CN111783558A - 一种卫星导航干扰信号类型智能识别方法及系统 - Google Patents
一种卫星导航干扰信号类型智能识别方法及系统 Download PDFInfo
- Publication number
- CN111783558A CN111783558A CN202010529723.6A CN202010529723A CN111783558A CN 111783558 A CN111783558 A CN 111783558A CN 202010529723 A CN202010529723 A CN 202010529723A CN 111783558 A CN111783558 A CN 111783558A
- Authority
- CN
- China
- Prior art keywords
- layer
- neural network
- convolutional neural
- module
- intermediate 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.)
- Pending
Links
- 238000000034 method Methods 0.000 title claims abstract description 52
- 238000013527 convolutional neural network Methods 0.000 claims abstract description 100
- 239000013598 vector Substances 0.000 claims abstract description 90
- 238000012549 training Methods 0.000 claims abstract description 67
- 238000005070 sampling Methods 0.000 claims abstract description 53
- 238000004422 calculation algorithm Methods 0.000 claims abstract description 47
- 238000007781 pre-processing Methods 0.000 claims abstract description 28
- 238000006243 chemical reaction Methods 0.000 claims abstract description 21
- 238000000605 extraction Methods 0.000 claims abstract description 18
- 238000010606 normalization Methods 0.000 claims description 60
- 238000011176 pooling Methods 0.000 claims description 46
- 230000009467 reduction Effects 0.000 claims description 19
- 230000008569 process Effects 0.000 claims description 10
- ORILYTVJVMAKLC-UHFFFAOYSA-N Adamantane Natural products C1C(C2)CC3CC1CC2C3 ORILYTVJVMAKLC-UHFFFAOYSA-N 0.000 claims description 7
- 238000005457 optimization Methods 0.000 claims description 7
- 238000012795 verification Methods 0.000 claims description 7
- 239000000126 substance Substances 0.000 claims description 6
- 238000001514 detection method Methods 0.000 abstract description 4
- 230000006872 improvement Effects 0.000 abstract description 2
- 230000006870 function Effects 0.000 description 17
- 230000009466 transformation Effects 0.000 description 10
- 238000012545 processing Methods 0.000 description 6
- 230000007547 defect Effects 0.000 description 5
- 238000005516 engineering process Methods 0.000 description 5
- 238000013528 artificial neural network Methods 0.000 description 4
- 238000010586 diagram Methods 0.000 description 4
- 238000013178 mathematical model Methods 0.000 description 3
- 238000012986 modification Methods 0.000 description 3
- 230000004048 modification Effects 0.000 description 3
- 238000012706 support-vector machine Methods 0.000 description 3
- 238000012360 testing method Methods 0.000 description 3
- 230000002087 whitening effect Effects 0.000 description 3
- 230000004913 activation Effects 0.000 description 2
- 230000008901 benefit Effects 0.000 description 2
- 230000008859 change Effects 0.000 description 2
- 238000003066 decision tree Methods 0.000 description 2
- 238000013135 deep learning Methods 0.000 description 2
- 238000013461 design Methods 0.000 description 2
- 238000011160 research Methods 0.000 description 2
- 238000004088 simulation Methods 0.000 description 2
- 238000001228 spectrum Methods 0.000 description 2
- 230000001629 suppression Effects 0.000 description 2
- 230000002159 abnormal effect Effects 0.000 description 1
- 238000004458 analytical method Methods 0.000 description 1
- 238000013459 approach Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 238000007635 classification algorithm Methods 0.000 description 1
- 238000013145 classification model Methods 0.000 description 1
- 230000001419 dependent effect Effects 0.000 description 1
- 238000009795 derivation Methods 0.000 description 1
- 238000002474 experimental method Methods 0.000 description 1
- 238000001914 filtration Methods 0.000 description 1
