CN117269992B - 基于卷积神经网络的卫星导航多径信号检测方法及系统 - Google Patents

基于卷积神经网络的卫星导航多径信号检测方法及系统 Download PDF

Info

Publication number
CN117269992B
CN117269992B CN202311099155.0A CN202311099155A CN117269992B CN 117269992 B CN117269992 B CN 117269992B CN 202311099155 A CN202311099155 A CN 202311099155A CN 117269992 B CN117269992 B CN 117269992B
Authority
CN
China
Prior art keywords
satellite navigation
full
neural network
convolution
layer
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
Application number
CN202311099155.0A
Other languages
English (en)
Other versions
CN117269992A (zh
Inventor
郭婧
王尔申
许玉斌
王旭辉
何奕霖
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Shenyang Aerospace University
China Academy of Civil Aviation Science and Technology
Original Assignee
Shenyang Aerospace University
China Academy of Civil Aviation Science and Technology
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Shenyang Aerospace University, China Academy of Civil Aviation Science and Technology filed Critical Shenyang Aerospace University
Priority to CN202311099155.0A priority Critical patent/CN117269992B/zh
Publication of CN117269992A publication Critical patent/CN117269992A/zh
Application granted granted Critical
Publication of CN117269992B publication Critical patent/CN117269992B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Classifications

    • 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
    • G01S19/22—Multipath-related issues
    • 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
    • G01S19/23—Testing, monitoring, correcting or calibrating of receiver elements
    • 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
    • G01S19/35—Constructional details or hardware or software details of the signal processing chain
    • G01S19/37—Hardware or software details of the signal processing chain
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
    • G06F18/213—Feature extraction, e.g. by transforming the feature space; Summarisation; Mappings, e.g. subspace methods
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/24—Classification techniques
    • G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
    • G06F18/2415—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on parametric or probabilistic models, e.g. based on likelihood ratio or false acceptance rate versus a false rejection rate
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/24—Classification techniques
    • G06F18/243—Classification techniques relating to the number of classes
    • 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
    • G06N3/0464—Convolutional networks [CNN, ConvNet]
    • 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
    • G06N3/048—Activation functions
    • 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
    • G06N3/08—Learning methods
    • G06N3/084—Backpropagation, e.g. using gradient descent
    • 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
    • G06N3/08—Learning methods
    • G06N3/0985—Hyperparameter optimisation; Meta-learning; Learning-to-learn
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
    • G06V10/764—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using classification, e.g. of video objects
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
    • G06V10/77—Processing image or video features in feature spaces; using data integration or data reduction, e.g. principal component analysis [PCA] or independent component analysis [ICA] or self-organising maps [SOM]; Blind source separation
    • G06V10/7715—Feature extraction, e.g. by transforming the feature space, e.g. multi-dimensional scaling [MDS]; Mappings, e.g. subspace methods
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
    • G06V10/82—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using neural 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
    • Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
    • Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
    • Y02D—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN INFORMATION AND COMMUNICATION TECHNOLOGIES [ICT], I.E. INFORMATION AND COMMUNICATION TECHNOLOGIES AIMING AT THE REDUCTION OF THEIR OWN ENERGY USE
    • Y02D30/00—Reducing energy consumption in communication networks
    • Y02D30/70—Reducing energy consumption in communication networks in wireless communication networks

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Evolutionary Computation (AREA)
  • Artificial Intelligence (AREA)
  • Data Mining & Analysis (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Computing Systems (AREA)
  • Health & Medical Sciences (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Software Systems (AREA)
  • General Engineering & Computer Science (AREA)
  • General Health & Medical Sciences (AREA)
  • Radar, Positioning & Navigation (AREA)
  • Remote Sensing (AREA)
  • Biophysics (AREA)
  • Biomedical Technology (AREA)
  • Computational Linguistics (AREA)
  • Mathematical Physics (AREA)
  • Molecular Biology (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Computer Networks & Wireless Communication (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Evolutionary Biology (AREA)
  • Databases & Information Systems (AREA)
  • Medical Informatics (AREA)
  • Multimedia (AREA)
  • Signal Processing (AREA)
  • Probability & Statistics with Applications (AREA)
  • Position Fixing By Use Of Radio Waves (AREA)

Abstract

本发明公开了一种基于卷积神经网络的卫星导航多径信号检测方法及系统，其方法包括：接收卫星导航信号并经过下变频和软件接收机处理输出得到同向I支路数据和正交Q支路数据；构建卫星导航多径信号卷积神经网络模型并进行模型训练，卫星导航多径信号卷积神经网络模型包括特征提取模块和卷积神经网络模型，卷积神经网络模型包括N个卷积模块和两个全连接层，两个全连接层包括第一全连接层和第二全连接层，卷积模块包括一个卷积层、一个归一化处理层和一个池化层，第二全连接层使用Sigmoid激活函数输出卫星导航多径信号预测结果。本发明能够逐段进行识别检测与预警显示，具有检测效率高、识别准确性高、鲁棒性强等优点。

