CN114065803A - 干扰信号识别模型的训练方法、识别方法及装置 - Google Patents

Abstract

本申请公开了一种干扰信号识别模型的训练方法、识别方法及装置，训练方法包括：获取GNSS信号训练集，GNSS信号训练集中的GNSS信号样本包括真实信号样本和干扰信号样本；提取GNSS信号样本的信号特征，信号特征包括伪距、载波相位、多普勒频率和载噪比；利用多个GNSS信号样本的信号特征，对预设的随机森林分类模型进行训练，直至预设的训练终止条件，得到干扰信号识别模型。本申请实施例通过提取GNSS信号样本的伪距、载波相位、多普勒频率和载噪比，以从不同特征信息中实现干扰信号的检测，相比于现有利用单一信息检测欺骗信号更具有可靠性。以及利用随机森林分类模型作为基础模型，能够有效较低模型复杂度和提高模型精度。

Description

干扰信号识别模型的训练方法、识别方法及装置

技术领域

本申请涉及信号处理领域，尤其涉及一种干扰信号模型的训练方法、识别方法及装置。

背景技术

由于全球导航卫星系统(Global Navigation Satellite System，GNSS)信号经过长距离传输到达地面时的信号强度极其微弱，以及民用信号在国际范围内公开使用，使得接收导航卫星信号的接收机非常容易受到干扰信号影响。其中人为的欺骗干扰信号是危害最大的干扰信号，其是通过发射与真实信号相似的模拟信号，使目标接收机输出欺骗方设计的位置和时间结果，从而达到对目标接收机进行控制的目的。

目前，基于载噪比C/N0的检测方式通过检测信号的载噪比C/N0的异常变化，以识别欺骗信号，但当欺骗干扰信号与噪声信号一起发射时，容易导致误判。基于信号达到时间的检测方式是针对转发式欺骗干扰信号到达接收机的路程相对于真实信号较长，从而基于信号达到时间的差异来识别欺骗干扰信号，但其主要针对转发式欺骗干扰信号，对生成式欺骗信号作用不大，甚至会消除真实信号而保留欺骗信号。而基于多天线、惯导系统以及多频点的检测方式虽然检测效果较好，但是其结构复杂和成本较高，不适合在低成本的民用领域广泛应用。

发明内容

本申请提供了一种干扰信号识别模型的训练方法、识别方法及装置，旨在解决目前信号检测方法存在检测结果准确度低的问题。

为了解决上述技术问题，第一方面，本申请实施例提供了一种干扰信号识别模型的训练方法，包括：

获取GNSS信号训练集，GNSS信号训练集中的GNSS信号样本包括真实信号样本和干扰信号样本；

提取GNSS信号样本的信号特征，信号特征包括伪距、载波相位、多普勒频率和载噪比；

利用多个GNSS信号样本的信号特征，对预设的随机森林分类模型进行训练，直至预设的训练终止条件，得到干扰信号识别模型。

本申请实施例通过提取GNSS信号样本的伪距、载波相位、多普勒频率和载噪比，以从不同特征信息中实现干扰信号的检测，相比于现有利用单一信息检测欺骗信号更具有可靠性。以及利用随机森林分类模型作为基础模型，能够有效较低模型复杂度和提高模型精度。

