CN114201988A - 卫星导航复合干扰信号识别方法和系统 - Google Patents
卫星导航复合干扰信号识别方法和系统 Download PDFInfo
- Publication number
- CN114201988A CN114201988A CN202111423556.8A CN202111423556A CN114201988A CN 114201988 A CN114201988 A CN 114201988A CN 202111423556 A CN202111423556 A CN 202111423556A CN 114201988 A CN114201988 A CN 114201988A
- Authority
- CN
- China
- Prior art keywords
- domain
- interference signal
- neural network
- features
- inputting
- 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
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
- G06F2218/02—Preprocessing
- G06F2218/04—Denoising
-
- 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
- G06N3/044—Recurrent networks, e.g. Hopfield networks
-
- 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
-
- 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
- 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
- G06F2218/22—Source localisation; Inverse modelling
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Artificial Intelligence (AREA)
- General Engineering & Computer Science (AREA)
- General Health & Medical Sciences (AREA)
- Biomedical Technology (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- Biophysics (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- Computational Linguistics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Health & Medical Sciences (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Signal Processing (AREA)
- Image Analysis (AREA)
- Noise Elimination (AREA)
Abstract
本发明公开了一种卫星导航复合干扰信号识别方法和系统,方法包括:将待识别的复合干扰信号进行预处理,并获取所述预处理后的待识别复合干扰信号的多域特征;将获取的多域特征分别基于其对应的维度分别输入预先训练好的深度学习神经网络模型,一维序列特征输入到一维序列特征提取模块,多维序列特征输入到多维序列特征提取模块,然后分别对不同维度的域特征进行提取;将提取出的不同维度的域特征输入预先训练好的深度学习神经网络模型的特征融合层和全连接层中,得到所述复合干扰信号的分类识别结果。本发明能够达到更好的复合干扰信号识别效果。
Description
技术领域
本发明涉及卫星导航信号处理领域,尤其涉及卫星导航复合干扰信号识别方法和系统。
背景技术
北斗系统的导航卫星位于万米高空,卫星信号经过长距离的传播到达地面时,信号功率已经十分微弱,只要在卫星信号所在的频段稍加干扰,就会影响导航信号接收机的正常运行,因此需要对卫星导航系统中各种接收机复杂的电磁环境进行监测,卫星导航干扰监测技术主要包括干扰源的测向定位技术、干扰检测与告警技术、干扰信号频谱特征提取及干扰类型识别技术。
干扰信号的特征不外乎就是从信号的时域、频域、和时频域等这些方面去提取出来的。Demirkiran等人利用短时傅里叶变换的方法来进行特征提取,对单音干扰、多音干扰、线性调频干扰进行分类识别。杨小明等人从Welch周期图法和分数阶傅里叶变换域上提取特征对直接序列扩频系统中的干扰信号进行识别。分类算法一般是在特征提取的前提下进行的算法,大部分算法都是用已有的常用的传统的机器学习的分类算法如支持向量机、决策树、BP神经网络。Angelov等人研究了无监督的学习,用聚类分析在3G网络上行链路的干扰信号进行分类识别。