Description

基于卷积神经网络的卫星导航多径信号检测方法及系统
技术领域
本发明涉及卫星导航信号质量检测领域，尤其涉及一种基于卷积神经网络的卫星导航多径信号检测方法及系统。
背景技术
由于在实际的情况下，受到卫星星体、空间传播和地表因素等综合影响，会导致接收机接收到多个路径的卫星导航信号，这种包含多个路径的卫星导航信号称为卫星导航多径信号，卫星导航多径信号(如图2的信号片段)与卫星导航视距信号(未受到卫星星体、空间传播和地表因素等综合影响的卫星导航信号，如图1的信号片段)在相位、幅度以及能量上存在一定的差异。卫星导航多径信号会导致接收到的卫星信号产生削弱(可能存在共振加强)、延迟等情况，由此产生了多径效应，从而影响了接收信号的稳定性和可靠性。如果不对多径信号进行识别与分析，就会影响卫星导航信号后续使用的可靠性。现有卫星导航多径信号检测方法是使用外部传感器设备或信息来实现的，使用全景相机或鱼眼相机来获得周围环境的天际线，通过对比卫星的高度角和方位角来识别并判断卫星导航多径信号，其识别效率较低、判断准确度不高；然而，该方法存在成本高、部署复杂等问题，严重限制了其推广使用。
发明内容
本发明的目的在于解决背景技术所指出的技术问题，提供一种基于卷积神经网络的卫星导航多径信号检测方法、系统、电子设备及存储介质，对软件接收机处理的I支路、Q支路进行三个特征提取，通过卷积神经网络模型进行特征处理及全连接处理并使用Sigmoid激活函数输出卫星导航信号存在多径信号概率的预测结果。
本发明的目的通过下述技术方案实现：
一种基于卷积神经网络的卫星导航多径信号检测方法，其方法包括：
A1、接收卫星导航信号，将接收到的卫星导航信号经过下变频和软件接收机处理输出得到同向I支路数据和正交Q支路数据；
A2、构建卫星导航多径信号卷积神经网络模型并进行模型训练，卫星导航多径信号卷积神经网络模型进行特征提取及卷积神经网络处理，卫星导航多径信号卷积神经网络模型包括特征提取模块和卷积神经网络模型，卷积神经网络模型包括N个依次串联的卷积模块和两个全连接层，两个全连接层包括第一全连接层和第二全连接层，所述卷积模块包括一个卷积层、一个归一化处理层和一个池化层，第一全连接层与最后一个卷积模块连接，第二全连接层与第一全连接层连接，第一全连接层将最后一个卷积模块输出的特征图进行特征全连接处理并输出到第二全连接层，第二全连接层使用Sigmoid激活函数输出卫星导航多径信号对应的预测结果。
一种基于卷积神经网络的卫星导航多径信号检测方法，其方法包括：
S1、接收卫星导航信号，将接收到的卫星导航信号经过下变频和软件接收机处理输出得到同向I支路数据和正交Q支路数据；同向I支路数据包括I支路信号数据，正交Q支路数据包括Q支路信号数据；
其中I表示I支路信号数据，Q表示Q支路信号数据；D(t)表示导航电文数据比特，Ti表示相干积分时间，C(t)表示卫星的伪随机噪声码序列，τ表示传播延迟，Δf表示由卫星运动产生的多普勒频移，θr表示载波相位，ni(t)和nq(t)分别表示I支路和Q支路的加性高斯白噪声，表示传播延迟τ的估计量，/>表示载波相位θr的估计量，/>表示多普勒频移Δf的估计量；
S2、构建卫星导航多径信号卷积神经网络模型，卫星导航多径信号卷积神经网络模型包括特征提取模块和卷积神经网络模型；卫星导航多径信号卷积神经网络模型的特征提取模块对同向I支路数据和正交Q支路数据进行特征提取，特征包括超前减滞后特征项、频率差值特征项和信号强度特征项，超前减滞后特征项为频率差值特征项为信号强度特征项为I支路信号数据、Q支路信号数据峰值的平方和；
卫星导航多径信号卷积神经网络模型的卷积神经网络模型包括N个依次串联的卷积模块和两个全连接层，两个全连接层包括第一全连接层和第二全连接层，所述卷积模块包括一个卷积层、一个归一化处理层和一个池化层，第一全连接层与最后一个卷积模块连接，第二全连接层与第一全连接层连接；
卫星导航多径信号卷积神经网络模型的模型训练方法如下：
构建卫星导航信号样本数据集，卫星导航信号样本数据集中的卫星导航信号样本数据包括卫星导航信号及所对应的卫星导航多径信号标签，卫星导航多径信号标签包含是卫星导航多径信号和不是卫星导航多径信号；将卫星导航信号样本数据集中的卫星导航信号样本数据经过下变频和软件接收机处理并输入卫星导航多径信号卷积神经网络模型进行模型训练，第一全连接层将最后一个卷积模块输出的特征图进行特征全连接处理并输出到第二全连接层，第二全连接层进行第一全连接层的特征全连接处理后的特征向量与卫星导航多径信号标签之间的全连接处理；
S3、接收实时的卫星导航信号，将实时的卫星导航信号经过下变频和软件接收机处理并输入卫星导航多径信号卷积神经网络模型，卫星导航多径信号卷积神经网络模型的第二全连接层使用Sigmoid激活函数输出卫星导航多径信号对应的预测结果。