- 210000002364 input neuron Anatomy 0.000 description 1
- 238000011835 investigation Methods 0.000 description 1
- 238000013507 mapping Methods 0.000 description 1
- 239000011159 matrix material Substances 0.000 description 1
- 238000005096 rolling process Methods 0.000 description 1
- 238000000844 transformation Methods 0.000 description 1
- 238000011426 transformation method Methods 0.000 description 1
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
- G06F2218/08—Feature extraction
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01S—RADIO DIRECTION-FINDING; RADIO NAVIGATION; DETERMINING DISTANCE OR VELOCITY BY USE OF RADIO WAVES; LOCATING OR PRESENCE-DETECTING BY USE OF THE REFLECTION OR RERADIATION OF RADIO WAVES; ANALOGOUS ARRANGEMENTS USING OTHER WAVES
- G01S19/00—Satellite radio beacon positioning systems; Determining position, velocity or attitude using signals transmitted by such systems
- G01S19/01—Satellite radio beacon positioning systems transmitting time-stamped messages, e.g. GPS [Global Positioning System], GLONASS [Global Orbiting Navigation Satellite System] or GALILEO
- G01S19/13—Receivers
- G01S19/21—Interference related issues ; Issues related to cross-correlation, spoofing or other methods of denial of service
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/045—Combinations of networks
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Artificial Intelligence (AREA)
- Remote Sensing (AREA)
- General Engineering & Computer Science (AREA)
- Radar, Positioning & Navigation (AREA)
- Computational Linguistics (AREA)
- Molecular Biology (AREA)
- Biophysics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- General Health & Medical Sciences (AREA)
- Biomedical Technology (AREA)
- Computing Systems (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Health & Medical Sciences (AREA)
- Signal Processing (AREA)
- Computer Networks & Wireless Communication (AREA)
- Image Analysis (AREA)
Abstract
本发明提供了一种卫星导航干扰信号类型智能识别方法及系统,包括:对卫星干扰信号进行中频数字信号采集,并进行预处理;应用PWVD变换算法对预处理后的数字中频采样信号进行浅层次特征提取;将未知干扰信号提取到的高维时频域特征向量作为输入样本;将已知干扰信号提取高维时频域特征向量及对应类别构建训练集;利用训练集训练改进GoogLeNet卷积神经网络模型;利用训练完毕的改进GoogLeNet卷积神经网络模型对输入样本进行深层次特征提取与类型判决,获得未知类型所属类别;本发明对目前卫星导航干扰识别领域传统识别算法有较大改进,进一步为软硬件结合实现实时干扰检测识别提供参考。
Description
技术领域
本发明涉及卫星导航信号处理领域,具体地,涉及一种卫星导航干扰信号类型智能识别方法及系统,更为具体地,涉及一种基于PWVD变换与卷积神经网络的卫星导航干扰信号类型智能识别方法及系统。
背景技术
全球导航卫星系统(GNSS)能够全天候提供时间、位置和速度信息,实时地为国家基础设施提供导航、高精度定位和授时服务。但由于空间传输距离的限制,发射信号的功率在到达地面时非常微弱,甚至比背景噪声低20dB左右,有用的导航信号完全被淹没在噪声里。此外GNSS接收机的实际工作环境存在复杂多变的电磁干扰(以压制式干扰居多),极易导致导航信号质量下降甚至完全失常,因此有必要对GNSS系统实施必要的保护措施。一般的干扰应对措施为干扰检测,干扰预警以及干扰抑制,但更加特殊的用户地理环境与更加复杂多变的电磁干扰环境对干扰处理提出了更复杂的要求,例如,很多的GNSS抗干扰技术被提出,然而抗干扰技术往往针对某一类干扰,能够很好抑制全部类型干扰的方法是不存在的。因此通过分析GNSS干扰信号的特性对干扰信号进行类型识别,估计干扰信号的相关参数,主要涉及类型,功率、频率和带宽等,有助于快速定位干扰源并采取有效的抑制措施。据调查,目前干扰检测识别的研究难点:一是准确、自适应性高的判决门限设计;二是计算量小,实时性高的特征参数提取;三是准确高效的识别分类器设计;四是针对如欺骗式等新型干扰样式的研究。
现有干扰信号识别流程可分为预处理,特征提取、分类识别三部分。预处理指对信号进行去噪以及归一化处理使之区分度增加的操作;特征提取指通过一定的映射方法或者变换方法提取干扰信号特定域的特征参数,一般分为时域(高阶矩、高阶统计量)、频域(频谱、功率谱)、时频域或者变换域;分类识别指设计分类算法将所提取的特征参数映射为相对应的类别信息。常用的有决策树、支持向量机(SVM)、神经网络等。传统干扰识别算法存在三个问题:一是干扰识别算法性能往往取决于所提取的特征参数区分度。目前并没有能够概括所有干扰类型并且区分度高的特定特征参数,仅能人为根据具体识别任务涉及不同的特征参数;二是分类器设计通常需要设置相应的分类门限,缺乏严谨的数学推导,普适性以及可迁移性差;三是常见干扰识别算法准确率低,实时性差,并不能兼容日益复杂的新干扰类型以及实现软硬件结合。
专利文献CN110515096A(申请号:201910772412.X)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3*2个33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,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。
发明内容
针对现有技术中的缺陷,本发明的目的是提供一种卫星导航干扰信号类型智能识别方法及系统。
根据本发明提供的一种卫星导航干扰信号类型智能识别方法,包括:
步骤M1:对卫星干扰信号进行中频数字信号采集,并对中频数字信号进行预处理,得到预处理后的数字中频采样信号;
步骤M2:应用PWVD变换算法对预处理后的数字中频采样信号进行浅层次特征提取,得到高维时域特征向量;
步骤M3:将未知干扰信号提取到的高维时频域特征向量作为改进GoogLeNet卷积神经网络模型的输入样本;将已知干扰信号提取高维时频域特征向量以及所对应的类别构建训练集;
步骤M4:构建基于inception模块的改进GoogLeNet卷积神经网络模型;
