Φ分别为单音干扰的功率、频率和相位；

多音干扰J_SCWI(t)表示为：

其中，分别为多音干扰第n个干扰的功率、频率和相位；N为干扰频点个数；

BPSK窄带干扰J_BPSK(t)表示为：

其中，P、f和Φ分别为BPSK窄带干扰的功率、频率和相位；T_b为码元宽度；

线性扫频表示为：

式中，A(t)为干扰信号的幅度；rec{·}表示矩形函数；T表示脉冲干扰的周期；K为扫频的频率；f为干扰信号的频率；

脉冲干扰表示为：

5.根据权利要求3所述的北斗卫星导航干扰源识别方法，其特征在于，BP神经网络的数据样本生成过程在MATLAB软件中生成，一共生成6种信号；每种信号每次生成的波形采Q个点，将这Q个点全部作为信号的特征；循环生成数据E次，每次改变的参数是相位；训练数据集是前P组数据，测试集是后E-P组数据。

6.根据权利要求5所述的北斗卫星导航干扰源识别方法，其特征在于，首先用将MATLAB软件生成的数据导入成narray格式，需要将它们转化成tensor；再分别生成训练集和测试集的标签tensor，数据集的每一行数据对应着标签集每一列的标签。

7.根据权利要求1所述的北斗卫星导航干扰源识别方法，其特征在于，BP神经网络的优化器使用随机梯度下降法，损失函数使用交叉熵法，传递函数均为线性函数。

8.根据权利要求7所述的北斗卫星导航干扰源识别方法，其特征在于，构造的BP神经网络模型包括一种三层神经网络和两种不同神经元个数的四层神经网络。

9.根据权利要求8所述的北斗卫星导航干扰源识别方法，其特征在于，三层网络的神经元数目为1000：400：6；四层网络的神经元数目分别为1000：900：400：6和1000：650：300：6；但训练后的神经网络用来识别单个干扰信号和两种干扰信号混合之后形成的干扰信号；在识别干扰信号时，只需要在最后输出的大小为1×6的数据中，由识别单个信号时的只选取最大值索引作为结果，一直到选取最大值和次大值作为结果。