优选地，输入卷积神经网络模型的数据统一大小为40×40×2图像张量，卷积神经网络模型包括四个依次串联的卷积模块，第一个卷积模块经过特征映射处理成大小为40×40×16的特征图并使用大小为2×2、步长为2×2的池化操作降低特征映射得到大小为20×20×16的特征图；第二个卷积模块经过特征映射处理成大小为20×20×16的特征图并使用大小为2×2、步长为2×2的池化操作降低特征映射得到大小为10×10×32的特征图；第三个卷积模块经过特征映射处理成大小为10×10×32的特征图并使用大小为2×2、步长为2×2的池化操作降低特征映射得到大小为5×5×64的特征图；第四个卷积模块经过特征映射处理成大小为5×5×64的特征图并池化操作降低特征映射得到大小为3×3×128图像张量的特征图；第一全连接层大小为1152×1，第二个全连接层大小为256×1，第一个全连接层接收特征大小为3×3×128的特征图并将特征图转换为紧凑向量表示的特征全连接处理。
优选地，卷积神经网络模型中第n个卷积模块的卷积层处理包括如下方法：
Qn＝S(Pn)；其中Qn表示第n个卷积模块中卷积层的输出；S(Pn)表示对卷积层输入的Pn求卷积；Pn表示第n个卷积模块中卷积层的输入；
卷积神经网络模型中第n个卷积模块的归一化处理层处理包括如下方法：
其中，E(Cn)代表对Cn求期望，Cn表示第n个卷积模块中网络通过卷积操作得到的特征；D(Cn)代表对Cn求方差，Rn表示第n个卷积模块Qn经过归一化之后的输出；ε表示偏移量；
卷积神经网络模型中第n个卷积模块的池化层处理包括如下方法：
其中On表示池化层的输出，Rn为经过归一化层处理之后的输出，Fn表示卷积核的大小，Sn表示步长大小。
优选地，卫星导航多径信号卷积神经网络模型的卷积神经网络模型采用Adam优化算法作为损失函数，Adam优化算法表达式如下：
其中/>和/>分别表示一阶矩估计和二阶矩估计的偏差校正，θt表示第t次迭代时的模型参数。
优选地，本发明卫星导航多径信号检测方法还包括如下方法：
S4、设定卫星导航多径信号对应的预测结果阈值，若卫星导航多径信号对应的预测结果大于或等于预测结果阈值，则对应输出多径信号报警。
一种基于卷积神经网络的卫星导航多径信号检测系统，包括数据输入模块和卫星导航多径信号卷积神经网络模型，卫星导航多径信号卷积神经网络模型包括数据处理系统、特征提取模块和卷积神经网络模型；所述数据输入模块用于输入卫星导航信号样本数据或输入实时的卫星导航信号；所述数据处理系统对卫星导航信号经过下变频和软件接收机处理并输出数据，所述特征提取模块对同向I支路数据和正交Q支路数据进行特征提取；所述卷积神经网络模型包括N个依次串联的卷积模块和两个全连接层，两个全连接层包括第一全连接层和第二全连接层，所述卷积模块包括一个卷积层、一个归一化处理层和一个池化层，第一全连接层与最后一个卷积模块连接，第二全连接层与第一全连接层连接，第二全连接层进行第一全连接层的特征全连接处理后的特征向量与卫星导航多径信号标签之间的全连接处理，第二全连接层使用Sigmoid激活函数输出卫星导航多径信号对应的预测结果。
一种电子设备，包括至少一个处理器、至少一个存储器和数据总线；其中：所述处理器与所述存储器通过数据总线完成相互间的通信；所述存储器存储有被所述处理器执行的程序指令，所述处理器调用所述程序指令以执行实现本发明卫星导航多径信号检测方法的步骤。
一种存储介质，包括存储器和处理器，所述存储器存储有可执行程序，所述处理器执行所述可执行程序时实现本发明卫星导航多径信号检测方法的步骤。
本发明较现有技术相比，具有以下优点及有益效果：
(1)本发明构建卫星导航多径信号卷积神经网络模型并进行模型训练，能对卫星导航信号进行多径信号概率检测，具有检测效率高、识别准确性高、鲁棒性强等优点，能够逐段进行识别检测与预警显示；相比较传统方法，降低了计算量，能够高效地进行卫星导航信号的多径信号识别、检测并输出检测结果，可以识别不同类型的多径信号。
(2)本发明对软件接收机处理的I支路、Q支路进行三个特征提取，通过卷积神经网络模型进行特征处理及全连接处理并使用Sigmoid激活函数输出卫星导航信号存在多径信号概率的预测结果；本发明对实时的卫星导航信号依次分段连续处理，即可得到连续信号片段所对应的预测结果并赋值于信号片段上，实现了卫星导航信号分段的多径信号全面覆盖检测。
附图说明
图1为实施例举例一个未受到卫星星体、空间传播和地表因素等综合影响的卫星导航信号片段；
图2为实施例举例一个卫星导航多径信号片段；
图3为实施例一的方法流程图；