步骤M5:利用构建的训练集训练改进GoogLeNet卷积神经网络模型直至损失函数误差小于预设值;
步骤M6:利用训练完毕的改进GoogLeNet卷积神经网络模型对输入样本进行深层次特征提取与类型判决,获得未知类型的干扰信号的所属类别;
所述inception模块是GoogLeNet模型中的部件,应用不同尺度的卷积核进行并行运算与池化操作,获取不同尺度的特征信息,增加网络深度和宽度的同时减少参数;
所述改进GoogLeNet卷积神经网络模型对干扰信号类别进行识别。
优选地,所述步骤M1包括:
步骤M1.1:卫星干扰信号通过数字中频采集器依次执行滤波、放大并向下变频转换为卫星干扰中频信号;
步骤M1.2:模拟-数字转换模块由自动增益控制单元控制,将卫星干扰中频信号转为数字中频采样信号;
步骤M1.3:对数字中频采样信号进行预处理操作,得到预处理后的数字中频采样信号。
优选地,所述步骤M2包括:
步骤M2.1:将预处理后的数字中频采样信号使用PWVD变换算法实现时频域特征参数提取,获得高时频分辨率的二维PWVD特征向量;
步骤M2.2:使用双线性三次插值算法将高时频分辨率的二维PWVD特征向量进行PWVD特征向量降维;
步骤M2.3:利用幅值归一化算法将不同数量级的降维PWVD特征向量转换成并行计算的同一数量级的特征参数,幅度范围缩放在[a,b]预设范围内:
优选地,所述步骤M4中改进GoogLeNet卷积神经网络模型包括:输入层、网络层和SoftMax层;
所述输入层采用N×N×1的三维单通道模式输入,N根据时频域分辨率决定;
所述网络层包括预设层卷积层、预设层池化层和预设层批归一化层组成的网络、预设层卷积层和预设层批归一化层组成的网络、预设层Inception模块和预设层批归一化层组成的网络、预设层Inception模块和预设层归一化层组成的网络、预设层Inception模块和预设层归一化层组成的网络以及预设层平均池化层和预设层卷积层组成的网络;
所述SoftMax层是进行分类识别。
优选地,所述步骤M5包括:
将预设数量的训练集训练改进GoogLeNet卷积神经网络模型,调整改进GoogLeNet卷积神经网络模型参数;预设数量的训练集作为验证集验证改进GoogLeNet卷积神经网络模型的识别准确率,调整改进GoogLeNet卷积神经网络模型结构以及参数;训练过程使用Adam优化算法不断降低交叉熵损失函数误差,当误差小于预设值时,则卷积神经网络训练完毕。
优选地,所述步骤M1.3中对数字中频采样信号进行预处理操作包括:在缺乏先验信息的前提下盲估计噪声能量,以以噪声能量为基准进行干扰信号预处理归一化。
根据本发明提供的一种卫星导航干扰信号类型智能识别系统,包括:
模块M1:对卫星干扰信号进行中频数字信号采集,并对中频数字信号进行预处理,得到预处理后的数字中频采样信号;
模块M2:应用PWVD变换算法对预处理后的数字中频采样信号进行浅层次特征提取,得到高维时域特征向量;
模块M3:将未知干扰信号提取到的高维时频域特征向量作为改进GoogLeNet卷积神经网络模型的输入样本;将已知干扰信号提取高维时频域特征向量以及所对应的类别构建训练集;
模块M4:构建基于inception模块的改进GoogLeNet卷积神经网络模型;
模块M5:利用构建的训练集训练改进GoogLeNet卷积神经网络模型直至损失函数误差小于预设值;
模块M6:利用训练完毕的改进GoogLeNet卷积神经网络模型对输入样本进行深层次特征提取与类型判决,获得未知类型的干扰信号的所属类别;
所述inception模块是GoogLeNet模型中的部件,应用不同尺度的卷积核进行并行运算与池化操作,获取不同尺度的特征信息,增加网络深度和宽度的同时减少参数;
所述改进GoogLeNet卷积神经网络模型对干扰信号类别进行识别。
优选地,所述模块M1包括:
模块M1.1:卫星干扰信号通过数字中频采集器依次执行滤波、放大并向下变频转换为卫星干扰中频信号;
模块M1.2:模拟-数字转换模块由自动增益控制单元控制,将卫星干扰中频信号转为数字中频采样信号;
模块M1.3:对数字中频采样信号进行预处理操作,得到预处理后的数字中频采样信号。
所述模块M1.3中对数字中频采样信号进行预处理操作包括:在缺乏先验信息的前提下盲估计噪声能量,以以噪声能量为基准进行干扰信号预处理归一化。
优选地,所述模块M2包括:
模块M2.1:将预处理后的数字中频采样信号使用PWVD变换算法实现时频域特征参数提取,获得高时频分辨率的二维PWVD特征向量;
模块M2.2:使用双线性三次插值算法将高时频分辨率的二维PWVD特征向量进行PWVD特征向量降维;
模块M2.3:利用幅值归一化算法将不同数量级的降维PWVD特征向量转换成并行计算的同一数量级的特征参数,幅度范围缩放在[a,b]预设范围内:
优选地,所述模块M4中改进GoogLeNet卷积神经网络模型包括:输入层、网络层和SoftMax层;
所述输入层采用N×N×1的三维单通道模式输入,N根据时频域分辨率决定;
所述网络层包括预设层卷积层、预设层池化层和预设层批归一化层组成的网络、预设层卷积层和预设层批归一化层组成的网络、预设层Inception模块和预设层批归一化层组成的网络、预设层Inception模块和预设层归一化层组成的网络、预设层Inception模块和预设层归一化层组成的网络以及预设层平均池化层和预设层卷积层组成的网络;
所述SoftMax层是进行分类识别;
所述模块M5包括:
将预设数量的训练集训练改进GoogLeNet卷积神经网络模型,调整改进GoogLeNet卷积神经网络模型参数;预设数量的训练集作为验证集验证改进GoogLeNet卷积神经网络模型的识别准确率,调整改进GoogLeNet卷积神经网络模型结构以及参数;训练过程使用Adam优化算法不断降低交叉熵损失函数误差,当误差小于预设值时,则卷积神经网络训练完毕。
与现有技术相比,本发明具有如下的有益效果:
1、本发明提出了一种基于PWVD变换与卷积神经网络的卫星导航干扰信号类型智能识别方法,所述方法利用卷积神经网络自动提取PWVD时频特征与类型识别相匹配的信息,避免了在时频域需要人为设计特定特征参数的缺陷;
2、本发明构建的卷积神经网络从一定程度上克服了传统分类器如决策树、支持向量机等算法的局限性,从识别准确率与噪声鲁棒性两个角度评估了所提出的方法,从测试结果可知,识别准确率大幅提高,噪声鲁棒性有较明显增强;
3、本发明对目前卫星导航干扰识别领域传统识别算法有较大改进,并且可以进一步为软硬件结合实现实时干扰检测识别提供参考。
附图说明
通过阅读参照以下附图对非限制性实施例所作的详细描述,本发明的其它特征、目的和优点将会变得更明显:
图1为本发明处理卫星导航干扰信号的技术总体流程图;
图2为设计的改进GoogLeNet卷积神经网络模型的整体结构图;
图3为改进GoogLeNet卷积神经网络模型中的Inception结构图;
图4为本发明中在不同干噪比环境下对干扰类型识别的准确率图。
具体实施方式
下面结合具体实施例对本发明进行详细说明。以下实施例将有助于本领域的技术人员进一步理解本发明,但不以任何形式限制本发明。应当指出的是,对本领域的普通技术人员来说,在不脱离本发明构思的前提下,还可以做出若干变化和改进。这些都属于本发明的保护范围。
本发明所要解决的技术问题在于克服现有技术的不足,提出一种基于PWVD变换与卷积神经网络的卫星导航干扰信号类型智能识别方法。所述方法以干扰信号经PWVD变换算法提取的时频域特征作为输入向量,构建基于Inception模块的改进GoogLeNet模型实现干扰类型智能识别。
本发明属于卫星导航信号处理领域,具体涉及一种基于PWVD变换与卷积神经网络的卫星导航干扰信号类型智能识别方法。所述方法主要包括,对接收到的卫星导航干扰信号作预处理操作,便于提取区分度高的时频域特征参数;应用PWVD变换算法对干扰信号进行浅层次特征提取,将提取的高维时频域特征向量作为卷积神经网络的输入样本;根据常见干扰信号的分类构建信号数学模型以及设计识别类型标签,将所提取的浅层次特征数据集以及所对应的标签构建为训练集;构建基于inception模块的改进GoogLeNet卷积神经网络模型;利用构建的GoogLeNet卷积神经网络模型自动提取深层次特征,并实现已知类型干扰信号的卷积神经网络训练;根据训练完毕的GoogLeNet卷积神经网络模型,对每个预处理后的干扰信号所提取的浅层次特征进行提取并进行类型判决,识别未知类型干扰信号的所属类别。本发明能够克服传统干扰识别算法需要人为提取干扰信号特征参数以及分类器设计复杂的固有缺陷,能够识别常见卫星导航干扰信号类型且容易迁移到新的干扰识别样式,经仿真实验测试大幅提高了识别准确率与识别效率。所述信号数学模型依据不同类型的干扰信号包括频率、相位、幅值参数所构建的数学表达式,信号数学模型能够生成卫星干扰仿真信号;
实施例1
