一种卫星导航干扰信号检测方法及系统与流程

本发明实施例涉及卫星导航领域，更具体地，涉及一种卫星导航干扰信号检测方法及系统。

背景技术：

卫星导航系统主要功能是为用户提供稳定可靠的导航及授时服务。但是卫星导航信号较为脆弱，如果带有目的性的向导航卫星发射与导航信号频率相同的载波信号，就能造成对卫星转发器的干扰，进而干扰卫星导航服务。同时，在导航系统的地面接收端也会遭受到干扰，例如，功率为1w的干扰发射装置能够让大约85km以内的c/a码接收机无法正常工作。

卫星导航干扰方式分为两类：压制性干扰和欺骗性干扰。压制性干扰是用干扰机发射强干扰信号，阻塞接收机，使导航信号无法被正常的放大与检测，使导航接收机降低或完全失去正常工作的能力。欺骗性干扰是引导导航接收机追踪到假导航信号，使其输出不正确的位置信息。

卫星干扰检测技术能够将干扰信号加以识别，对于保护卫星导航系统起到至关重要的作用。由于无线电通信过程中电磁波辐射的空间开放性，目前为止还没有任何一种方法能用电子技术手段阻止无线电磁波从发射端传向接收机。

目前主流的干扰检测技术主要包括频差法和时差法，其中最具代表性的干扰检测技术包括：幅差法干扰检测、相关前干扰检测以及基于多相关器的gps接收机等。

相关前干扰检测是基于自适应门限的频域干扰检测方法，该方法将无干扰信号时的平均噪声功率作为自适应门限值，来考察干扰是否存在。将干扰检测过程分成两个步骤，第一步是在无干扰时产生检测门限；第二步采用“t-测试”方法对一段时间内的采样数据进行分析，并评估干扰情况。

基于多相关器的gps接收机可以实现实时的干扰检测功能，并能估计干扰信号的特征(包括干扰功率、类型、中心频率和带宽)。该方法测试了不同功率值的cw和fm干扰对接收机的影响，并通过比较多相关器输出波形和理想相关器输出波形、各通道的c/n变化、以及使用时间序列模型进行误差预测的方法对窄带连续波或调频干扰的存在性及其特性进行评估。

但上述检测手段智能化程度较低，检测成功率、检测准确率和检测速度都极大的依赖操作者的经验和知识水平，检测不够客观。

技术实现要素：

本发明实施例提供了一种克服上述问题或者至少部分地解决上述问题的卫星导航干扰信号检测方法及系统。

一方面本发明实施例提供了一种卫星导航干扰信号检测方法，包括：

步骤1，获取待检测信号，提取所述待检测信号的信号特征；

步骤2，基于所述待检测信号的信号特征，利用预设机器学习模型识别所述待检测信号中的干扰信号。

其中，在步骤2之后还包括：

对所述待检测信号中识别出的干扰信号进行标记。

其中，所述预设机器学习模型为预设dbn模型。

其中，所述预设dbn模型通过以下步骤获得：

获取信号库中的历史信号，通过预处理获得所述历史信号的信号类型，并提取所述历史信号的信号特征；

构建包括所述历史信号的信号特征和对应的信号类型的训练样本，构建以信号特征作为输入层、以信号类型作为输出层的初始dbn模型，利用所述训练样本对所述初始dbn模型进行训练，得到所述预设dbn模型。