综合上述研究现状,干扰信号识别的大部分研究集中在不同通信系统的不同干扰信号的特征提取上,对分类算法的研究比较少,这也表明了基于特征提取的干扰识别这类方法中特征提取的重要性。对于卷积神经网络这类通用性的干扰信号分类算法,还有较大的研究空间。
目前针对北斗导航中的干扰信号的识别大多是对单一干扰信号的识别,然而实际中导航卫星接收端接收的信号大多是卫星信号、噪声和多种干扰信号交织的混合信号,对混合信号中的混合干扰的识别有助于针对性的实施干扰抑制。传统的针对混合信号的识别流程主要是先用盲源信号分离法将混合信号分离成独立的信号,再将分离后的信号放入分类器进行分类,但是这种分离方法往往要求接收信号之间相互独立,并不十分实用。
因此,针对卫星导航中的复杂多变的复合干扰信号设计一种快速且精准的分类识别器尤为重要。
发明内容
本发明旨在至少在一定程度上解决相关技术中的技术问题之一。
为此,本发明的目的在于解决针对卫星导航复合干扰信号的快速精准识别问题,提出了一种卫星导航复合干扰信号识别方法和系统。
为达上述目的,本发明第一方面提出了一种卫星导航复合干扰信号识别方法,所述方法包括:
将待识别的复合干扰信号进行预处理,并获取所述预处理后的待识别复合干扰信号的多域特征;
将获取的多域特征分别基于其对应的维度分别输入预先训练好的深度学习神经网络模型,一维序列特征输入到一维序列特征提取模块,多维序列特征输入到多维序列特征提取模块,然后分别对不同维度的域特征进行提取;
将提取出的不同维度的域特征输入预先训练好的深度学习神经网络模型的特征融合层和全连接层中,得到所述复合干扰信号的分类识别结果。
本发明实施例的卫星导航复合干扰信号识别方法,将复合干扰信号进行预处理,提取信号的多域特征,分别输入预先训练好的深度学习神经网络,输出对复合干扰信号的分类识别结果。本发明提高了卫星导航复合干扰信号的分类识别精度,且计算过程简单、方便、快捷。
另外,根据本发明上述实施例的卫星导航复合干扰信号识别方法还可以具有以下附加的技术特征:
优选的,所述将待识别的复合干扰信号进行预处理,包括:
将待识别的复合干扰信号进行绝对值处理、归一化处理、滤波去噪和信号下变频处理。
优选的,所述多域包括:时域、频域、时频域和空域特征。
进一步的,所述将获取的多域特征分别基于其对应的维度分别输入预先训练好的深度学习神经网络模型前还包括:
将获取的所述待识别复合干扰信号的时域和频域特征分别输入所述预先训练好的深度学习神经网络模型的LSTM层中,分别学习得到所述待识别复合干扰信号的时域和频域特征信息;
将所述学习得到的所述待识别复合干扰信号的时域和频域特征信息分别输入预先训练好的深度学习神经网络模型的Attention层中,对学习得到所述信号的时域和频域特征信息分配对应的注意力权重,得到分配注意力权重后的时域和频域一维序列特征;
其中,所述预先训练好的深度学习神经网络模型包括:LSTM层、Attention层、一维序列特征提取模块与多维序列特征提取模块、特征融合层和全连接层;
所述预先训练好的深度学习神经网络模型是基于获取历史时段内复合干扰信号的多域特征对初始深度学习神经网络进行训练得到的。
进一步的,所述将获取的多域特征分别基于其对应的维度分别输入预先训练好的深度学习神经网络模型,一维序列特征输入到一维序列特征提取模块,多维序列特征输入到多维序列特征提取模块,然后分别对不同维度的域特征进行提取,包括:
将所述分配注意力权重后的时域和频域一维序列特征分别输入预先建立的深度学习神经网络模型的一维序列特征提取模块中,提取出注意力权重大于预设的权重阈值的时域和频域特征;
将获取的所述待识别复合干扰信号的时频域和空域多维序列特征分别输入预先训练好的深度学习神经网络模型的多维序列特征提取模块中,获得对时频域和空域特征进行下采样的时频域和空域特征。
进一步的,所述将提取出的不同维度的域特征输入预先训练好的深度学习神经网络模型的特征融合层和全连接层中,得到所述复合干扰信号的分类识别结果,包括:
将得到的注意力权重大于预设的权重阈值的时域和频域特征及所述下采样的时频域和空域特征输入预先训练好的深度学习神经网络模型的特征融合层进行特征融合;
将所述融合后的特征数据输入预先训练好的深度学习神经网络模型的全连接层,得到所述待识别复合干扰信号的分类识别结果。
优选的,所述预先训练好的深度学习神经网络模型的训练过程包括:
获取预处理后的历史时段内复合干扰信号的多域特征,其中所述多域特征包括:时域、频域、时频域和空域特征;
将所述预处理后的历史时段内复合干扰信号的时域、频域分别依次输入初始的深度学习神经网络模型中,将交叉熵作为模型的损失函数,用自适应矩阵估计Adam优化算法对所述模型进行训练,得到训练好的深度学习神经网络模型。
优选的,所述一维序列特征提取模块或多维序列特征提取模块,包括:递归神经网络和卷积神经网络。
为达到上述目的,本发明第二方面提出了一种卫星导航复合干扰信号识别系统,包括:
获取模块,用于将待识别的复合干扰信号进行预处理,并获取所述预处理后的待识别复合干扰信号的多域特征;
提取模块,用于将获取的多域特征分别基于其对应的维度分别输入预先训练好的深度学习神经网络模型,一维序列特征输入到一维序列特征提取模块,多维序列特征输入到多维序列特征提取模块,然后分别对不同维度的域特征进行提取;
识别模块,用于将提取出的不同维度的域特征输入预先训练好的深度学习神经网络模型的特征融合层和全连接层中,得到所述复合干扰信号的分类识别结果。