在一实施例中，获取GNSS信号训练集，包括：

接收GNSS信号，并基于预设采样点数，对GNSS信号进行随机采样，得到M个GNSS信号样本；

对M个GNSS信号样本进行有放回的重复随机采样，得到m个GNSS信号样本；

将m个GNSS信号样本构建为GNSS信号训练集。

本实施例通过对GNSS信号进行有放回的重复随机采样，以降低模型过拟合的风险，同时提高模型的抗噪能力。

在一实施例中，提取GNSS信号样本的特征参数，包括：

提取GNSS信号样本的N个特征参数；

从N个特征参数中，选取n个特征参数作为信号特征，n个特征参数中至少包括伪距、载波相位、多普勒频率和载噪比。

本实施例通过在提取过程中提高伪距、载波相位、多普勒频率和载噪比的特征提取比例，以有效利用信号特征实现模型的训练，提高模型分类结果的准确度。

第二方面，本申请实施例提供了一种干扰信号的识别方法，包括：

获取GNSS信号；

提取GNSS信号的信号特征，信号特征包括伪距、载波相位、多普勒频率和载噪比；

基于预设的干扰信号识别模型，对信号特征进行分类识别，得到GNSS信号的信号类型，信号类型包括真实信号或干扰信号，干扰信号识别模型基于上述第一方面的训练方法训练得到。

在一实施例中，基于预设的干扰信号识别模型，对信号特征进行分类识别，得到GNSS信号的信号类型，包括：

基于干扰信号识别模型的多个决策树，对信号特征进行分类识别，得到多个分类值；

计算多个分类值的均值；

根据均值，确定GNSS信号的信号类型。

第三方面，本申请实施例提供了一种干扰信号识别模型的训练装置，包括：

第一获取模块，用于获取GNSS信号训练集，GNSS信号训练集中的GNSS信号样本包括真实信号样本和干扰信号样本；

第一提取模块，用于提取GNSS信号样本的信号特征，信号特征包括伪距、载波相位、多普勒频率和载噪比；

训练模块，用于利用多个GNSS信号样本的信号特征，对预设的随机森林分类模型进行训练，直至预设的训练终止条件，得到干扰信号识别模型。

在一实施例中，第一获取模块，包括：

第一采样单元，用于接收GNSS信号，并基于预设采样点数，对GNSS信号进行随机采样，得到M个GNSS信号样本；

第二采样单元，用于对M个GNSS信号样本进行有放回的重复随机采样，得到m个GNSS信号样本；

构建单元，用于将m个GNSS信号样本构建为GNSS信号训练集。

在一实施例中，第一提取模块，包括：

提取单元，用于提取GNSS信号样本的N个特征参数；

选取单元，用于从N个特征参数中，选取n个特征参数作为信号特征，n个特征参数中至少包括伪距、载波相位、多普勒频率和载噪比。

第四方面，本申请实施例提供了一种干扰信号的识别装置，包括：

第二获取模块，用于获取GNSS信号；

第二提取模块，用于提取GNSS信号的信号特征，信号特征包括伪距、载波相位、多普勒频率和载噪比；

识别模块，用于基于预设的干扰信号识别模型，对特征参数进行分类识别，得到GNSS信号的信号类型，信号类型包括真实信号或干扰信号，干扰信号识别模型基于上述第一方面的训练方法训练得到。

在一实施例中，识别模块，包括：

识别单元，用于基于干扰信号识别模型的多个决策树，对信号特征进行分类识别，得到多个分类值；

计算单元，用于计算多个分类值的均值；

确定单元，用于根据均值，确定GNSS信号的信号类型。

可以理解的是，上述第二方面和第四方面的有益效果参见上述第一方面的相关描述，在此不再赘述。

附图说明

图1为本申请实施例提供的干扰信号识别模型的训练方法的流程示意图；

图2为本申请实施例提供的干扰信号的识别方法的流程示意图；

图3为本申请实施例提供的干扰信号识别模型的训练装置的结构示意图；

图4为本申请实施例提供的干扰信号的识别装置的结构示意图。

具体实施方式

下面将结合本申请实施例中的附图，对本申请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申请一部分实施例，而不是全部的实施例。基于本申请中的实施例，本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例，都属于本申请保护的范围。

如背景技术相关记载，基于载噪比C/N0的检测方式通过检测信号的载噪比C/N0的异常变化，以识别欺骗信号，但当欺骗干扰信号与噪声信号一起发射时，容易导致误判。基于信号达到时间的检测方式是针对转发式欺骗干扰信号到达接收机的路程相对于真实信号较长，从而基于信号达到时间的差异来识别欺骗干扰信号，但其主要针对转发式欺骗干扰信号，对生成式欺骗信号作用不大，甚至会消除真实信号而保留欺骗信号。而基于多天线、惯导系统以及多频点的检测方式虽然检测效果较好，但是其结构复杂和成本较高，不适合在低成本的民用领域。