图4为实施例二的方法流程图；
图5为实施例中卫星导航多径信号检测系统的原理结构框图；
图6为实施例中举例下变频和软件接收机处理的原理示意图；
图7为实施例中举例卷积神经网络的原理示意图；
图8为实施例中卫星导航多径信号检测系统输出预测结果的示意图。
具体实施方式
下面结合实施例对本发明作进一步地详细说明：
实施例一
如图3所示，一种基于卷积神经网络的卫星导航多径信号检测方法，其方法包括：
A1、接收卫星导航信号，将接收到的卫星导航信号(卫星导航信号中可能部分范围包含多径信号)经过下变频和软件接收机处理输出得到同向I支路数据和正交Q支路数据。如图6所示，本实施例接收的卫星导航信号举例为GPS的L1频点，其频率为1575.42MHz，载波频率为1.023MHz。接收的卫星导航信号通过卫星导航接收机的天线端口所接收，然后经过下变频处理输入到软件接收机中，软件接收机内部具有本地载波发生模块，将基带信号与本地载波发生模块的本地中频载波信号相乘得到两个支路(I支路与Q支路)，然后分别经过低通滤波器处理(去除掉信号中的高频分量)，将I支路与Q支路分别与本地CA码发生器产生的伪码相乘，接着分别进行相干积分，最终软件接收机的相关器输出同向I支路数据和正交Q支路数据。
A2、构建卫星导航多径信号卷积神经网络模型并进行模型训练(优选地，输入卷积神经网络模型的数据统一大小为40×40×2图像张量)，卫星导航多径信号卷积神经网络模型进行特征提取及卷积神经网络处理，卫星导航多径信号卷积神经网络模型包括特征提取模块和卷积神经网络模型，卷积神经网络模型包括N个依次串联的卷积模块和两个全连接层(优选地，卷积神经网络模型包括四个依次串联的卷积模块；第一个卷积模块经过特征映射处理成大小为40×40×16的特征图并使用大小为2×2、步长为2×2的池化操作降低特征映射得到大小为20×20×16的特征图；第二个卷积模块经过特征映射处理成大小为20×20×16的特征图并使用大小为2×2、步长为2×2的池化操作降低特征映射得到大小为10×10×32的特征图；第三个卷积模块经过特征映射处理成大小为10×10×32的特征图并使用大小为2×2、步长为2×2的池化操作降低特征映射得到大小为5×5×64的特征图；第四个卷积模块经过特征映射处理成大小为5×5×64的特征图并池化操作降低特征映射得到大小为3×3×128图像张量的特征图)，参见图7。两个全连接层包括第一全连接层和第二全连接层，所述卷积模块包括一个卷积层、一个归一化处理层和一个池化层，第一全连接层与最后一个卷积模块连接，第二全连接层与第一全连接层连接，第一全连接层将最后一个卷积模块输出的特征图进行特征全连接处理并输出到第二全连接层，第一全连接层大小为1152×1，第二个全连接层大小为256×1，第一个全连接层接收特征大小为3×3×128的特征图并将特征图转换为紧凑向量表示的特征全连接处理；第二全连接层使用Sigmoid激活函数输出卫星导航多径信号对应的预测结果。
在一些实施例中，卷积神经网络模型中卷积模块(优选地，卷积模块共计四个，每个卷积模块的卷积层均相同)的卷积层处理包括如下方法：
Qn＝S(Pn)；其中Qn表示第n个卷积模块中卷积层的输出；S(Pn)表示对卷积层输入的Pn求卷积；Pn表示第n个卷积模块中卷积层的输入；
卷积神经网络模型中第n个卷积模块(优选地，卷积模块共计四个，每个卷积模块的卷积层均相同)的归一化处理层处理包括如下方法：
其中，E(Cn)代表对Cn求期望，Cn表示第n个卷积模块中网络通过卷积操作得到的特征；D(Cn)代表对Cn求方差，Rn表示第n个卷积模块Qn经过归一化之后的输出；ε表示偏移量；
卷积神经网络模型中第n个卷积模块(优选地，卷积模块共计四个，每个卷积模块的卷积层均相同)的池化层处理包括如下方法：
其中On表示池化层的输出，Rn为经过归一化层处理之后的输出，Fn表示卷积核的大小，Sn表示步长大小。
在一些实施例中，卫星导航多径信号卷积神经网络模型的卷积神经网络模型采用Adam优化算法作为损失函数，Adam优化算法表达式如下：
其中/>和/>分别表示一阶矩估计和二阶矩估计的偏差校正，θt表示第t次迭代时的模型参数。
实施例二
如图4所示，一种基于卷积神经网络的卫星导航多径信号检测方法，其方法包括：