其中，所述通过预处理获得所述历史信号的信号类型，并提取所述历史信号的信号特征具体为：

通过rbm模型预处理获得所述历史信号的信号类型，通过时间序列模型和快速傅里叶变换提取所述历史信号的信号特征。

其中，所述利用所述训练样本对所述初始dbn模型进行训练，得到所述预设dbn模型具体包括：

对所述初始dbn模型进行预训练得到第一dbn模型；

对所述第一dbn模型进行微调得到所述预设dbn模型。

其中，所述预训练得到第一dbn模型进一步包括：对初始dbn模型采用逐层训练的方式对各层中的rbm进行训练，低一层的rbm的隐含层作为上一层的可见层输入；

所述微调得到预设dbn模型进一步包括：采用有监督学习方式对最后一层的bp网络进行训练，并将实际输出与预期输出的误差逐层向后传播，对整个dbn模型的权值进行微调。

另一方面本发明实施例提供了一种卫星导航干扰信号检测系统，包括：

第一获取模块，用于获取待检测信号，并提取所述待检测信号的信号特征；

检测模块，用于基于所述待检测信号的信号特征，利用预设机器学习模型识别所述待检测信号中的干扰信号。

其中，所述检测模块具体用于基于所述待检测信号的信号特征，利用预设dbn模型检测所述待检测信号的信号类型。

其中，所述检测模块进一步包括：

第二获取模块，用于获取信号库中的历史信号，通过预处理获得所述历史信号的信号类型，并提取所述历史信号的信号特征；

训练模块，用于构建包括所述历史信号的信号特征和对应的信号类型的训练样本，构建以信号特征作为输入层、以信号类型作为输出层的初始dbn模型，利用所述训练样本对所述初始dbn模型进行训练，得到所述预设dbn模型。

本发明实施例提供的一种卫星导航干扰信号检测方法及系统，通过基于待检测信号的信号特征，利用预设机器学习模型识别所述待检测信号中的干扰信号，能够实现干扰信号的自动识别，且识别准确率高、速度快，不依赖操作人员的经验和知识水平，检测客观。

附图说明

图1为本发明实施例提供的一种卫星导航干扰信号检测方法流程图；

图2为本发明实施例提供的另一种卫星导航干扰信号检测方法流程图；

图3为图2所述实施例中获得所述预设dbn模型的流程图；

图4为图3所述实施例中对所述初始dbn模型进行训练的流程图；

图5为本发明实施例提供的一种卫星导航干扰信号检测系统的结构框图。

具体实施方式

为使本发明实施例的目的、技术方案和优点更加清楚，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地描述，显然，所描述的实施例是本发明一部分实施例，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，都属于本发明保护的范围。

图1为本发明实施例提供的一种卫星导航干扰信号检测方法流程图，如图1所示，所述方法包括：s1，获取待检测信号，提取所述待检测信号的信号特征；s2，基于所述待检测信号的信号特征，利用预设机器学习模型识别所述待检测信号中的干扰信号。

在s1中，所述待检测信号中包括导航卫星发送的正常导航信号以及干扰装置发送的干扰信号。导航接收机接收到的待检测信号中含有干扰信号时，会影响正常导航。所述信号特征包括信号的时域特征和频域特征。在s2中，所述预设机器学习模型在输入待检测信号的信号特征后输出所述待检测信号的信号类型。

具体地，导航接收机接收到待检测信号后，首先对所述待检测信号进行特征提取，再将所述待检测信号的信号特征输入所述预设机器学习模型中，输出所述待检测信号的信号类型，从而完成对待测信号是否为干扰信号的判断。

在上述实施例中，在s2之后还包括：

对所述待检测信号中识别出的干扰信号进行标记。

具体地，当所述预设机器学习模型输出的信号类型为干扰信号时，对对应的所述待检测信号进行标记，以便在后期处理中将干扰信号排除在解算过程之外。

本发明实施例提供的一种卫星导航干扰信号检测方法，通过基于待检测信号的信号特征，利用预设机器学习模型识别所述待检测信号中的干扰信号，能够实现干扰信号的自动识别，且识别准确率高、速度快，不依赖操作人员的经验和知识水平，检测客观。

图2为本发明实施例提供的另一种卫星导航信号检测方法的流程图，其中，所述预设机器学习模型为预设dbn模型。

需要说明的是，在本发明实施例中，所述预设机器学习模型可以是深度学习模型中的其他替代模型，也可以是机器学习模型中的决策树模型等。所述预设机器学习模型为预设dbn模型只是其中一种优选方式，本发明并不以此为限。

具体地，深度信念网络(deepbeliefnetwork，dbn)由多层无监督的受限玻尔兹曼机(restrictedboltzmannmachine，rbm)网络和一层反向传播(back-propagation，bp)网络组成。