本发明实施例的卫星导航复合干扰信号识别系统,将复合干扰信号进行预处理,提取信号的时域特征、频域特征、时频域特征和空域特征,分别输入预先训练好的深度学习神经网络,输出对复合干扰信号的分类识别结果。本发明提高了卫星导航复合干扰信号的分类识别精度,且计算过程简单、方便、快捷。
为达上述目的,本发明第三方面提供一种电子设备,包括:
存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序,处理器执行所述程序时,实现如上述第一或第二方面中任一项所述的方法。
本发明的有益效果:
本发明提高了卫星导航复合干扰信号的分类识别精度,且计算过程简单、方便、快捷。
本发明附加的方面和优点将在下面的描述中部分给出,部分将从下面的描述中变得明显,或通过本发明的实践了解到。
附图说明
本发明上述的和/或附加的方面和优点从下面结合附图对实施例的描述中将变得明显和容易理解,其中:
图1为根据本发明实施例的卫星导航复合干扰信号识别方法的流程图;
图2为根据本发明实施例1的基于卷积神经网络和长短时记忆网络对卫星导航复合干扰信号识别方法的流程图;
图3为根据本发明实施例2的基于卷积神经网络和长短时记忆网络针对复杂的干扰信号识别方法的流程图;
图4为根据本发明实施例的卫星导航复合干扰信号识别系统的结构示意图;
图5为根据本发明实施例的电子设备的结构示意图。
具体实施方式
需要说明的是,在不冲突的情况下,本申请中的实施例及实施例中的特征可以相互组合。下面将参考附图并结合实施例来详细说明本发明。
为了使本技术领域的人员更好地理解本发明方案,下面将结合本发明实施例中的附图,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的实施例,而不是全部的实施例。基于本发明中的实施例,本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例,都应当属于本发明保护的范围。
下面参照附图描述根据本发明实施例提出的卫星导航复合干扰信号识别方法及系统,首先将参照附图描述根据本发明实施例提出的卫星导航复合干扰信号识别方法。
图1是本发明实施例的卫星导航复合干扰信号识别方法的流程图。
如图1所示,该卫星导航复合干扰信号识别方法包括以下步骤:
步骤1:将待识别的复合干扰信号进行预处理,并获取所述预处理后的待识别复合干扰信号的多域特征;
步骤2:将获取的多域特征分别基于其对应的维度分别输入预先训练好的深度学习神经网络模型,一维序列特征输入到一维序列特征提取模块,多维序列特征输入到多维序列特征提取模块,然后分别对不同维度的域特征进行提取;
步骤3:将提取出的不同维度的域特征输入预先训练好的深度学习神经网络模型的特征融合层和全连接层中,得到所述复合干扰信号的分类识别结果;
需要说明的是,所述预先训练好的深度学习神经网络模型包括:LSTM层、Attention层、一维序列特征提取模块及多维序列特征提取模块、特征融合层和全连接层;
所述预先训练好的深度学习神经网络模型是基于获取历史时段内复合干扰信号的多域特征对初始深度学习神经网络进行训练得到的。
本发明实施例的卫星导航复合干扰信号识别方法,将复合干扰信号进行预处理,提取信号的时域特征、频域特征、时频域特征和空域特征,分别输入预先训练好的深度学习神经网络,输出对复合干扰信号的分类识别结果。本发明提高了卫星导航复合干扰信号的分类识别精度,且计算过程简单、方便、快捷。
图2是本发明实施例1的基于卷积神经网络和长短时记忆网络对卫星导航复合干扰信号识别方法的流程图。
如图2所示,该基于卷积神经网络和长短时记忆网络对卫星导航复合干扰信号识别方法包括:
(1)将要送入网络输入层的信号时域序列进行预处理,以保证与训练网络所使用的数据约束条件相同。
也就是说,为了消除信号强度对信号识别的影响,首先将复基带信号进行功率归一化处理,又由于干扰信号是复信号,在预处理阶段将信号进行绝对值处理后作为网络模型的输入。
(2)对预处理后的信号分别进行时域、频域、时频域、空域的特征提取,并将参数分别输入神经网络。
具体地,参数分别输入神经网络,包括:
由于信号的时域特征和频域特征由于是1维特征向量,要先通过LSTM层,而时频域特征和空域特征由于是2维特征向量,无需通过LSTM层,可直接通过相应的卷积神经网络。
(3)构建LSTM网络层,负责接收样本数据并从样本数据中学习干扰信号的特征信息。
具体地,LSTM是一种特殊的循环神经网络,解决了传统RNN的梯度消失的问题,通过遗忘门可以减弱历史信息中的噪声干扰,通过输入门可以选择历史信息中重要的部分,遗忘门和输入门决定了当前神经网络层的状态信息,输出门决定了哪些信息将作为输出。而单纯的卷积神经网络并不能有效的分析时序信号的特征和历史信息。
也就是说,在卷积神经网络前嵌入LSTM网络,LSTM会将学习到的重要特征保存为长期记忆,并根据学习的进行选择性的保留、更新或遗忘已保存的长期记忆,而在多次迭代中权重始终很小的特征便会被视为短期记忆而被遗忘,这种机制使得重要的特征随着迭代次数的增加而传递,使得网络在处理长时间依赖序列的分类问题上性能表现良好。因此,加入LSTM网络能将干扰信号识别的准确率得到提升。
(4)构建注意力机制Attention层,注意力机制层的输入就是LSTM的输出,负责对LSTM层中学习到的特征去分配相应的注意力权重。