为此，本申请实施例提供一种干扰信号识别模型的训练方法、识别方法及装置，训练方法通过利用包含真实信号样本和干扰信号样本得GNSS信号训练集；并通过提取GNSS信号样本的伪距、载波相位、多普勒频率和载噪比，以从不同特征信息中实现干扰信号的检测，相比于现有利用单一信息检测欺骗信号更具有可靠性；以及利用随机森林分类模型作为基础模型，能够有效较低模型复杂度和提高模型精度。

参见图1，图1示出了本申请实施例提供的一种干扰信号识别模型的训练方法的流程示意图。本申请实施例中下述的训练方法可应用于计算机设备，计算机设备包括但不限于智能手机、平板电脑、桌上型计算机、超级计算机、个人数字助理、物理服务器和云服务器等计算机设备。本申请实施例的干扰信号识别模型的训练方法，包括步骤S101至S103，详述如下：

步骤S101，获取GNSS信号训练集，所述GNSS信号训练集中的GNSS信号样本包括真实信号样本和干扰信号样本。

在本步骤中，GNSS信号为GNSS接收机接收到的实测信号；真实信号为该接收机需要接收的正常信号，干扰信号为人为的欺骗干扰信号。

示例性低，假设GNSS接收机已接收到8个卫星信号，分别为PRN1、PRN2、PRN3、PRN4、PRN5、PRN6、PRN7和PRN8，将PRN1、PRN2、PRN3和PRN4的GNSS信号数据作为训练集，其中PRN1和PRN2为真实信号，PRN3和PRN4为干扰信号；将PRN5、PRN6、PRN7和PRN8作为待测试集。

步骤S102，提取所述GNSS信号样本的信号特征，所述信号特征包括伪距、载波相位、多普勒频率和载噪比。

在本步骤中，伪距为拟极差(Pseudorange)，指卫星定位过程中，地面接收机到卫星之间的大概距离，可以通过将信号从卫星到接收机接收到的时间差乘以光速测量得到。载波相位(Carrier Phase)为在同一接收时刻基础站接收的GNSS信号的相位相对于接收机产生的载波信号相位的测量值。多普勒频率为多普勒频移(Doppler Shift)，指当移动台以恒定的速率沿某一方向移动时，由于传播路程差的原因，会造成相位和频率的变化。载噪比为信噪比，指用于标示载波信号与载波噪音关系的标准测量尺度。

需要说明的时，欺骗源为了到达欺骗的目的，其发射的干扰信号的功率比真实信号的大3至7dB，而当接收机从真实信号锁定到欺骗信号上，接收机实时获得的伪距、载波相位、多普勒频率以及载噪比等信号特征会出现波动变化，因此本实施例通过提取信号的异常特征，实现真实信号与干扰信号的分类。相比于当前技术采用观测量中的单一信息(如只通过载噪比数据)实现分类识别，例如干扰模式采用功率匹配方法，干扰信号会逐渐过渡到真实信号上，其功夫幅值和真实信号基本一致，此时仅通过检测载噪比幅值信息无法实现有效分类；类似的，干扰模式采用多普勒频率匹配方法实施欺骗干扰，仅采用多普勒频率也无法有效实现分类，本实施例从不同特征信息中实现对干扰信号的识别，更具有可靠性，提高了识别准确度。

步骤S103，利用多个所述GNSS信号样本的信号特征，对预设的随机森林分类模型进行训练，直至预设的训练终止条件，得到干扰信号识别模型。

在本步骤中，随机森林分类模型为基于随机森林算法构建的智能模型，训练终止条件可以是训练得到的决策树数目达到森林里树的最大数目，也可以是训练次数达到预设次数。将真实信号与干扰信号分别看做正例与反例，并利用随机森林算法通过分类器对真实信号与干扰信号进行投票分类，以利用多个分类器对多维特征的分类结果，对未知信号进行判别，从而达到识别干扰信号的目的，使得对干扰信号的识别更具有有效性和实用性。