其中，rbm是一种生成式随机神经网络(generativestochasticneuralnetwork，gsnn)，该网络由一些可见单元(visibleunit)和一些隐藏单元(hiddenunit)构成，可见变量和隐藏变量都是二元变量，亦即其状态取{0，1}。整个网络是一个二部图，只有可见单元和隐藏单元之间才会存在边，可见单元之间以及隐藏单元之间都不会有边连接。

如图2所示，所述方法包括：s21，获取待检测信号，并提取所述待检测信号的信号特征；s22，基于所述待检测信号的信号特征，利用预设dbn模型识别所述待检测信号中的干扰信号。

在s21中，所述待检测信号中包括导航卫星发送的正常导航信号以及干扰装置发送的干扰信号。导航接收机接收到的待检测信号中含有干扰信号时，会影响正常导航。所述信号特征包括信号的时域特征和频域特征。在s22中，所述预设dbn模型在输入待检测信号的信号特征后输出所述待检测信号的信号类型。

具体地，导航接收机接收到待检测信号后，首先对所述待检测信号进行特征提取，再将所述待检测信号的信号特征输入所述预设dbn模型中，输出所述待检测信号的信号类型，从而完成对待测信号是否为干扰信号的判断。

本发明实施例提供的一种卫星导航干扰信号检测方法，通过基于待检测信号的信号特征，利用预设dbn模型识别所述待检测信号中的干扰信号，能够实现干扰信号的自动化识别，且识别准确率高、速度快，不依赖操作人员的经验和知识水平，检测客观。

在上述实施例中，如图3所示，所述预设dbn模型通过以下步骤获得：s31，获取信号库中的历史信号，通过预处理获得所述历史信号的信号类型，并提取所述历史信号的信号特征；s32，构建包括所述历史信号的信号特征和对应的信号类型训练样本，构建以信号特征作为输入层、以信号类型作为输出层的初始dbn模型，利用所述训练样本对所述初始dbn模型进行训练，得到所述预设dbn模型。

在s31中，所述信号库中存储有历史信号，所述历史信号中包括有导航信号和干扰信号。所述信号特征包括时域特征和频域特征，其中所述时域特征又包括：峰值因数、峭度、脉冲因子和波形因子等；所述频域特征包括：重心频率(fc)、均方频率(msf)、均方根频率(rmsf)、频率方差(vf)和频率标准差(rvf)等。

具体地，可通过rbm模型获取所述历史信号的信号类型，即分别识别出所述信号库中的导航信号和干扰信号。并可通过时间序列模型(ar模型)提取所述历史信号的时域特征；可通过快速傅里叶变换(fft)提取所述历史信号的频域特征。

在s32中，将多条所述历史信号的信号特征以及对应的信号类型组成的集合构建为训练样本，所述训练样本中每条信号的信号特征以及对应的信号类型都为已知。

具体地，由于训练样本中所述历史干扰信号的信号特征和对应的信号类型都是已知的，所以用所述历史干扰信号的信号特征作为输入、对应所述信号类型作为输出来对所述初始dbn模型进行训练，训练后得到的预设dbn模型可以识别干扰信号。

本发明实施例提供的另一种卫星导航干扰信号检测方法，通过建立信号特征和信号类型之间的初始dbn模型，再用训练样本对该初始dbn模型进行训练得到预设dbn模型，该预设dbn模型可以根据待检测信号的信号特征判别该待测信号的信号类型，从而实现干扰信号的自动识别，且识别准确率高、速度快，不依赖操作人员的经验和知识水平，检测客观。

在上述实施例中，所述通过预处理获得所述历史信号的信号类型，并提取所述历史信号的信号特征具体为：

通过rbm模型预处理获得所述历史信号的信号类型，通过时间序列模型和快速傅里叶变换提取所述历史信号的信号特征。

在上述实施例中，如图4所示，步骤s32具体包括：s41，对所述初始dbn模型进行预训练得到第一dbn模型；s42，对所述第一dbn模型进行微调得到所述预设dbn模型。