根据本发明提供的一种卫星导航干扰信号类型智能识别方法,包括:
步骤M1:对卫星干扰信号进行中频数字信号采集,并对中频数字信号进行预处理,得到预处理后的数字中频采样信号;
具体地,所述步骤M1包括:
步骤M1.1:卫星干扰信号通过数字中频采集器依次执行滤波、放大并向下变频转换为卫星干扰中频信号;
步骤M1.2:模拟-数字转换模块(ADC)由自动增益控制单元(AGC)控制,将卫星干扰中频信号转为数字中频(IF)采样信号;
步骤M1.3:由于AGC根据信号所包含的噪声能量不断调节数字中频信号的采样幅值,会严重破环干扰信号的时频域特征,因此对数字中频采样信号进行预处理操作,得到预处理后的数字中频采样信号。
具体地,所述步骤M1.3中对数字中频采样信号进行预处理操作包括:在缺乏先验信息的前提下盲估计噪声能量,以以噪声能量为基准进行干扰信号预处理归一化。
步骤M2:应用PWVD变换算法对预处理后的数字中频采样信号进行浅层次特征提取,得到高维时域特征向量;
具体地,所述步骤M2包括:
步骤M2.1:将预处理后的数字中频采样信号使用PWVD变换算法实现时频域特征参数提取,获得高时频分辨率的二维PWVD特征向量;
步骤M2.2:使用双线性三次插值算法将高时频分辨率的二维PWVD特征向量进行PWVD特征向量降维;
步骤M2.3:利用幅值归一化算法将不同数量级的降维PWVD特征向量转换成并行计算的同一数量级的特征参数,幅度范围缩放在[0,1]:
步骤M3:将未知干扰信号提取到的高维时频域特征向量作为改进GoogLeNet卷积神经网络模型的输入样本;将已知干扰信号提取高维时频域特征向量以及所对应的类别构建训练集;
步骤M4:构建基于inception模块的改进GoogLeNet卷积神经网络模型;
具体地,所述步骤M4中改进GoogLeNet卷积神经网络模型包括:输入层、网络层和SoftMax层;
所述输入层采用N×N×1的三维单通道模式输入,N根据时频域分辨率决定;
所述网络层包括3层卷积层、1层池化层和1层批归一化层组成的网络、3层卷积层和1层批归一化层组成的网络、3Inception模块和1批归一化层组成的网络、5层Inception模块和1层归一化层组成的网络、3层Inception模块和1层归一化层组成的网络以及1层平均池化层和1层卷积层组成的网络;
所述SoftMax层是进行分类识别。
具体地,所构建的卷积神经网络模型中的Inception模块里有4条并行的线路。前3条支路使用卷积核大小分别是1×1、3×3和5×5的卷积层来抽取不同空间尺寸下的信息,其中3×3与5×5卷积层先对输入做1×1卷积来减少输入通道数,以降低模型复杂度。第四条支路则使用3×3最大池化层,后连接1×1卷积层来改变通道数。4条并行线路分别采用合适的向量填充技巧来使输入与输出的高和宽一致。最后我们将每条线路的输出在通道维度上连结,并送入平均池化层与SoftMax层分类判决。
步骤M5:利用构建的训练集训练改进GoogLeNet卷积神经网络模型直至损失函数误差小于预设值;
具体地,所述步骤M5包括:
将80%的训练集训练改进GoogLeNet卷积神经网络模型,调整改进GoogLeNet卷积神经网络模型参数;20%的训练集作为验证集验证改进GoogLeNet卷积神经网络模型的识别准确率,调整改进GoogLeNet卷积神经网络模型结构以及参数;训练过程使用Adam优化算法不断降低交叉熵损失函数误差,当误差小于0.1%时,则卷积神经网络训练完毕。
步骤M6:利用训练完毕的改进GoogLeNet卷积神经网络模型对输入样本进行深层次特征提取与类型判决,获得未知类型的干扰信号的所属类别;
所述inception模块是GoogLeNet模型中的部件,应用不同尺度的卷积核进行并行运算与池化操作,获取不同尺度的特征信息,增加网络深度和宽度的同时减少参数;
所述改进GoogLeNet卷积神经网络模型对干扰信号类别进行识别。
根据本发明提供的一种卫星导航干扰信号类型智能识别系统,包括:
模块M1:对卫星干扰信号进行中频数字信号采集,并对中频数字信号进行预处理,得到预处理后的数字中频采样信号;
具体地,所述模块M1包括:
模块M1.1:卫星干扰信号通过数字中频采集器依次执行滤波、放大并向下变频转换为卫星干扰中频信号;
模块M1.2:模拟-数字转换模块(ADC)由自动增益控制单元(AGC)控制,将卫星干扰中频信号转为数字中频(IF)采样信号;
模块M1.3:由于AGC根据信号所包含的噪声能量不断调节数字中频信号的采样幅值,会严重破环干扰信号的时频域特征,因此对数字中频采样信号进行预处理操作,得到预处理后的数字中频采样信号。
具体地,所述模块M1.3中对数字中频采样信号进行预处理操作包括:在缺乏先验信息的前提下盲估计噪声能量,以以噪声能量为基准进行干扰信号预处理归一化。
模块M2:应用PWVD变换算法对预处理后的数字中频采样信号进行浅层次特征提取,得到高维时域特征向量;
具体地,所述模块M2包括:
模块M2.1:将预处理后的数字中频采样信号使用PWVD变换算法实现时频域特征参数提取,获得高时频分辨率的二维PWVD特征向量;
模块M2.2:使用双线性三次插值算法将高时频分辨率的二维PWVD特征向量进行PWVD特征向量降维;
模块M2.3:利用幅值归一化算法将不同数量级的降维PWVD特征向量转换成并行计算的同一数量级的特征参数,幅度范围缩放在[0,1]:
模块M3:将未知干扰信号提取到的高维时频域特征向量作为改进GoogLeNet卷积神经网络模型的输入样本;将已知干扰信号提取高维时频域特征向量以及所对应的类别构建训练集;
模块M4:构建基于inception模块的改进GoogLeNet卷积神经网络模型;
具体地,所述模块M4中改进GoogLeNet卷积神经网络模型包括:输入层、网络层和SoftMax层;
所述输入层采用N×N×1的三维单通道模式输入,N根据时频域分辨率决定;
所述网络层包括3层卷积层、1层池化层和1层批归一化层组成的网络、3层卷积层和1层批归一化层组成的网络、3Inception模块和1批归一化层组成的网络、5层Inception模块和1层归一化层组成的网络、3层Inception模块和1层归一化层组成的网络以及1层平均池化层和1层卷积层组成的网络;
所述SoftMax层是进行分类识别。
具体地,所构建的卷积神经网络模型中的Inception模块里有4条并行的线路。前3条支路使用卷积核大小分别是1×1、3×3和5×5的卷积层来抽取不同空间尺寸下的信息,其中3×3与5×5卷积层先对输入做1×1卷积来减少输入通道数,以降低模型复杂度。第四条支路则使用3×3最大池化层,后连接1×1卷积层来改变通道数。4条并行线路分别采用合适的向量填充技巧来使输入与输出的高和宽一致。最后我们将每条线路的输出在通道维度上连结,并送入平均池化层与SoftMax层分类判决。
模块M5:利用构建的训练集训练改进GoogLeNet卷积神经网络模型直至损失函数误差小于预设值;
具体地,所述模块M5包括:
将80%的训练集训练改进GoogLeNet卷积神经网络模型,调整改进GoogLeNet卷积神经网络模型参数;20%的训练集作为验证集验证改进GoogLeNet卷积神经网络模型的识别准确率,调整改进GoogLeNet卷积神经网络模型结构以及参数;训练过程使用Adam优化算法不断降低交叉熵损失函数误差,当误差小于0.1%时,则卷积神经网络训练完毕。
模块M6:利用训练完毕的改进GoogLeNet卷积神经网络模型对输入样本进行深层次特征提取与类型判决,获得未知类型的干扰信号的所属类别;
所述inception模块是GoogLeNet模型中的部件,应用不同尺度的卷积核进行并行运算与池化操作,获取不同尺度的特征信息,增加网络深度和宽度的同时减少参数;
所述改进GoogLeNet卷积神经网络模型对干扰信号类别进行识别。
实施例2
实施例2是实施例1的变化例
下面结合附图,对本发明提出的一种基于PWVD变换与卷积神经网络的卫星导航干扰信号类型智能识别方法进行详细说明:
本发明实施一种基于PWVD变换与卷积神经网络的卫星导航干扰信号类型智能识别方法,该方法以干扰信号经预处理以及PWVD变换算法提取的时频域特征作为输入向量,构建基于Inception模块的改进GoogLeNet模型,实现干扰类型自动化识别。图1是本发明处理卫星导航干扰信号的技术总体流程图,下面结合图1详细地说明各个步骤及其原理。具体流程如下:
步骤A,卫星干扰信号通过数字中频采集器依次执行滤波、放大并向下变频转换为卫星中频信号。其中模拟-数字转换模块(ADC)由自动增益控制单元(AGC)控制,将卫星干扰信号转为数字中频(IF)采样信号。数字中频干扰信号由三个分量组成:卫星导航信号、噪声以及干扰信号,其数学模型如下所示:
这里,XIF[n]=XIF[nTs],Ts=1/fs为采样间隔,fs是采样频率,Ssv表示可见卫星的数量,SIF,i[n],,J[n],N[n]分别为第i颗卫星信号、干扰信号与噪声信号,n表示数字中频信号的数字标号。忽略卫星序号Ssv,单个卫星信号SIF,i[n]如公式所示:
这里,Ps指接收到的卫星信号功率,d(n)、c(n)分别表示数据码与伪码,n0、φ0表示码相位延迟与载波相位,fIF和fD为中频频率和多普勒频移。其中,n表示数字中频信号的数字标号,Ts=1/fs,fs为采样率。
步骤B,由于AGC根据噪声能量不断调节数字中频的数字采样幅值,会破坏干扰信号的时频域特征,需进行预处理操作,将其作为特征提取模块的输入样本;本发明采用依噪声能量归一化方法进行数据预处理,依噪声能量归一化算法关键在于缺乏先验知识的前提下估计噪声功率。
GNSS信号功率通常比背景噪声低20dB左右,因此忽略卫星分量以及干扰的频率信息,干扰信号可以简化为:
XIF[n]=Acos(φn)+N[n]
XIF[n]为随机序列,N[n]可以看作均值为零、方差为的高斯随机过程,A表示余弦信号的幅值,φn表示余弦信号的相位,因此在估计噪声功率的前提下,为了避免不同干噪比的信号对干扰源识别的不必要干扰,对采样点数为N的数字中频信号进行功率归一化,如公式所示:
步骤C,根据预处理后的干扰信号进行特征提取,随后作为卷积神经网络的输入特征向量,其过程如下:
步骤C-1,由于短时傅里叶变换存在时频分辨率的缺陷以及小波变换算法的高复杂度的原因,本技术应用伪魏格纳-威利变换(PWVD)处理功率归一化的数字中频信号能够给出时频分析的最佳时频分辨率,WVD表达式如公式表示:
其中,t,f分别为时频域变量,N为采样点数。t表示时间,为归一化后的数字中频信号,j表示虚部,e表示自然常数,非线性变换会导致多个信号分量的WVD变换之和不是叠加之和,会产生交叉项,为了缓解交叉项的影响,可以在WVD基础上添加核函数,PWVD如公式所示:
这里,h(n)为延迟或自相关域窗函数(指数函数)。
步骤C-2,PWVD算法时频分辨率较高,因此所提取的电磁指纹数据维度复杂度较高。为提高算法的识别效率,在保证电磁指纹的区分度的前提下,本文采用双线性三次插值算法实现数据降维,如公式所示:
aij为权系数,电磁指纹的数据格式降为n*n*1,其中n取决于频域分辨率。
步骤C-3,不同类型、干噪比的干扰信号电磁幅度极值相差多个数量级,本文采用依幅值归一化算法将不同数量级的电磁指纹转为相同数量级可并行计算的特征,幅度范围缩放在[0,1]之间,如公式所示:
步骤D,根据待识别信号的类别,将步骤C中提取的特征向量及其对应的类别构建为训练集,利用构建的训练集训练步骤E中构建的卷积神经网络;具体步骤如下:本发明中需要识别的信号种类五种干扰信号分别为:单音干扰、多音干扰、线性扫频干扰、窄带高斯噪声干扰、宽带高斯噪声干扰。将这五种信号分别标记为1,2,…,5。对于五种类型干扰信号,将其所属标记为k,k∈[1,5],则将其类别映射为一个5维的向量,其中向量的第k位为1,其余都为0,将这个向量作为信号的标签。训练集中,本发明的五种干扰信号在不同的干噪比(0dB到50dB,以5dB为间隔)下各产生100个干扰信号样本,最后将每个PWVD二维特征向量与其标签向量对应作为一个训练样本。训练集中的PWVD二维特征向量作为卷积神经网络的输入,标签向量作为卷积神经网络的输出。
步骤E,构建的基于Inception模块的改进GoogLeNet卷积神经网络如图2所示:输入层采用N×N×1的三维单通道模式输入,N由时频域分辨率决定;通过三层由卷积层、池化层、批归一化组成的网络;然后通过三层由卷积层、批归一化层组成的网络;接着依次通过三层、五层、三层由Inception模块、池化、批归一化层组成的网络,其中Inception模块是在多个尺寸上同时卷积再级联在一起以便提取多种尺度特征的网络结构,结构如图3所示;最后通过平均池化层降低所提取的深层次特征维度,送入SoftMax层进行分类识别;
其中,m表示二维电磁指纹的向量的行数,n表示二维电磁指纹的向量的列数,K[m,n]表示卷积核,Bi,j表示偏置,为常数。
3.池化层:为了减小数据量、增加鲁棒性,将卷积核提取的特征图S进行降采样操作。本技术采用最大池化操作,池化窗口维度为3*3,如公式所示:
4.批归一化层:将卷积层或池化层输出的特征向量进行白化,加快网络训练速度。
其中m是一个batch中的训练样本数,xi,yi分别为一个batch数据中的第i个输入样本与输出样本,ε为常数,本发明设置为趋近于0的常数0.01,γ、β分别为GoogLeNet模型训练时需要不断调整的偏置参数。
5.平均池化层:本技术采用平均池化层取代全连接层,增强电磁指纹的空间信息,本技术最后Inception层的输出为8*8*544,平均池化层的维度为8*8,因此池化后的输出为1*1*544,最终切片操作保留544维的特征向量作为SoftMax的输入。
6.SoftMax层:将提取的深层次特征转换为类型预测概率,输出向量的第j个分量Sj定义如下:
其中aj为SoftMax层的第i神经元的输入,T表示softMax层的输入神经元的个数。具体地,本发明的每一层结构如图2所示,具体如下所示:
第一层,为输入层,其输入尺寸与PWVD浅层次特征向量维度一致,为N×N×1,N由PWVD二维特征向量的分辨率决定。
第二层,由卷积层、池化层与批归一化层组成。具体地,首先是进行三个卷积层操作,其中卷积核尺寸分别为3×3,步长为3,卷积核个数为16;3×3,步长为2,卷积核个数为16;3×3,步长为1,卷积核个数为32;接着通过池化层操作,池化采用最大池化操作,池化尺寸为3×3,步长为2;最后通过批归一化层进行数据白化。
第三层,由卷积层与批归一化层组成。首先是进行三个卷积层操作,其中卷积核尺寸分别为3×3,步长为1,卷积核个数为48;3×3,步长为2,卷积核个数为48;3×3,步长为1,卷积核个数为64;接着通过批归一化层进行数据白化。
第四层,由3个Inception层与批归一化层组成。首先通过Inception模块,Inception结构如图3所示,第一条支路卷积核尺寸为1×1,卷积核个数为16,第二、三条支路分别先经过1×1卷积降低数据维度,卷积核数为16,接着通过卷积核尺寸为3×3和5*5,卷积核个数为32,48;第四条支路首先经过池化层,采用最大池化,其尺寸为3×1,步长为2,最终通过1×1卷积,卷积核个数为32。最后经过通道连接来进行批归一化操作。
第五层,由5个Inception层与批归一化层组成。首先通过Inception模块,Inception结构如图3所示,第一条支路卷积核尺寸为1×1,卷积核个数为64,第二、三条支路分别先经过1×1卷积降低数据维度,卷积核数为48,接着通过卷积核尺寸为3×3和5*5,卷积核个数为64,96;第四条支路首先经过池化层,采用最大池化,其尺寸为3×1,步长为2,最终通过1×1卷积,卷积核个数为64。最后经过通道连接来进行批归一化操作。
第六层,由3个Inception层与批归一化层组成。首先通过Inception模块,Inception结构如图3所示,第一条支路卷积核尺寸为1×1,卷积核个数为96,第二、三条支路分别先经过1×1卷积降低数据维度,卷积核数为96,接着通过卷积核尺寸为3×3和5*5,卷积核个数为164,164;第四条支路首先经过池化层,采用最大池化,其尺寸为3×1,步长为2,最终通过1×1卷积,卷积核个数为128。最后经过通道连接来进行批归一化操作。
第七层,由平均池化层与SoftMax层组成。其中全连接权重系数矩阵为552×K的尺寸,后面接一个SoftMax输出K种类别信号的概率。
步骤F,将训练集的80%用来训练步骤E所构建的神经网络,不断调整神经网络参数;20%作为验证集验证卷积神经网络的准确率,用来调整卷积神经网络结构以及参数;训练使用Adam优化算法不断降低训练损失,当损失小于0.1%时认为网络训练完毕;采用误差反向传播的方法对权重参数进行学习,其中误差函数为交叉熵损失函数。其每个样本的损失函数定义为:
其中η为学习率,W为网络中的不断调整的偏置权重,本实施例中取0.005。
步骤G,根据训练的卷积神经网络,对未知类型的信号样本依次执行步骤A、B、C获取浅层次特征向量,然后应用于卷积神经网络进行类型识别,获得未知信号的所属类别。
将每个未知类型样本输入给训练好的卷积神经网络,得到与其对应的输出向量。本实施案例中通过实验产生上述五种干扰信号。对每一类信号,在不同干噪比(0dB到50dB,间隔为5dB)下各产生100个信号样本集。对卷积神经网络得到的输出向量取向量中最大值在的索引,得到信号的识别结果,然后将该识别结果与真实信号类别比较,得出不同干扰信号在不同干噪比下的识别准确率。
图4展示出了本发明实例中利用步骤F学习到的神经网络对步骤G产生的不同的干噪比下不同信号的识别准确率结果,从图中可以看出,在干噪比大于0dB时,五种信号的识别率大于90%,在干噪比高于10dB时,每个信号的正确识别率几乎为100%。