在一实施例中，在图1所示实施例的基础上，上述步骤S101，具体包括：

接收GNSS信号，并基于预设采样点数，对所述GNSS信号进行随机采样，得到M个所述GNSS信号样本；

对M个所述GNSS信号样本进行有放回的重复随机采样，得到m个所述GNSS信号样本；

将m个所述GNSS信号样本构建为所述GNSS信号训练集。

在本实施例中，示例性地，设置采样点数M，从接收到的8个GNSS信号中分别保存M比特，得到GNSS信号样本PRN1(M)、PRN2(M)、PRN3(M)、PRN4(M)、PRN5(M)、PRN6(M)、PRN7(M)和PRN8(M)，作为原始训练样本集M。从原始训练样本集M中有放回地重复随机抽取m个样本生成新的训练样本集合，然后生成m个分类树组成随机森林，即预设的随机森林分类模型。

可选地，构建GNSS信号训练集前，对GNSS信号样本进行属性归一化处理，以对GNSS信号样本进行特征标注，如将干扰信号的分类值为1，真实信号的分类值为0。

本实施例通过对GNSS信号进行有放回的重复随机采样，例如输入样本数量为M个，采样数量也为M个，那么在训练时，每一棵树的输入样本都不是样本集的全部样本，也不容易出现过拟合(over-fitting)，降低了模型过拟合的风险，同时提高模型的抗噪能力。

在一实施例中，在图1所示实施例的基础上，上述步骤S102，具体包括：

提取所述GNSS信号样本的N个所述特征参数；

从N个所述特征参数中，选取n个所述特征参数作为所述信号特征，n个所述特征参数中至少包括伪距、载波相位、多普勒频率和载噪比。

在本实施例中，示例性地，从N个特征参数中，选择n个信号特征(n<<N)，之后根据采样得到的信号特征使用完全分裂的方式建立出决策树，使得决策树的某一个叶子节点无法继续分裂，或者指向同一个分类。本申请随机采样过程保证了随机性，从而就算不剪枝，也不会出现过拟合的情况。同时提高伪距、载波相位、多普勒频率和载噪比的特征提取比例，以有效利用信号特征实现模型的训练，提高模型分类结果的准确度。

参见图2，图2示出了本申请实施例提供的一种干扰信号的识别方法的流程示意图。本申请实施例中下述的识别方法可应用于计算机设备，计算机设备包括但不限于智能手机、平板电脑、桌上型计算机、超级计算机、个人数字助理、物理服务器和云服务器等计算机设备。可以理解的是，实现识别方法的计算机设备于与实现训练方法的计算机设备可以相同，也可以不同。本申请实施例的干扰信号的识别方法，包括步骤S201至S203，详述如下：

步骤S201，获取GNSS信号；

步骤S202，提取所述GNSS信号的信号特征，所述信号特征包括伪距、载波相位、多普勒频率和载噪比；

步骤S203，基于预设的干扰信号识别模型，对所述信号特征进行分类识别，得到所述GNSS信号的信号类型，所述信号类型包括真实信号或干扰信号，所述干扰信号识别模型基于图1所示实施例的训练方法训练得到。

在步骤S201至步骤S203中，通过利用干扰信号识别模型，对GNSS信号的伪距、载波相位、多普勒频率和载噪比进行分类识别，实现多维特征的分类，相比单一特征的识别方法，更具有可靠性和准确性。

在一实施例中，在图2所示实施例的基础上，上述步骤S203，具体包括：

基于所述干扰信号识别模型的多个决策树，对所述信号特征进行分类识别，得到多个分类值；

计算多个所述分类值的均值；

根据所述均值，确定所述GNSS信号的信号类型。

在本实施例中，示例性地，假设决策树个数为101，60个决策树输出的分类值为1，41个决策树输出的分类值为0(1表示干扰信号，0表示真实信号)，则均值为0.59406>0.5，则判定为干扰信号。