具体地,Attention机制借助了人脑识别事物的特点,专注于事物的显著性特征,而忽略其他不重要的细节,将有限的精力和资源放在重要的位置以提高工作效率。
也就是说,利用Attention机制为经过LSTM提取的特征向量分配注意力权重,将那些较为显著的特征集合进行高度总结后再输入卷积神经网络进而产生分类结果。Attention机制的引入可以使模型在训练时始终关注那些较为显著的特征,不仅可以降低训练时的参数从而提升训练效率,还能提升模型的分类准确率。
(5)构建多层卷积神经网络模型,包括多个卷积层,每个卷积层后都有归一化层和池化层,激活函数都设定为ReLU函数,时域特征和频域特征在经过LSTM层和Attention后通过卷积神经网络构建2维特征向量,时频域特征和空域特征直接通过相应的卷积神经网络进行下采样。
(6)使用通道注意力机制的方法将信号的4种特征进行融合,并使用卷积层对通道进行压缩。
需要说明的是,将特征进行融合能够实现特征互补的效果,能有效地提高信号识别的准确率,而将通道进行压缩能够更加有效的计算通道注意力,对空间信息的聚合通常使用平均池化或最大池化的方法。
(7)最后的输出层是Softmax全连接层,能将分类结果进行有效的输出。
具体地,将分类结果进行有效输出,包括:
利用训练集对构建的卷积神经网络进行优化训练直到损失函数的误差小于设定值,输出对复合干扰信号的分类识别结果。使用80%的样本数据集去训练构建的复杂的深度学习神经网络,不断的调整网络的参数,使用20%的样本数据集去测试神经网络的识别准确率,继续调整网络参数;训练模型时使用的是交叉熵损失函数,优化器采用AdamOptimizer。
需要说明的是,卷积神经网络经过多次的卷积、池化等操作来前向传播,并通过误差反向传播的方式来训练网络,卷积神经网络对于有规则的结构性数据,有很强的特征提取能力,但是对时间序列变化的特征提取能力偏弱,因此在信号的时域特征和频域特征进入卷积神经网络前需要经过LSTM网络和Attention层,先形成对干扰信号特征的有效提取,最终与下采样后的时频域特征和空域特征进行特征融合,再通过卷积层及Softmax全连接层实现分类,进而形成干扰信号识别的整体模型。
需要说明的是,使用ReLU激活函数来加入非线性因素,具备适度的稀疏性,加速网络的收敛,并且减少了参数的相互依存关系,避免模型的过拟合问题,从而提高模型的泛化能力
需要说明的是,全连接层将得到的特征向量经过Softmax分类器归一化产生分类概率并将其输出。
图3是本发明实施例2的基于卷积神经网络和长短时记忆网络针对复杂的干扰信号识别方法的流程图。
该基于卷积神经网络和长短时记忆网络针对复杂的干扰信号识别方法,包括:
生成训练和测试所需数据集,生成单个干扰信号和不同干扰信号叠加的信号。单个干扰信号有如下6种:单音干扰、多音干扰、扫频干扰、脉冲干扰、宽频带干扰和部分带干扰;两类干扰信号叠加的组合情况有种;三类干扰信号叠加的组合情况有种;四类干扰信号叠加的情况有种,所以构建的深度学习神经网络要识别6+15+20+15=56种类别的复杂的干扰信号。
设置接收端收到的信号长度是1x1024,即接收端的一位信号采样点数为1024,取干噪比(JNR)为-5dB~14dB的干扰信号作为接收信号,JNR间隔为1dB,取值情况有20种,对每个混合信号的对应的每个JNR的值都生成100个样本,则每种混合信号都有2000个样本,将数据集随机打乱,其中80%作为训练集,所以训练集样本的数据大小为56*2000*0.8=89600,20%作为测试集,测试集样本的数据大小为56*2000*0.2=22400。
如图3所示,对数据集进行4个维度的特征提取并输入相应的神经网络中,其中一维的时域特征和频域特征先通过LSTM层,网络结构中LSTM层负责接收样本数据并学习样本的特征信息,神经元个数为128个,采用L2正则化,L2范数设定为0.001,同时设定LSTM网络为双向网络;
Attention层负责对从LSTM层学到的特征集合去分配注意力权重,采用sigmoid函数,评分函数为乘积矩阵;
一维特征向量时域特征和频域特征经过LSTM和注意力机制处理后,通过的卷积神经网络结构如下:第一层的卷积核数量是32个,卷积核大小是1*10;将一维向量resize成二维张量后输入第二层,第二层的卷积核数量是32个,卷积核大小是3*3;第三层的卷积核数量是64个,卷积核大小是5*5;
二维特征向量时频域特征和空域特征经过的卷积神经网络结构如下:第一层的卷积核数量是32个,卷积核大小是3*3;第二层的卷积核数量是64个,卷积核大小是5*5。
将通过卷积神经网络的4种特征向量通过通道注意力机制的方法进行特征融合,然后使用卷积核对通道进行压缩,能够更加有效的计算通道注意力。
最后输入到Softmax全连接层,卷积核数量是56,表示识别的干扰信号类别,实现对复合干扰信号的分类。
具体地,神经网络训练过程,包括:
初始化模型中的超参数,学习率设定为0.0001;将训练集中的89600个样本用大小为256的batch进行切分;随机选取一个batch送入神经网络进行训练;LSTM层对输入网络的batch中的数据进行特征提取;再由Attention层为提取到的特征设置注意力权重;进而输入卷积神经网络进行卷积和池化;最后通过Softmax层输出识别结果;使用训练集去训练构建复杂的神经网络,并不断的调整网络的参数,使用测试集去测试神经网络的识别准确率,并继续调整网络参数。