本领域技术人员知道,除了以纯计算机可读程序代码方式实现本发明提供的系统、装置及其各个模块以外,完全可以通过将方法步骤进行逻辑编程来使得本发明提供的系统、装置及其各个模块以逻辑门、开关、专用集成电路、可编程逻辑控制器以及嵌入式微控制器等的形式来实现相同程序。所以,本发明提供的系统、装置及其各个模块可以被认为是一种硬件部件,而对其内包括的用于实现各种程序的模块也可以视为硬件部件内的结构;也可以将用于实现各种功能的模块视为既可以是实现方法的软件程序又可以是硬件部件内的结构。
以上对本发明的具体实施例进行了描述。需要理解的是,本发明并不局限于上述特定实施方式,本领域技术人员可以在权利要求的范围内做出各种变化或修改,这并不影响本发明的实质内容。在不冲突的情况下,本申请的实施例和实施例中的特征可以任意相互组合。
Claims (10)
1.一种卫星导航干扰信号类型智能识别方法,其特征在于,包括:
步骤M1:对卫星干扰信号进行中频数字信号采集,并对中频数字信号进行预处理,得到预处理后的数字中频采样信号;
步骤M2:应用PWVD变换算法对预处理后的数字中频采样信号进行浅层次特征提取,得到高维时域特征向量;
步骤M3:将未知干扰信号提取到的高维时频域特征向量作为改进GoogLeNet卷积神经网络模型的输入样本;将已知干扰信号提取高维时频域特征向量以及所对应的类别构建训练集;
步骤M4:构建基于inception模块的改进GoogLeNet卷积神经网络模型;
步骤M5:利用构建的训练集训练改进GoogLeNet卷积神经网络模型直至损失函数误差小于预设值;
步骤M6:利用训练完毕的改进GoogLeNet卷积神经网络模型对输入样本进行深层次特征提取与类型判决,获得未知类型的干扰信号的所属类别;
所述inception模块是GoogLeNet模型中的部件,应用不同尺度的卷积核进行并行运算与池化操作,获取不同尺度的特征信息,增加网络深度和宽度的同时减少参数;
所述改进GoogLeNet卷积神经网络模型对干扰信号类别进行识别。
2.根据权利要求1所述的卫星导航干扰信号类型智能识别方法,其特征在于,所述步骤M1包括:
步骤M1.1:卫星干扰信号通过数字中频采集器依次执行滤波、放大并向下变频转换为卫星干扰中频信号;
步骤M1.2:模拟-数字转换模块由自动增益控制单元控制,将卫星干扰中频信号转为数字中频采样信号;
步骤M1.3:对数字中频采样信号进行预处理操作,得到预处理后的数字中频采样信号。
4.根据权利要求1所述的卫星导航干扰信号类型智能识别方法,其特征在于,所述步骤M4中改进GoogLeNet卷积神经网络模型包括:输入层、网络层和SoftMax层;
所述输入层采用N×N×1的三维单通道模式输入,N根据时频域分辨率决定;
所述网络层包括预设层卷积层、预设层池化层和预设层批归一化层组成的网络、预设层卷积层和预设层批归一化层组成的网络、预设层Inception模块和预设层批归一化层组成的网络、预设层Inception模块和预设层归一化层组成的网络、预设层Inception模块和预设层归一化层组成的网络以及预设层平均池化层和预设层卷积层组成的网络;
所述SoftMax层是进行分类识别。
5.根据权利要求1所述的卫星导航干扰信号类型智能识别方法,其特征在于,所述步骤M5包括:
将预设数量的训练集训练改进GoogLeNet卷积神经网络模型,调整改进GoogLeNet卷积神经网络模型参数;预设数量的训练集作为验证集验证改进GoogLeNet卷积神经网络模型的识别准确率,调整改进GoogLeNet卷积神经网络模型结构以及参数;训练过程使用Adam优化算法不断降低交叉熵损失函数误差,当误差小于预设值时,则卷积神经网络训练完毕。
6.根据权利要求2所述的卫星导航干扰信号类型智能识别方法,其特征在于,所述步骤M1.3中对数字中频采样信号进行预处理操作包括:在缺乏先验信息的前提下盲估计噪声能量,以以噪声能量为基准进行干扰信号预处理归一化。
7.一种卫星导航干扰信号类型智能识别系统,其特征在于,包括:
模块M1:对卫星干扰信号进行中频数字信号采集,并对中频数字信号进行预处理,得到预处理后的数字中频采样信号;
模块M2:应用PWVD变换算法对预处理后的数字中频采样信号进行浅层次特征提取,得到高维时域特征向量;
模块M3:将未知干扰信号提取到的高维时频域特征向量作为改进GoogLeNet卷积神经网络模型的输入样本;将已知干扰信号提取高维时频域特征向量以及所对应的类别构建训练集;
模块M4:构建基于inception模块的改进GoogLeNet卷积神经网络模型;
模块M5:利用构建的训练集训练改进GoogLeNet卷积神经网络模型直至损失函数误差小于预设值;
模块M6:利用训练完毕的改进GoogLeNet卷积神经网络模型对输入样本进行深层次特征提取与类型判决,获得未知类型的干扰信号的所属类别;
所述inception模块是GoogLeNet模型中的部件,应用不同尺度的卷积核进行并行运算与池化操作,获取不同尺度的特征信息,增加网络深度和宽度的同时减少参数;
所述改进GoogLeNet卷积神经网络模型对干扰信号类别进行识别。
8.根据权利要求7所述的卫星导航干扰信号类型智能识别系统,其特征在于,所述模块M1包括:
模块M1.1:卫星干扰信号通过数字中频采集器依次执行滤波、放大并向下变频转换为卫星干扰中频信号;
模块M1.2:模拟-数字转换模块由自动增益控制单元控制,将卫星干扰中频信号转为数字中频采样信号;
模块M1.3:对数字中频采样信号进行预处理操作,得到预处理后的数字中频采样信号。
所述模块M1.3中对数字中频采样信号进行预处理操作包括:在缺乏先验信息的前提下盲估计噪声能量,以以噪声能量为基准进行干扰信号预处理归一化。
10.根据权利要求7所述的卫星导航干扰信号类型智能识别系统,其特征在于,所述模块M4中改进GoogLeNet卷积神经网络模型包括:输入层、网络层和SoftMax层;
所述输入层采用N×N×1的三维单通道模式输入,N根据时频域分辨率决定;
所述网络层包括预设层卷积层、预设层池化层和预设层批归一化层组成的网络、预设层卷积层和预设层批归一化层组成的网络、预设层Inception模块和预设层批归一化层组成的网络、预设层Inception模块和预设层归一化层组成的网络、预设层Inception模块和预设层归一化层组成的网络以及预设层平均池化层和预设层卷积层组成的网络;
所述SoftMax层是进行分类识别;
所述模块M5包括:
将预设数量的训练集训练改进GoogLeNet卷积神经网络模型,调整改进GoogLeNet卷积神经网络模型参数;预设数量的训练集作为验证集验证改进GoogLeNet卷积神经网络模型的识别准确率,调整改进GoogLeNet卷积神经网络模型结构以及参数;训练过程使用Adam优化算法不断降低交叉熵损失函数误差,当误差小于预设值时,则卷积神经网络训练完毕。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010529723.6A CN111783558A (zh) | 2020-06-11 | 2020-06-11 | 一种卫星导航干扰信号类型智能识别方法及系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010529723.6A CN111783558A (zh) | 2020-06-11 | 2020-06-11 | 一种卫星导航干扰信号类型智能识别方法及系统 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN111783558A true CN111783558A (zh) | 2020-10-16 |
Family
ID=72757568
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010529723.6A Pending CN111783558A (zh) | 2020-06-11 | 2020-06-11 | 一种卫星导航干扰信号类型智能识别方法及系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111783558A (zh) |
Cited By (20)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112285666A (zh) * | 2020-10-21 | 2021-01-29 | 电子科技大学 | 基于深度U-Inception网络的雷达干扰抑制方法 |