为了执行上述方法实施例对应的训练方法，以实现相应的功能和技术效果，图3示出了本申请实施例提供的一种干扰信号识别模型的训练装置的结构框图。为了便于说明，仅示出了与本实施例相关的部分，本申请实施例提供的训练装置，包括：

第一获取模块301，用于获取GNSS信号训练集，所述GNSS信号训练集中的GNSS信号样本包括真实信号样本和干扰信号样本；

第一提取模块302，用于提取所述GNSS信号样本的信号特征，所述信号特征包括伪距、载波相位、多普勒频率和载噪比；

训练模块303，用于利用多个所述GNSS信号样本的信号特征，对预设的随机森林分类模型进行训练，直至预设的训练终止条件，得到干扰信号识别模型。

在一实施例中，所述第一获取模块301，包括：

第一采样单元，用于接收GNSS信号，并基于预设采样点数，对所述GNSS信号进行随机采样，得到M个所述GNSS信号样本；

第二采样单元，用于对M个所述GNSS信号样本进行有放回的重复随机采样，得到m个所述GNSS信号样本；

构建单元，用于将m个所述GNSS信号样本构建为所述GNSS信号训练集。

在一实施例中，所述第一提取模块302，包括：

提取单元，用于提取所述GNSS信号样本的N个所述特征参数；

选取单元，用于从N个所述特征参数中，选取n个所述特征参数作为所述信号特征，n个所述特征参数中至少包括伪距、载波相位、多普勒频率和载噪比。

上述的训练装置可实施上述方法实施例的训练方法。上述方法实施例中的可选项也适用于本实施例，这里不再详述。本申请实施例的其余内容可参照上述方法实施例的内容，在本实施例中，不再进行赘述。

为了执行上述方法实施例对应的识别方法，以实现相应的功能和技术效果，图4示出了本申请实施例提供的一种干扰信号的识别装置的结构框图。为了便于说明，仅示出了与本实施例相关的部分，本申请实施例提供的识别装置，包括：

第二获取模块401，用于获取GNSS信号；

第二提取模块402，用于提取所述GNSS信号的信号特征，所述信号特征包括伪距、载波相位、多普勒频率和载噪比；

识别模块403，用于基于预设的干扰信号识别模型，对所述特征参数进行分类识别，得到所述GNSS信号的信号类型，所述信号类型包括真实信号或干扰信号，所述干扰信号识别模型基于图1所示实施例的训练方法训练得到。

在一实施例中，所述识别模块，包括：

识别单元，用于基于所述干扰信号识别模型的多个决策树，对所述信号特征进行分类识别，得到多个分类值；

计算单元，用于计算多个所述分类值的均值；

确定单元，用于根据所述均值，确定所述GNSS信号的信号类型。

上述的识别装置可实施上述方法实施例的识别方法。上述方法实施例中的可选项也适用于本实施例，这里不再详述。本申请实施例的其余内容可参照上述方法实施例的内容，在本实施例中，不再进行赘述。

在本申请所提供的几个实施例中，可以理解的是，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。也应当注意的是，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。

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，本申请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执行本申请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。

以上所述的具体实施例，对本申请的目的、技术方案和有益效果进行了进一步的详细说明，应当理解，以上所述仅为本申请的具体实施例而已，并不用于限定本申请的保护范围。特别指出，对于本领域技术人员来说，凡在本申请的精神和原则之内，所做的任何修改、等同替换、改进等，均应包含在本申请的保护范围之内。

Claims (10)