S1、接收卫星导航信号，将接收到的卫星导航信号(卫星导航信号中可能部分范围包含多径信号)经过下变频和软件接收机处理输出得到同向I支路数据和正交Q支路数据；同向I支路数据包括I支路信号数据，正交Q支路数据包括Q支路信号数据。如图6所示，本实施例接收的卫星导航信号举例为GPS的L1频点，其频率为1575.42MHz，载波频率为1.023MHz。接收的卫星导航信号通过卫星导航接收机的天线端口所接收，然后经过下变频处理输入到软件接收机中，软件接收机内部具有本地载波发生模块，将基带信号与本地载波发生模块的本地中频载波信号相乘得到两个支路(I支路与Q支路)，然后分别经过低通滤波器处理(去除掉信号中的高频分量)，将I支路与Q支路分别与本地CA码发生器产生的伪码相乘，接着分别进行相干积分，最终软件接收机的相关器输出同向I支路数据和正交Q支路数据。无论是图1的卫星导航信号(或称卫星视距信号，即卫星导航信号在视距条件下进行传播，视距条件下，卫星导航信号无遮挡地在发信端与接收端之间直线传播，这要求在第一菲涅尔区(First Fresnel zone)内没有造成遮挡的物体)，还是图2的卫星导航多径信号，均按照步骤S1进行处理并得到同向I支路数据和正交Q支路数据。同向I支路数据和正交Q支路数据的表达式如下：
其中I表示I支路信号数据，Q表示Q支路信号数据；D(t)表示导航电文数据比特，Ti表示相干积分时间，C(t)表示卫星的伪随机噪声码序列，τ表示传播延迟，Δf表示由卫星运动产生的多普勒频移，θr表示载波相位，ni(t)和nq(t)分别表示I支路和Q支路的加性高斯白噪声，表示传播延迟τ的估计量，/>表示载波相位θr的估计量，/>表示多普勒频移Δf的估计量；D(t)、Ti等均来源于软件接收机。
S2、构建卫星导航多径信号卷积神经网络模型，卫星导航多径信号卷积神经网络模型包括特征提取模块和卷积神经网络模型；卫星导航多径信号卷积神经网络模型的特征提取模块对同向I支路数据和正交Q支路数据进行特征提取，特征包括超前减滞后特征项、频率差值特征项和信号强度特征项，超前减滞后特征项为频率差值特征项为信号强度特征项为I支路信号数据、Q支路信号数据峰值的平方和；
卫星导航多径信号卷积神经网络模型的卷积神经网络模型包括N个依次串联的卷积模块(优选地，卷积神经网络模型包括四个卷积模块)和两个全连接层，两个全连接层包括第一全连接层和第二全连接层，所述卷积模块包括一个卷积层、一个归一化处理层和一个池化层，第一全连接层与最后一个卷积模块连接，第二全连接层与第一全连接层连接。
在一些实施例中，输入卷积神经网络模型的数据统一大小为40×40×2图像张量(其中40×40表示图像张量大小，2表示深度或通道，分别对应相关器输出的I、Q两个通道)，卷积神经网络模型包括四个依次串联的卷积模块，第一个卷积模块经过特征映射处理成大小为40×40×16的特征图并使用大小为2×2、步长为2×2的池化操作降低特征映射得到大小为20×20×16的特征图；第二个卷积模块经过特征映射处理成大小为20×20×16的特征图并使用大小为2×2、步长为2×2的池化操作降低特征映射得到大小为10×10×32的特征图；第三个卷积模块经过特征映射处理成大小为10×10×32的特征图并使用大小为2×2、步长为2×2的池化操作降低特征映射得到大小为5×5×64的特征图；第四个卷积模块经过特征映射处理成大小为5×5×64的特征图并池化操作降低特征映射得到大小为3×3×128图像张量的特征图；第一全连接层大小为1152×1，第二个全连接层大小为256×1，第一个全连接层接收特征大小为3×3×128的特征图并将特征图转换为紧凑向量表示的特征全连接处理。第一全连接层大小为1152×1，第二个全连接层大小为256×1，第一个全连接层接收特征大小为3×3×128的特征图并将特征图转换为紧凑向量表示的特征全连接处理；第二全连接层使用Sigmoid激活函数输出卫星导航多径信号对应的预测结果(本发明Sigmoid激活函数的输出值在0到1之间，可以视为二分类中的概率值，通过Sigmoid激活函数可以将其映射到[0，1]的范围内，输出的数值作为概率值反映输入数据中是否存在卫星导航多径信号，输出的概率值越大，则说明存在卫星导航多径信号的可能性越大)，第二个全连接层负责进行预测并输出概率值的预测结果。
卫星导航多径信号卷积神经网络模型的模型训练方法如下：
构建卫星导航信号样本数据集(卫星导航信号样本数据集中的卫星导航信号样本数据可以设置为训练集、验证集和测试集，分别占比为80％、10％、10％)，卫星导航信号样本数据集中的卫星导航信号样本数据包括卫星导航信号及所对应的卫星导航多径信号标签，卫星导航多径信号标签包含是卫星导航多径信号和不是卫星导航多径信号；将卫星导航信号样本数据集中的卫星导航信号样本数据经过下变频和软件接收机处理并输入卫星导航多径信号卷积神经网络模型进行模型训练，第一全连接层将最后一个卷积模块输出的特征图进行特征全连接处理并输出到第二全连接层，第二全连接层进行第一全连接层的特征全连接处理后的特征向量与卫星导航多径信号标签之间的全连接处理。