CN112307996A (zh) * | 2020-11-05 | 2021-02-02 | 杭州电子科技大学 | 一种指尖心电身份识别装置及方法 |
CN112364979A (zh) * | 2020-11-05 | 2021-02-12 | 哈尔滨工业大学 | 一种基于GoogLeNet的红外图像识别方法 |
CN112435356A (zh) * | 2020-11-04 | 2021-03-02 | 南京航天工业科技有限公司 | 一种etc干扰信号的识别方法及检测系统 |
CN112485001A (zh) * | 2020-11-16 | 2021-03-12 | 申龙电梯股份有限公司 | 一种面向智慧电梯的故障诊断方法 |
CN112561055A (zh) * | 2020-12-09 | 2021-03-26 | 北京交通大学 | 基于双线性时频分析及卷积神经网络的电磁骚扰辨识方法 |
CN112818891A (zh) * | 2021-02-10 | 2021-05-18 | 西南电子技术研究所(中国电子科技集团公司第十研究所) | 通信干扰信号类型智能识别方法 |
CN112904282A (zh) * | 2021-01-20 | 2021-06-04 | 北京理工大学 | 基于pwvd与卷积神经网络的雷达干扰信号识别方法 |
CN113067805A (zh) * | 2021-03-15 | 2021-07-02 | 衢州学院 | 基于边缘计算的物联网弱电磁干扰攻击检测方法及系统 |
CN113156473A (zh) * | 2021-03-04 | 2021-07-23 | 中国北方车辆研究所 | 信息融合定位系统卫星信号环境的自适应判别方法 |
CN113281788A (zh) * | 2021-05-26 | 2021-08-20 | 国网江苏省电力有限公司电力科学研究院 | 一种基于传播算子的北斗导航系统干扰源直接定位方法 |
EP3904912A1 (en) * | 2020-04-28 | 2021-11-03 | Novatel, Inc. | Gnss-receiver interference detection using deep learning |
CN113780160A (zh) * | 2021-09-08 | 2021-12-10 | 广东电网有限责任公司广州供电局 | 一种电能质量扰动信号分类方法和系统 |
CN113887506A (zh) * | 2021-10-22 | 2022-01-04 | 吉林大学 | 一种基于mds-cnn的干扰信号分类识别方法及系统 |
CN113970762A (zh) * | 2021-09-26 | 2022-01-25 | 西安交通大学 | 一种多级干扰源定位方法及系统 |
CN114021458A (zh) * | 2021-11-05 | 2022-02-08 | 西安晟昕科技发展有限公司 | 基于并行原型网络的小样本雷达辐射源信号识别方法 |
CN114325600A (zh) * | 2021-12-22 | 2022-04-12 | 广东邦盛北斗科技股份公司 | 用于北斗导航系统的抗干扰方法、系统、装置及云平台 |
CN116184124A (zh) * | 2023-04-26 | 2023-05-30 | 华东交通大学 | 一种配电网故障类型识别方法 |
CN116660942A (zh) * | 2023-06-01 | 2023-08-29 | 北京交通大学 | 基于深度学习的列车卫星定位欺骗干扰检测方法及系统 |
CN117131711A (zh) * | 2023-10-26 | 2023-11-28 | 中国人民解放军32806部队 | 一种多通道电磁信号处理方法及系统 |
Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107657256A (zh) * | 2017-10-27 | 2018-02-02 | 中山大学 | 基于深度神经网络的端到端的图像多字符定位和匹配方法 |
CN108509911A (zh) * | 2018-04-03 | 2018-09-07 | 电子科技大学 | 基于卷积神经网络的干扰信号识别方法 |
CN108942409A (zh) * | 2018-08-26 | 2018-12-07 | 西北工业大学 | 基于残差卷积神经网络的刀具磨损量的建模和监测方法 |
KR20190118387A (ko) * | 2018-04-10 | 2019-10-18 | 배재대학교 산학협력단 | 합성곱 신경망 기반 이미지 처리 시스템 및 방법 |
CN110515096A (zh) * | 2019-08-20 | 2019-11-29 | 东南大学 | 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 |
CN110532878A (zh) * | 2019-07-26 | 2019-12-03 | 中山大学 | 一种基于轻量化卷积神经网络的驾驶员行为识别方法 |
CN110730046A (zh) * | 2019-10-18 | 2020-01-24 | 中国人民解放军陆军工程大学 | 基于深度迁移学习的跨频段频谱预测方法 |
CN110766063A (zh) * | 2019-10-17 | 2020-02-07 | 南京信息工程大学 | 基于压缩激励和紧密连接卷积神经网络的图像分类方法 |
-
2020
- 2020-06-11 CN CN202010529723.6A patent/CN111783558A/zh active Pending
Patent Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107657256A (zh) * | 2017-10-27 | 2018-02-02 | 中山大学 | 基于深度神经网络的端到端的图像多字符定位和匹配方法 |
CN108509911A (zh) * | 2018-04-03 | 2018-09-07 | 电子科技大学 | 基于卷积神经网络的干扰信号识别方法 |
KR20190118387A (ko) * | 2018-04-10 | 2019-10-18 | 배재대학교 산학협력단 | 합성곱 신경망 기반 이미지 처리 시스템 및 방법 |
CN108942409A (zh) * | 2018-08-26 | 2018-12-07 | 西北工业大学 | 基于残差卷积神经网络的刀具磨损量的建模和监测方法 |
CN110532878A (zh) * | 2019-07-26 | 2019-12-03 | 中山大学 | 一种基于轻量化卷积神经网络的驾驶员行为识别方法 |
CN110515096A (zh) * | 2019-08-20 | 2019-11-29 | 东南大学 | 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 |
CN110766063A (zh) * | 2019-10-17 | 2020-02-07 | 南京信息工程大学 | 基于压缩激励和紧密连接卷积神经网络的图像分类方法 |
CN110730046A (zh) * | 2019-10-18 | 2020-01-24 | 中国人民解放军陆军工程大学 | 基于深度迁移学习的跨频段频谱预测方法 |
Non-Patent Citations (1)
Title |
---|
XINYU YAN等: "Intelligent Recognition Technology of GNSS Interference Source Basedon Electromagnetic Fingerprint", 《CSNC 2020》, pages 1 - 9 * |
Cited By (32)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
EP3904912A1 (en) * | 2020-04-28 | 2021-11-03 | Novatel, Inc. | Gnss-receiver interference detection using deep learning |
US11988753B2 (en) | 2020-04-28 | 2024-05-21 | Novatel Inc. | GNSS-receiver interference detection using deep learning |
CN112285666A (zh) * | 2020-10-21 | 2021-01-29 | 电子科技大学 | 基于深度U-Inception网络的雷达干扰抑制方法 |