为了实现上述实施例,如图4所示,本实施例中还提供了一种卫星导航复合干扰信号识别系统10,该系统10包括:获取模块100,提取模块200,识别模块300。
获取模块100,用于将待识别的复合干扰信号进行预处理,并获取所述预处理后的待识别复合干扰信号的多域特征;
提取模块200,用于将获取的多域特征分别基于其对应的维度分别输入预先训练好的深度学习神经网络模型,一维序列特征输入到一维序列特征提取模块,多维序列特征输入到多维序列特征提取模块,然后分别对不同维度的域特征进行提取;
识别模块300,用于将提取出的不同维度的域特征输入预先训练好的深度学习神经网络模型的特征融合层和全连接层中,得到所述复合干扰信号的分类识别结果;
其中,所述预先训练好的深度学习神经网络模型包括:LSTM层、Attention层、一维序列特征提取模块与多维序列特征提取模块、特征融合层和全连接层;
所述预先训练好的深度学习神经网络模型是基于获取历史时段内复合干扰信号的多域特征对初始深度学习神经网络进行训练得到的。
本发明实施例的卫星导航复合干扰信号识别系统,将复合干扰信号进行预处理,提取信号的时域特征、频域特征、时频域特征和空域特征,分别输入预先训练好的深度学习神经网络,输出对复合干扰信号的分类识别结果。本发明提高了卫星导航复合干扰信号的分类识别精度,且计算过程简单、方便、快捷。
在本公开实施例中,所述将待识别的复合干扰信号进行预处理,包括:
将待识别的复合干扰信号进行绝对值处理、归一化处理、滤波去噪和信号下变频处理。
在本公开实施例中,所述多域包括:时域、频域、时频域和空域特征。
在本公开实施例中,所述将获取的多域特征分别基于其对应的维度分别输入预先训练好的深度学习神经网络模型前还包括:
将获取的所述待识别复合干扰信号的时域和频域特征分别输入所述预先训练好的深度学习神经网络模型的LSTM层中,分别学习得到所述待识别复合干扰信号的时域和频域特征信息;
将所述学习得到的所述待识别复合干扰信号的时域和频域特征信息分别输入预先训练好的深度学习神经网络模型的Attention层中,对学习得到所述信号的时域和频域特征信息分配对应的注意力权重,得到分配注意力权重后的时域和频域一维序列特征;
其中,所述预先训练好的深度学习神经网络模型包括:LSTM层、Attention层、一维序列特征提取模块与多维序列特征提取模块、特征融合层和全连接层;
所述预先训练好的深度学习神经网络模型是基于获取历史时段内复合干扰信号的多域特征对初始深度学习神经网络进行训练得到的。
进一步的,所述提取模块200,包括:
第一提取单元,用于将所述分配注意力权重后的时域和频域一维序列特征分别输入预先建立的深度学习神经网络模型的一维序列特征提取模块中,提取出注意力权重大于预设的权重阈值的时域和频域特征;
第二提取单元,用于将获取的所述待识别复合干扰信号的时频域和空域多维序列特征分别输入预先训练好的深度学习神经网络模型的多维序列特征提取模块中,获得对时频域和空域特征进行下采样的时频域和空域特征。
在本公开实施例中,所述识别模块300,包括:
融合单元,用于将得到的注意力权重大于预设的权重阈值的时域和频域特征及所述下采样的时频域和空域特征输入预先训练好的深度学习神经网络模型的特征融合层进行特征融合;
识别单元,用于将所述融合后的特征数据输入预先训练好的深度学习神经网络模型的全连接层,得到所述待识别复合干扰信号的分类识别结果。
在本公开实施例中,所述预先训练好的深度学习神经网络模型的训练过程包括:
获取预处理后的历史时段内复合干扰信号的多域特征,其中所述多域特征包括:时域、频域、时频域和空域特征;
将所述预处理后的历史时段内复合干扰信号的时域、频域分别依次输入初始的深度学习神经网络模型中,将交叉熵作为模型的损失函数,用自适应矩阵估计Adam优化算法对所述模型进行训练,得到训练好的深度学习神经网络模型。
需要说明的是,所述一维序列特征提取模块或多维序列特征提取模块,包括:递归神经网络和卷积神经网络。
需要说明的是,前述对卫星导航复合干扰信号识别方法实施例的解释说明也适用于该实施例的卫星导航复合干扰信号识别系统,此处不再赘述。
图5为本发明实施例提供的一种电子设备1000的结构示意图。
如图5所示,该电子设备1000包括:处理器1001,存储器1002和通信接口1003。通信接口1003用于实现和外部设备的数据交换,处理器1001可以调用存储器1002中存储的计算机程序,以实现:
将待识别的复合干扰信号进行预处理,并获取所述预处理后的待识别复合干扰信号的多域特征;
将获取的多域特征分别基于其对应的维度分别输入预先训练好的深度学习神经网络模型,一维序列特征输入到一维序列特征提取模块,多维序列特征输入到多维序列特征提取模块,然后分别对不同维度的域特征进行提取;
将提取出的不同维度的域特征输入预先训练好的深度学习神经网络模型的特征融合层和全连接层中,得到所述复合干扰信号的分类识别结果。
应该理解的是,本申请实施例中所描述的电子设备1000可执行前文图1到图3所对应实施例中对卫星导航复合干扰信号识别方法的描述,也可执行前文图4所对应实施例中该卫星导航复合干扰信号识别系统10的描述,在此不再赘述。另外,对采用相同方法的有益效果描述,也不再进行赘述。
此外,术语“第一”、“第二”仅用于描述目的,而不能理解为指示或暗示相对重要性或者隐含指明所指示的技术特征的数量。由此,限定有“第一”、“第二”的特征可以明示或者隐含地包括至少一个该特征。在本发明的描述中,“多个”的含义是至少两个,例如两个,三个等,除非另有明确具体的限定。