S3、接收实时的卫星导航信号，将实时的卫星导航信号经过下变频和软件接收机处理并输入卫星导航多径信号卷积神经网络模型，卫星导航多径信号卷积神经网络模型的第二全连接层使用Sigmoid激活函数(通过Sigmoid激活函数可以将其映射到[0，1]的范围内，输出的数值作为概率值反映输入数据中是否存在卫星导航多径信号，输出的概率值越大，则说明存在卫星导航多径信号的可能性越大))输出卫星导航多径信号对应的预测结果；基于本发明卫星导航多径信号检测方法所构成系统或电子设备，进行预测结果的输出；参见图8，其中label表示对多径信号进行预测；pred proba表示存在卫星导航多径信号的概率值，图8示例的信号片段存在卫星导航多径信号的概率值为98.3％。本实施例对实时的卫星导航信号依次分段连续处理，即可得到连续信号片段所对应的预测结果并赋值于信号片段上，即可实现卫星导航信号的多径信号全面覆盖检测。
在一些实施例中，卷积神经网络模型中卷积模块(优选地，卷积模块共计四个，每个卷积模块的卷积层均相同)的卷积层处理包括如下方法：
Qn＝S(Pn)；其中Qn表示第n个卷积模块中卷积层的输出；S(Pn)表示对卷积层输入的Pn求卷积；Pn表示第n个卷积模块中卷积层的输入。由于本实施例举例采用四个卷积模块，则n＝1，2，3，4；第n个卷积模块中卷积层的输入Pn为第n-1个卷积模块的输出Qn-1，即Pn＝Qn-1；第一个卷积模块中卷积层的输入为融合同向I支路数据和正交Q支路数据两个通道的数据。
卷积神经网络模型中第n个卷积模块(优选地，卷积模块共计四个，每个卷积模块的卷积层均相同)的归一化处理层处理包括如下方法：
其中，E(Cn)代表对Cn求期望(由于本实施例举例采用四个卷积模块，则n＝1，2，3，4)，Cn表示第n个卷积模块中网络通过卷积操作得到的特征；D(Cn)代表对Cn求方差，Rn表示第n个卷积模块Qn经过归一化之后的输出；ε表示偏移量(其取值范围为[0.01，0.001]，在训练开始初设范围内的任意值)。
卷积神经网络模型中第n个卷积模块(优选地，卷积模块共计四个，每个卷积模块的卷积层均相同)的池化层处理包括如下方法：
其中On表示池化层的输出(由于本实施例举例采用四个卷积模块，则n＝1，2，3，4)，Rn为经过归一化层处理之后的输出，Fn表示卷积核的大小，Sn表示步长大小。
在一些实施例中，卫星导航多径信号卷积神经网络模型的卷积神经网络模型采用Adam优化算法作为损失函数，Adam优化算法表达式如下：
其中/>和/>分别表示对梯度的一阶矩估计和二阶矩估计的偏差校正(在本实施例中，一阶矩估计和二阶矩估计在初始化训练阶段设置为0)，θt表示第t次迭代时的模型参数，α表示模型的学习率(模型训练时进行预设)。
在一些实施例中，本实施例在步骤S3之后还包括如下方法：
S4、设定卫星导航多径信号对应的预测结果阈值，若卫星导航多径信号对应的预测结果大于或等于预测结果阈值，则对应输出多径信号报警。本实施例对实时的卫星导航信号依次分段连续处理，即可得到连续信号片段所对应的预测结果及多径信号报警并赋值于信号片段上，即可实现卫星导航信号的多径信号报警输出及预警表达。
如图5所示，一种基于卷积神经网络的卫星导航多径信号检测系统，包括数据输入模块和卫星导航多径信号卷积神经网络模型，卫星导航多径信号卷积神经网络模型包括数据处理系统、特征提取模块和卷积神经网络模型；所述数据输入模块用于输入卫星导航信号样本数据或输入实时的卫星导航信号；所述数据处理系统对卫星导航信号经过下变频和软件接收机处理并输出数据，所述特征提取模块对同向I支路数据和正交Q支路数据进行特征提取；所述卷积神经网络模型包括N个依次串联的卷积模块和两个全连接层，两个全连接层包括第一全连接层和第二全连接层，所述卷积模块包括一个卷积层、一个归一化处理层和一个池化层，第一全连接层与最后一个卷积模块连接，第二全连接层与第一全连接层连接，第二全连接层进行第一全连接层的特征全连接处理后的特征向量与卫星导航多径信号标签之间的全连接处理，第二全连接层使用Sigmoid激活函数输出卫星导航多径信号对应的预测结果。
实施例三
一种电子设备，包括至少一个处理器、至少一个存储器和数据总线；其中：所述处理器与所述存储器通过数据总线完成相互间的通信；所述存储器存储有被所述处理器执行的程序指令，所述处理器调用所述程序指令以执行实现实施例一或实施例二的卫星导航多径信号检测方法的步骤。
一种存储介质，包括存储器和处理器，所述存储器存储有可执行程序，所述处理器执行所述可执行程序时实现实施例一或实施例二的卫星导航多径信号检测方法的步骤。
以上所述仅为本发明的较佳实施例而已，并不用以限制本发明，凡在本发明的精神和原则之内所作的任何修改、等同替换和改进等，均应包含在本发明的保护范围之内。