1.一种干扰信号识别模型的训练方法，其特征在于，包括：

获取GNSS信号训练集，所述GNSS信号训练集中的GNSS信号样本包括真实信号样本和干扰信号样本；

提取所述GNSS信号样本的信号特征，所述信号特征包括伪距、载波相位、多普勒频率和载噪比；

利用多个所述GNSS信号样本的信号特征，对预设的随机森林分类模型进行训练，直至预设的训练终止条件，得到干扰信号识别模型。

2.如权利要求1所述的干扰信号识别模型的训练方法，其特征在于，所述获取GNSS信号训练集，包括：

接收GNSS信号，并基于预设采样点数，对所述GNSS信号进行随机采样，得到M个所述GNSS信号样本；

对M个所述GNSS信号样本进行有放回的重复随机采样，得到m个所述GNSS信号样本；

将m个所述GNSS信号样本构建为所述GNSS信号训练集。

3.如权利要求1所述的干扰信号识别模型的训练方法，其特征在于，所述提取所述GNSS信号样本的特征参数，包括：

提取所述GNSS信号样本的N个特征参数；

从N个所述特征参数中，选取n个所述特征参数作为所述信号特征，n个所述特征参数中至少包括伪距、载波相位、多普勒频率和载噪比。

4.一种干扰信号的识别方法，其特征在于，包括：

获取GNSS信号；

提取所述GNSS信号的信号特征，所述信号特征包括伪距、载波相位、多普勒频率和载噪比；

基于预设的干扰信号识别模型，对所述信号特征进行分类识别，得到所述GNSS信号的信号类型，所述信号类型包括真实信号或干扰信号，所述干扰信号识别模型基于权利要求1所述的训练方法训练得到。

5.如权利要求4所述的干扰信号的识别方法，其特征在于，所述基于预设的干扰信号识别模型，对所述信号特征进行分类识别，得到所述GNSS信号的信号类型，包括：

基于所述干扰信号识别模型的多个决策树，对所述信号特征进行分类识别，得到多个分类值；

计算多个所述分类值的均值；

根据所述均值，确定所述GNSS信号的信号类型。

6.一种干扰信号识别模型的训练装置，其特征在于，包括：

第一获取模块，用于获取GNSS信号训练集，所述GNSS信号训练集中的GNSS信号样本包括真实信号样本和干扰信号样本；

第一提取模块，用于提取所述GNSS信号样本的信号特征，所述信号特征包括伪距、载波相位、多普勒频率和载噪比；

训练模块，用于利用多个所述GNSS信号样本的信号特征，对预设的随机森林分类模型进行训练，直至预设的训练终止条件，得到干扰信号识别模型。

7.如权利要求6所述的干扰信号识别模型的训练装置，其特征在于，所述第一获取模块，包括：

第一采样单元，用于接收GNSS信号，并基于预设采样点数，对所述GNSS信号进行随机采样，得到M个所述GNSS信号样本；

第二采样单元，用于对M个所述GNSS信号样本进行有放回的重复随机采样，得到m个所述GNSS信号样本；

构建单元，用于将m个所述GNSS信号样本构建为所述GNSS信号训练集。

8.如权利要求6所述的干扰信号识别模型的训练装置，其特征在于，所述第一提取模块，包括：

提取单元，用于提取所述GNSS信号样本的N个特征参数；

选取单元，用于从N个所述特征参数中，选取n个所述特征参数作为所述信号特征，n个所述特征参数中至少包括伪距、载波相位、多普勒频率和载噪比。

9.一种干扰信号的识别装置，其特征在于，包括：

第二获取模块，用于获取GNSS信号；

第二提取模块，用于提取所述GNSS信号的信号特征，所述信号特征包括伪距、载波相位、多普勒频率和载噪比；

识别模块，用于基于预设的干扰信号识别模型，对所述特征参数进行分类识别，得到所述GNSS信号的信号类型，所述信号类型包括真实信号或干扰信号，所述干扰信号识别模型基于权利要求1所述的训练方法训练得到。

10.如权利要求9所述的干扰信号的识别装置，其特征在于，所述识别模块，包括：

识别单元，用于基于所述干扰信号识别模型的多个决策树，对所述信号特征进行分类识别，得到多个分类值；

计算单元，用于计算多个所述分类值的均值；

确定单元，用于根据所述均值，确定所述GNSS信号的信号类型。

Images