在本说明书的描述中,参考术语“一个实施例”、“一些实施例”、“示例”、“具体示例”、或“一些示例”等的描述意指结合该实施例或示例描述的具体特征、结构、材料或者特点包含于本发明的至少一个实施例或示例中。在本说明书中,对上述术语的示意性表述不必须针对的是相同的实施例或示例。而且,描述的具体特征、结构、材料或者特点可以在任一个或多个实施例或示例中以合适的方式结合。此外,在不相互矛盾的情况下,本领域的技术人员可以将本说明书中描述的不同实施例或示例以及不同实施例或示例的特征进行结合和组合。
尽管上面已经示出和描述了本发明的实施例,可以理解的是,上述实施例是示例性的,不能理解为对本发明的限制,本领域的普通技术人员在本发明的范围内可以对上述实施例进行变化、修改、替换和变型。
Claims (10)
1.一种卫星导航复合干扰信号识别方法,其特征在于,所述方法包括:
将待识别的复合干扰信号进行预处理,并获取所述预处理后的待识别复合干扰信号的多域特征;
将获取的多域特征分别基于其对应的维度分别输入预先训练好的深度学习神经网络模型,一维序列特征输入到一维序列特征提取模块,多维序列特征输入到多维序列特征提取模块,然后分别对不同维度的域特征进行提取;
将提取出的不同维度的域特征输入预先训练好的深度学习神经网络模型的特征融合层和全连接层中,得到所述复合干扰信号的分类识别结果。
2.如权利要求1所述的方法,其特征在于,所述将待识别的复合干扰信号进行预处理,包括:
将待识别的复合干扰信号进行绝对值处理、归一化处理、滤波去噪和信号下变频处理。
3.如权利要求1所述的方法,其特征在于,所述多域包括:时域、频域、时频域和空域特征。
4.如权利要求3所述的方法,其特征在于,所述将获取的多域特征分别基于其对应的维度分别输入预先训练好的深度学习神经网络模型前还包括:
将获取的所述待识别复合干扰信号的时域和频域特征分别输入所述预先训练好的深度学习神经网络模型的LSTM层中,分别学习得到所述待识别复合干扰信号的时域和频域特征信息;
将所述学习得到的所述待识别复合干扰信号的时域和频域特征信息分别输入预先训练好的深度学习神经网络模型的Attention层中,对学习得到所述信号的时域和频域特征信息分配对应的注意力权重,得到分配注意力权重后的时域和频域一维序列特征;
其中,所述预先训练好的深度学习神经网络模型包括:LSTM层、Attention层、一维序列特征提取模块与多维序列特征提取模块、特征融合层和全连接层;
所述预先训练好的深度学习神经网络模型是基于获取历史时段内复合干扰信号的多域特征对初始深度学习神经网络进行训练得到的。
5.如权利要求4所述的方法,其特征在于,所述将获取的多域特征分别基于其对应的维度分别输入预先训练好的深度学习神经网络模型,一维序列特征输入到一维序列特征提取模块,多维序列特征输入到多维序列特征提取模块,然后分别对不同维度的域特征进行提取,包括:
将所述分配注意力权重后的时域和频域一维序列特征分别输入预先建立的深度学习神经网络模型的一维序列特征提取模块中,提取出注意力权重大于预设的权重阈值的时域和频域特征;
将获取的所述待识别复合干扰信号的时频域和空域多维序列特征分别输入预先训练好的深度学习神经网络模型的多维序列特征提取模块中,获得对时频域和空域特征进行下采样的时频域和空域特征。
6.如权利要求5所述的方法,其特征在于,所述将提取出的不同维度的域特征输入预先训练好的深度学习神经网络模型的特征融合层和全连接层中,得到所述复合干扰信号的分类识别结果,包括:
将得到的注意力权重大于预设的权重阈值的时域和频域特征及所述下采样的时频域和空域特征输入预先训练好的深度学习神经网络模型的特征融合层进行特征融合;
将所述融合后的特征数据输入预先训练好的深度学习神经网络模型的全连接层,得到所述待识别复合干扰信号的分类识别结果。
7.如权利要求1所述的方法,其特征在于,所述预先训练好的深度学习神经网络模型的训练过程包括:
获取预处理后的历史时段内复合干扰信号的多域特征,其中所述多域特征包括:时域、频域、时频域和空域特征;
将所述预处理后的历史时段内复合干扰信号的时域、频域分别依次输入初始的深度学习神经网络模型中,将交叉熵作为模型的损失函数,用自适应矩阵估计Adam优化算法对所述模型进行训练,得到训练好的深度学习神经网络模型。
8.如权利要求1所述的方法,其特征在于,所述一维序列特征提取模块或多维序列特征提取模块,包括:递归神经网络和卷积神经网络。
9.一种卫星导航复合干扰信号识别系统,其特征在于,所述系统包括:
获取模块,用于将待识别的复合干扰信号进行预处理,并获取所述预处理后的待识别复合干扰信号的多域特征;
提取模块,用于将获取的多域特征分别基于其对应的维度分别输入预先训练好的深度学习神经网络模型,一维序列特征输入到一维序列特征提取模块,多维序列特征输入到多维序列特征提取模块,然后分别对不同维度的域特征进行提取;
识别模块,用于将提取出的不同维度的域特征输入预先训练好的深度学习神经网络模型的特征融合层和全连接层中,得到所述复合干扰信号的分类识别结果。
10.一种电子设备,其特征在于,包括:存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序,所述处理器执行所述程序时,实现如权利要求1至8中任一项所述的方法。