Claims (8)

1.一种基于卷积神经网络的卫星导航多径信号检测方法，其特征在于：其方法包括：
S1、接收卫星导航信号，将接收到的卫星导航信号经过下变频和软件接收机处理输出得到同向I支路数据和正交Q支路数据；同向I支路数据包括I支路信号数据，正交Q支路数据包括Q支路信号数据；
其中I表示I支路信号数据，Q表示Q支路信号数据；D(t)表示导航电文数据比特，Ti表示相干积分时间，C(t)表示卫星的伪随机噪声码序列，τ表示传播延迟，Δf表示由卫星运动产生的多普勒频移，θr表示载波相位，ni(t)和nq(t)分别表示I支路和Q支路的加性高斯白噪声，表示传播延迟τ的估计量，/>表示载波相位θr的估计量，/>表示多普勒频移Δf的估计量；
S2、构建卫星导航多径信号卷积神经网络模型，卫星导航多径信号卷积神经网络模型包括特征提取模块和卷积神经网络模型；卫星导航多径信号卷积神经网络模型的特征提取模块对同向1支路数据和正交Q支路数据进行特征提取，特征包括超前减滞后特征项、频率差值特征项和信号强度特征项，超前减滞后特征项为频率差值特征项为信号强度特征项为I支路信号数据、Q支路信号数据峰值的平方和；
卫星导航多径信号卷积神经网络模型的卷积神经网络模型包括N个依次串联的卷积模块和两个全连接层，卷积神经网络模型中第n个卷积模块的归一化处理层处理包括如下方法：
其中，E(Cn)代表对Cn求期望，Cn表示第n个卷积模块中网络通过卷积操作得到的特征；D(Cn)代表对Cn求方差，Rn表示第n个卷积模块Qn经过归一化之后的输出；ε表示偏移量；两个全连接层包括第一全连接层和第二全连接层，所述卷积模块包括一个卷积层、一个归一化处理层和一个池化层，第一全连接层与最后一个卷积模块连接，第二全连接层与第一全连接层连接；
卫星导航多径信号卷积神经网络模型的模型训练方法如下：
构建卫星导航信号样本数据集，卫星导航信号样本数据集中的卫星导航信号样本数据包括卫星导航信号及所对应的卫星导航多径信号标签，卫星导航多径信号标签包含是卫星导航多径信号和不是卫星导航多径信号；将卫星导航信号样本数据集中的卫星导航信号样本数据经过下变频和软件接收机处理并输入卫星导航多径信号卷积神经网络模型进行模型训练，第一全连接层将最后一个卷积模块输出的特征图进行特征全连接处理并输出到第二全连接层，第二全连接层进行第一全连接层的特征全连接处理后的特征向量与卫星导航多径信号标签之间的全连接处理；
S3、接收实时的卫星导航信号，将实时的卫星导航信号经过下变频和软件接收机处理并输入卫星导航多径信号卷积神经网络模型，卫星导航多径信号卷积神经网络模型的第二全连接层使用Sigmoid激活函数输出卫星导航多径信号对应的预测结果。
2.按照权利要求1所述的基于卷积神经网络的卫星导航多径信号检测方法，其特征在于：输入卷积神经网络模型的数据统一大小为40×40×2图像张量，卷积神经网络模型包括四个依次串联的卷积模块，第一个卷积模块经过特征映射处理成大小为40×40×16的特征图并使用大小为2×2、步长为2×2的池化操作降低特征映射得到大小为20×20×16的特征图；第二个卷积模块经过特征映射处理成大小为20×20×16的特征图并使用大小为2×2、步长为2×2的池化操作降低特征映射得到大小为10×10×32的特征图；第三个卷积模块经过特征映射处理成大小为10×10×32的特征图并使用大小为2×2、步长为2×2的池化操作降低特征映射得到大小为5×5×64的特征图；第四个卷积模块经过特征映射处理成大小为5×5×64的特征图并池化操作降低特征映射得到大小为3×3×128图像张量的特征图；第一全连接层大小为1152×1，第二个全连接层大小为256×1，第一个全连接层接收特征大小为3×3×128的特征图并将特征图转换为紧凑向量表示的特征全连接处理。
3.按照权利要求1所述的基于卷积神经网络的卫星导航多径信号检测方法，其特征在于：卷积神经网络模型中第n个卷积模块的卷积层处理包括如下方法：
Qn＝S(Pn)；其中Qn表示第n个卷积模块中卷积层的输出；S(Pn)表示对卷积层输入的Pn求卷积；Pn表示第n个卷积模块中卷积层的输入；
卷积神经网络模型中第n个卷积模块的池化层处理包括如下方法：
其中On表示池化层的输出，Rn为经过归一化层处理之后的输出，Fn表示卷积核的大小，Sn表示步长大小。
4.按照权利要求1所述的基于卷积神经网络的卫星导航多径信号检测方法，其特征在于：卫星导航多径信号卷积神经网络模倒的卷积神经网络模型采用Adam优化算法作为损失函数，Adam优化算法表达式如下：
其中/>和/>分别表示一阶矩估计和二阶矩估计的偏差校正，θt表示第t次迭代时的模型参数。
5.按照权利要求1所述的基于卷积神经网络的卫星导航多径信号检测方法，其特征在于：还包括如下方法：
S4、设定卫星导航多径信号对应的预测结果阈值，若卫星导航多径信号对应的预测结果大于或等于预测结果阈值，则对应输出多径信号报警。
6.一种基于卷积神经网络的卫星导航多径信号检测系统，其特征在于：包括数据输入模块和卫星导航多径信号卷积神经网络模型，卫星导航多径信号卷积神经网络模型包括数据处理系统、特征提取模块和卷积神经网络模型；所述数据输入模块用于输入卫星导航信号样本数据或输入实时的卫星导航信号；所述数据处理系统对卫星导航信号经过下变频和软件接收机处理并输出数据，所述特征提取模块对同向I支路数据和正交Q支路数据进行特征提取；所述卷积神经网络模型包括N个依次串联的卷积模块和两个全连接层，卷积神经网络模型中第n个卷积模块的归一化处理层处理包括如下方法：
其中，E(Cn)代表对Cn求期望，Cn表示第n个卷积模块中网络通过卷积操作得到的特征；D(Cn)代表对Cn求方差，Rn表示第n个卷积模块Qn经过归一化之后的输出；ε表示偏移量；两个全连接层包括第一全连接层和第二全连接层，所述卷积模块包括一个卷积层、一个归一化处理层和一个池化层，第一全连接层与最后一个卷积模块连接，第二全连接层与第一全连接层连接，第二全连接层进行第一全连接层的特征全连接处理后的特征向量与卫星导航多径信号标签之间的全连接处理，第二全连接层使用Sigmoid激活函数输出卫星导航多径信号对应的预测结果。
7.一种电子设备，其特征在于：包括至少一个处理器、至少一个存储器和数据总线；其中：所述处理器与所述存储器通过数据总线完成相互间的通信；所述存储器存储有被所述处理器执行的程序指令，所述处理器调用所述程序指令以执行实现权利要求1至5任一项所述的卫星导航多径信号检测方法的步骤。
8.一种存储介质，包括存储器和处理器，所述存储器存储有可执行程序，其特征在于，所述处理器执行所述可执行程序时实现权利要求1至5中一项所述的卫星导航多径信号检测方法的步骤。
CN202311099155.0A 2023-08-29 2023-08-29 基于卷积神经网络的卫星导航多径信号检测方法及系统 Active CN117269992B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202311099155.0A CN117269992B (zh) 2023-08-29 2023-08-29 基于卷积神经网络的卫星导航多径信号检测方法及系统