CN112435356A (zh) * | 2020-11-04 | 2021-03-02 | 南京航天工业科技有限公司 | 一种etc干扰信号的识别方法及检测系统 |
CN112307996A (zh) * | 2020-11-05 | 2021-02-02 | 杭州电子科技大学 | 一种指尖心电身份识别装置及方法 |
CN112364979A (zh) * | 2020-11-05 | 2021-02-12 | 哈尔滨工业大学 | 一种基于GoogLeNet的红外图像识别方法 |
CN112307996B (zh) * | 2020-11-05 | 2024-04-02 | 杭州电子科技大学 | 一种指尖心电身份识别装置及方法 |
CN112485001A (zh) * | 2020-11-16 | 2021-03-12 | 申龙电梯股份有限公司 | 一种面向智慧电梯的故障诊断方法 |
CN112561055A (zh) * | 2020-12-09 | 2021-03-26 | 北京交通大学 | 基于双线性时频分析及卷积神经网络的电磁骚扰辨识方法 |
CN112561055B (zh) * | 2020-12-09 | 2023-11-07 | 北京交通大学 | 基于双线性时频分析及卷积神经网络的电磁骚扰辨识方法 |
CN112904282A (zh) * | 2021-01-20 | 2021-06-04 | 北京理工大学 | 基于pwvd与卷积神经网络的雷达干扰信号识别方法 |
CN112818891A (zh) * | 2021-02-10 | 2021-05-18 | 西南电子技术研究所(中国电子科技集团公司第十研究所) | 通信干扰信号类型智能识别方法 |
CN112818891B (zh) * | 2021-02-10 | 2022-09-02 | 西南电子技术研究所(中国电子科技集团公司第十研究所) | 通信干扰信号类型智能识别方法 |
CN113156473A (zh) * | 2021-03-04 | 2021-07-23 | 中国北方车辆研究所 | 信息融合定位系统卫星信号环境的自适应判别方法 |
CN113067805A (zh) * | 2021-03-15 | 2021-07-02 | 衢州学院 | 基于边缘计算的物联网弱电磁干扰攻击检测方法及系统 |
CN113281788B (zh) * | 2021-05-26 | 2022-01-18 | 国网江苏省电力有限公司电力科学研究院 | 一种基于传播算子的北斗导航系统干扰源直接定位方法 |
CN113281788A (zh) * | 2021-05-26 | 2021-08-20 | 国网江苏省电力有限公司电力科学研究院 | 一种基于传播算子的北斗导航系统干扰源直接定位方法 |
CN113780160A (zh) * | 2021-09-08 | 2021-12-10 | 广东电网有限责任公司广州供电局 | 一种电能质量扰动信号分类方法和系统 |
CN113780160B (zh) * | 2021-09-08 | 2023-01-24 | 广东电网有限责任公司广州供电局 | 一种电能质量扰动信号分类方法和系统 |
CN113970762B (zh) * | 2021-09-26 | 2024-05-24 | 西安交通大学 | 一种多级干扰源定位方法及系统 |
CN113970762A (zh) * | 2021-09-26 | 2022-01-25 | 西安交通大学 | 一种多级干扰源定位方法及系统 |
CN113887506B (zh) * | 2021-10-22 | 2024-04-30 | 吉林大学 | 一种基于mds-cnn的干扰信号分类识别方法及系统 |
CN113887506A (zh) * | 2021-10-22 | 2022-01-04 | 吉林大学 | 一种基于mds-cnn的干扰信号分类识别方法及系统 |
CN114021458A (zh) * | 2021-11-05 | 2022-02-08 | 西安晟昕科技发展有限公司 | 基于并行原型网络的小样本雷达辐射源信号识别方法 |
CN114021458B (zh) * | 2021-11-05 | 2022-11-04 | 西安晟昕科技发展有限公司 | 基于并行原型网络的小样本雷达辐射源信号识别方法 |
CN114325600B (zh) * | 2021-12-22 | 2023-09-26 | 广东邦盛北斗科技股份公司 | 用于北斗导航系统的抗干扰方法、系统、装置及云平台 |
CN114325600A (zh) * | 2021-12-22 | 2022-04-12 | 广东邦盛北斗科技股份公司 | 用于北斗导航系统的抗干扰方法、系统、装置及云平台 |
CN116184124A (zh) * | 2023-04-26 | 2023-05-30 | 华东交通大学 | 一种配电网故障类型识别方法 |
CN116660942B (zh) * | 2023-06-01 | 2024-01-30 | 北京交通大学 | 基于深度学习的列车卫星定位欺骗干扰检测方法及系统 |
CN116660942A (zh) * | 2023-06-01 | 2023-08-29 | 北京交通大学 | 基于深度学习的列车卫星定位欺骗干扰检测方法及系统 |
CN117131711B (zh) * | 2023-10-26 | 2024-01-02 | 中国人民解放军32806部队 | 一种多通道电磁信号处理方法及系统 |
CN117131711A (zh) * | 2023-10-26 | 2023-11-28 | 中国人民解放军32806部队 | 一种多通道电磁信号处理方法及系统 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111783558A (zh) | 一种卫星导航干扰信号类型智能识别方法及系统 | |
CN107220606B (zh) | 基于一维卷积神经网络的雷达辐射源信号的识别方法 | |
CN112364779B (zh) | 信号处理与深-浅网络多模型融合的水声目标识别方法 | |
CN109597043B (zh) | 基于量子粒子群卷积神经网络的雷达信号识别方法 | |
CN109841226A (zh) | 一种基于卷积递归神经网络的单通道实时降噪方法 | |
CN110532932B (zh) | 一种多分量雷达信号脉内调制方式识别方法 | |
CN113259288B (zh) | 基于特征融合与轻量化混合模型的水声调制方式识别方法 | |
CN110610717B (zh) | 复杂频谱环境混合信号的分离方法 | |
CN113191178B (zh) | 一种基于听觉感知特征深度学习的水声目标识别方法 | |
CN111931820B (zh) | 一种基于卷积残差网络的水中目标辐射噪声lofar谱图线谱提取方法 | |
CN101763514A (zh) | 基于特征重要度排序谱聚类的图像分割方法 | |
CN111126332A (zh) | 基于轮廓特征的跳频信号分类方法 | |
CN111612130B (zh) | 一种频移键控通信信号调制方式识别方法 | |
CN115114949A (zh) | 一种基于水声信号的舰船目标智能识别方法及系统 | |
CN115438708A (zh) | 一种基于卷积神经网络和多模态融合的分类识别方法 | |
CN116741159A (zh) | 音频分类及模型的训练方法、装置、电子设备和存储介质 | |
CN115758082A (zh) | 一种轨道交通变压器故障诊断方法 | |
CN113780521B (zh) | 一种基于深度学习的辐射源个体识别方法 | |
CN111551893A (zh) | 一种深度学习与集成神经网络的室内定位方法 | |
CN116430317A (zh) | 一种辐射源调制样式与个体识别方法及系统 | |
Bagwe et al. | Automated Radar Signal Analysis Based on Deep Learning | |
CN114676721A (zh) | 基于径向基神经网络的雷达有源压制干扰识别方法及系统 | |
CN115219991A (zh) | 一种基于希尔伯特变换的二相编码调制信号识别方法 | |
CN115712867A (zh) | 一种多分量雷达信号调制识别方法 | |
CN114626412A (zh) | 用于无人值守传感器系统的多类别目标识别方法及系统 |
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 |