Priority Applications (2)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111423556.8A CN114201988A (zh) | 2021-11-26 | 2021-11-26 | 卫星导航复合干扰信号识别方法和系统 |
PCT/CN2022/084693 WO2023092923A1 (zh) | 2021-11-26 | 2022-03-31 | 复合干扰信号识别方法和系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111423556.8A CN114201988A (zh) | 2021-11-26 | 2021-11-26 | 卫星导航复合干扰信号识别方法和系统 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN114201988A true CN114201988A (zh) | 2022-03-18 |
Family
ID=80649157
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202111423556.8A Pending CN114201988A (zh) | 2021-11-26 | 2021-11-26 | 卫星导航复合干扰信号识别方法和系统 |
Country Status (2)
Country | Link |
---|---|
CN (1) | CN114201988A (zh) |
WO (1) | WO2023092923A1 (zh) |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115952407A (zh) * | 2023-01-04 | 2023-04-11 | 广东工业大学 | 一种考虑卫星时序性和空域交互性的多径信号识别方法 |
WO2023092923A1 (zh) * | 2021-11-26 | 2023-06-01 | 北京理工大学 | 复合干扰信号识别方法和系统 |
CN117675112A (zh) * | 2024-02-01 | 2024-03-08 | 阳光凯讯(北京)科技股份有限公司 | 基于机器学习的通信信号处理方法、系统、设备及介质 |
Families Citing this family (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116502071B (zh) * | 2023-06-26 | 2023-11-17 | 武汉能钠智能装备技术股份有限公司 | 一种重点信号检测系统及方法 |
CN117008158A (zh) * | 2023-07-12 | 2023-11-07 | 广西科学院 | 一种基于小波包分析的北斗海上多径干扰消除方法及装置 |
CN116559794B (zh) * | 2023-07-12 | 2023-09-29 | 西安电子科技大学 | 一种双多域复数神经网络的雷达抗干扰智能决策方法 |
CN117639986A (zh) * | 2023-11-29 | 2024-03-01 | 东营市无线电监测站 | 一种应用于市域监测的基于深度学习的调频广播信号频谱监测方法及系统 |
CN117848713A (zh) * | 2024-01-05 | 2024-04-09 | 湖州槐坎南方水泥有限公司 | 布袋除尘器脉冲阀运行状态监测系统及方法 |
CN117743946B (zh) * | 2024-02-19 | 2024-04-30 | 山东大学 | 基于融合特征和组卷积ViT网络的信号类型识别方法及系统 |
CN117970012A (zh) * | 2024-04-01 | 2024-05-03 | 南京晟迅信息科技有限公司 | 电磁抗干扰试验信号监测系统 |
CN117992931B (zh) * | 2024-04-03 | 2024-06-11 | 国网冀北电力有限公司 | 一种直流信号特征库与参比信号模型建立系统及方法 |
Family Cites Families (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2014106058A (ja) * | 2012-11-26 | 2014-06-09 | Fujitsu Ltd | 探知測距装置及び干渉信号特定方法 |
CN110826630B (zh) * | 2019-11-08 | 2022-07-15 | 哈尔滨工业大学 | 基于深度卷积神经网络的雷达干扰信号特征级融合识别方法 |
CN113114400B (zh) * | 2021-04-14 | 2022-01-28 | 中南大学 | 基于时序注意力机制和lstm模型的信号频谱空洞感知方法 |
CN114201988A (zh) * | 2021-11-26 | 2022-03-18 | 北京理工大学 | 卫星导航复合干扰信号识别方法和系统 |
-
2021
- 2021-11-26 CN CN202111423556.8A patent/CN114201988A/zh active Pending