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202311099155.0A CN117269992B (zh) 2023-08-29 2023-08-29 基于卷积神经网络的卫星导航多径信号检测方法及系统

Publications (2)

Publication Number Publication Date
CN117269992A CN117269992A (zh) 2023-12-22
CN117269992B true CN117269992B (zh) 2024-04-19

Family

ID=89213344

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202311099155.0A Active CN117269992B (zh) 2023-08-29 2023-08-29 基于卷积神经网络的卫星导航多径信号检测方法及系统

Country Status (1)

Country Link
CN (1) CN117269992B (zh)

Citations (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2017177661A1 (zh) * 2016-04-15 2017-10-19 乐视控股（北京）有限公司 基于卷积神经网络的视频检索方法及系统
CN109188470A (zh) * 2018-09-11 2019-01-11 西安交通大学 一种基于卷积神经网络的gnss欺骗干扰检测方法
CN110378435A (zh) * 2019-07-25 2019-10-25 安徽工业大学 一种基于卷积神经网络的苹果叶片病害识别的方法
CN110458802A (zh) * 2019-06-28 2019-11-15 天津大学 基于投影权值归一化的立体图像质量评价方法
CN111060316A (zh) * 2019-12-10 2020-04-24 华南理工大学 基于卷积神经网络模型的滚动轴承状态监测方法和系统
US10838071B1 (en) * 2019-12-12 2020-11-17 The Aerospace Corporation Reducing user multipath error and acquisition time in satellite navigation receivers
CN113221781A (zh) * 2021-05-20 2021-08-06 成都海擎科技有限公司 一种基于多任务深度卷积神经网络的载波信号检测方法
CN116482720A (zh) * 2023-06-26 2023-07-25 山东科技大学 一种基于机器学习理论的gnss欺骗干扰检测方法

Family Cites Families (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US8044851B2 (en) * 2009-04-17 2011-10-25 Mstar Semiconductor, Inc. Method for suppressing multipath errors in a satellite navigation receiver

Patent Citations (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2017177661A1 (zh) * 2016-04-15 2017-10-19 乐视控股（北京）有限公司 基于卷积神经网络的视频检索方法及系统
CN109188470A (zh) * 2018-09-11 2019-01-11 西安交通大学 一种基于卷积神经网络的gnss欺骗干扰检测方法
CN110458802A (zh) * 2019-06-28 2019-11-15 天津大学 基于投影权值归一化的立体图像质量评价方法
CN110378435A (zh) * 2019-07-25 2019-10-25 安徽工业大学 一种基于卷积神经网络的苹果叶片病害识别的方法
CN111060316A (zh) * 2019-12-10 2020-04-24 华南理工大学 基于卷积神经网络模型的滚动轴承状态监测方法和系统
US10838071B1 (en) * 2019-12-12 2020-11-17 The Aerospace Corporation Reducing user multipath error and acquisition time in satellite navigation receivers
CN113221781A (zh) * 2021-05-20 2021-08-06 成都海擎科技有限公司 一种基于多任务深度卷积神经网络的载波信号检测方法
CN116482720A (zh) * 2023-06-26 2023-07-25 山东科技大学 一种基于机器学习理论的gnss欺骗干扰检测方法

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
E MUNIN, A BLAIS, N COUELLAN.Convolutional Neural Network for Multipath Detection in GNSS Receivers.International Conference on Artificial Intelligence and Data Analytics for Air Transportation (AIDA-AT).2020,1-10. *
戴欢 等.基于残差卷积神经网络的GNSS 多径信号检测方法.中国新通信.2022,第24卷(第20期),27-31. *

Also Published As

Publication number Publication date
CN117269992A (zh) 2023-12-22

Similar Documents

Publication Publication Date Title
CN109188470B (zh) 一种基于卷积神经网络的gnss欺骗干扰检测方法
Brodeski et al. Deep radar detector
US8325086B2 (en) Methods and systems to diminish false-alarm rates in multi-hypothesis signal detection through combinatoric navigation
CN108226893B (zh) 一种用于mimo雷达的低复杂度接收机设计方法
CN101561490A (zh) 基于码字结构的盲自适应gps干扰抑制方法
Guermah et al. A robust GNSS LOS/multipath signal classifier based on the fusion of information and machine learning for intelligent transportation systems
EP3722997A1 (en) Method and apparatus for automatic detection of antenna site conditions
CN115524724B (zh) 一种通用航空可信时空服务方法、系统及介质
CN113031020B (zh) 一种基于多相关峰的卫星导航欺骗干扰检测方法
CN102353947A (zh) 一种基于csa-mwf的无源雷达目标回波信号子空间的估计方法
US5506817A (en) Enhanced adaptive statistical filter providing sparse data stochastic mensuration for residual errors to improve performance for target motion analysis noise discrimination
CN114894819A (zh) 一种星载gnss-r土壤湿度反演方法
CN113985451B (zh) 一种基于卡尔曼滤波跟踪环路的导航欺骗检测方法和装置
Borhani-Darian et al. Deep neural network approach to GNSS signal acquisition
Doan et al. MoDANet: Multi-task deep network for joint automatic modulation classification and direction of arrival estimation
Cao et al. DNN-based peak sequence classification CFAR detection algorithm for high-resolution FMCW radar
CN117269992B (zh) 基于卷积神经网络的卫星导航多径信号检测方法及系统
US6295373B1 (en) Polynomial filters for higher order correlation and multi-input information fusion
CN108594277A (zh) 一种相位差确定方法、装置、电子设备及存储介质
JP3787592B2 (ja) 衛星測位方法及び衛星測位システム
CN113514796B (zh) 一种无源定位方法、系统和介质
CN115327581A (zh) 识别gnss信号中欺骗信号的方法、装置和接收机
Darian et al. Detecting GNSS spoofing using deep learning
Merwe et al. Exploiting acquisition measurements and spatial processing for improved GNSS spoofing detection and classification with snapshot receivers
CN117607910B (zh) 一种基于矢量跟踪新息矢量的欺骗检测方法及系统

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
GR01 Patent grant
GR01 Patent grant