-
2022
- 2022-03-31 WO PCT/CN2022/084693 patent/WO2023092923A1/zh unknown
Cited By (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2023092923A1 (zh) * | 2021-11-26 | 2023-06-01 | 北京理工大学 | 复合干扰信号识别方法和系统 |
CN115952407A (zh) * | 2023-01-04 | 2023-04-11 | 广东工业大学 | 一种考虑卫星时序性和空域交互性的多径信号识别方法 |
CN115952407B (zh) * | 2023-01-04 | 2024-01-30 | 广东工业大学 | 一种考虑卫星时序性和空域交互性的多径信号识别方法 |
CN117675112A (zh) * | 2024-02-01 | 2024-03-08 | 阳光凯讯(北京)科技股份有限公司 | 基于机器学习的通信信号处理方法、系统、设备及介质 |
CN117675112B (zh) * | 2024-02-01 | 2024-05-03 | 阳光凯讯(北京)科技股份有限公司 | 基于机器学习的通信信号处理方法、系统、设备及介质 |
Also Published As
Publication number | Publication date |
---|---|
WO2023092923A1 (zh) | 2023-06-01 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN114201988A (zh) | 卫星导航复合干扰信号识别方法和系统 | |
CN109389058B (zh) | 海杂波与噪声信号分类方法及系统 | |
CN109884419B (zh) | 一种智慧电网电能质量在线故障诊断方法 | |
CN107316013A (zh) | 基于nsct变换和dcnn的高光谱图像分类方法 | |
WO2001027874A1 (en) | Unsupervised adaptation and classification of multi-source data using a generalized gaussian mixture model | |
CN114359738B (zh) | 一种跨场景鲁棒的室内人数无线检测方法及系统 | |
CN105117736B (zh) | 基于稀疏深度堆栈网络的极化sar图像分类方法 | |
CN112749633B (zh) | 分离与重构的个体辐射源识别方法 | |
CN115964670B (zh) | 一种频谱异常检测方法 | |
CN116866129A (zh) | 一种无线通信信号检测方法 | |
CN111144566A (zh) | 神经网络权重参数的训练方法、特征分类方法及对应装置 | |
Shen et al. | Node identification in wireless network based on convolutional neural network | |
CN116127298B (zh) | 基于三元组损失的小样本射频指纹识别方法 | |
CN114239657A (zh) | 一种基于复值干涉神经网络的时序信号识别方法 | |
Konan et al. | Machine learning techniques to detect and characterise whistler radio waves | |
CN109472239B (zh) | 一种跳频电台个体识别方法 | |
CN109728863A (zh) | 人员活动持续时间估计方法、装置和终端设备 | |
CN113780522A (zh) | 基于深度神经网络的托卡马克等离子体大破裂预测算法 | |
Bakrania et al. | Using dimensionality reduction and clustering techniques to classify space plasma regimes | |
CN116482618A (zh) | 基于多损失特征自校准网络的雷达有源干扰识别方法 | |
CN114970638A (zh) | 雷达辐射源个体开集识别方法及系统 | |
CN113688655B (zh) | 干扰信号的识别方法、装置、计算机设备和存储介质 | |
Zhou et al. | A Specific Emitter Identification Method Based on RF-DNA and XGBoost | |
CN109543642B (zh) | 一种基于深度卷积神经网络的特征分级脑电波识别分析方法 | |
Kuc | Artificial neural network classification of foliage targets from spectrograms of sequential echoes using a biomimetic audible sonar |
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 |