其中，dbn模型训练包含“预训练(pre-training)”和“微调(fine-tuning)”2个步骤，预训练阶段dbn模型采用逐层(layerwise)训练的方式对各层中的rbm进行训练，低一层的rbm的隐含层作为上一层的可见层输入。微调阶段采用有监督学习方式对最后一层的bp网络进行训练，并将实际输出与预期输出的误差逐层向后传播，对整个dbn模型的权值进行微调。rbm网络的训练过程实际上可看成是对深层bp网络权值的初始化，使dbn模型克服了bp网络因随机初始化权值参数而导致的训练时间长和容易陷入局部最优解的缺点。

图5为本发明实施例提供的一种卫星导航干扰信号检测系统的结构框图，如图5所示，所述系统包括第一获取模块51和检测模块52。其中：

第一获取模块51用于获取待检测信号，并提取所述待检测信号的信号特征。检测模块52用于基于所述待检测信号的信号特征，利用预设机器学习模型识别所述待检测信号中的干扰信号。

具体地，第一获取模块51接收到待检测信号后，首先对所述待检测信号进行特征提取，再将所述待检测信号的信号特征输入所述预设机器学习模型中，检测模块52输出所述待检测信号的信号类型，从而完成对待测信号是否为干扰信号的判断。

在上述实施例中，所述系统还包括标记模块，用于对所述待检测信号中识别出的干扰信号进行标记。

具体地，当所述预设机器学习模型输出的信号类型为干扰信号时，所述标记模块对对应的所述待检测信号进行标记，以便在后期处理中将干扰信号排除在解算过程之外。

本发明实施例提供的一种卫星导航干扰信号检测系统，通过基于待检测信号的信号特征，利用预设机器学习模型识别所述待检测信号中的干扰信号，能够实现干扰信号的自动识别，且识别准确率高、速度快，不依赖操作人员的经验和知识水平，检测客观。

在上述实施例中，所述检测模块具体用于基于所述待检测信号的信号特征，利用预设dbn模型检测所述待检测信号的信号类型。

需要说明的是，在本发明实施例中，所述预设机器学习模型可以是深度学习模型中的其他替代模型，也可以是机器学习模型中的决策树模型等。所述预设机器学习模型为预设dbn模型只是其中一种优选方式，本发明并不以此为限。

具体地，深度信念网络(deepbeliefnetwork，dbn)由多层无监督的受限玻尔兹曼机(restrictedboltzmannmachine，rbm)网络和一层反向传播(back-propagation，bp)网络组成。

其中，rbm是一种生成式随机神经网络(generativestochasticneuralnetwork，gsnn)，该网络由一些可见单元(visibleunit)和一些隐藏单元(hiddenunit)构成，可见变量和隐藏变量都是二元变量，亦即其状态取{0，1}。整个网络是一个二部图，只有可见单元和隐藏单元之间才会存在边，可见单元之间以及隐藏单元之间都不会有边连接。

本发明实施例提供的一种卫星导航干扰信号检测系统，通过基于待检测信号的信号特征，利用预设dbn模型识别所述待检测信号中的干扰信号，能够实现干扰信号的自动化识别，且识别准确率高、速度快，不依赖操作人员的经验和知识水平，检测客观。

在上述实施例中，所述检测模块进一步包括第二获取模块和训练模块。其中：

第二获取模块用于获取信号库中的历史信号，通过预处理获得所述历史信号的信号类型，并提取所述历史信号的信号特征；训练模块用于构建包括所述历史信号的信号特征和对应的信号类型的训练样本，构建以信号特征作为输入层、以信号类型作为输出层的初始dbn模型，利用所述训练样本对所述初始dbn模型进行训练，得到所述预设dbn模型。

具体地，第二获取模块可通过rbm模型获取所述历史信号的信号类型，即分别识别出所述信号库中的导航信号和干扰信号。并可通过时间序列模型(ar模型)提取所述历史信号的时域特征；可通过快速傅里叶变换(fft)提取所述历史信号的频域特征。

由于训练样本中所述历史干扰信号的信号特征和对应的信号类型都是已知的，所以训练模块用所述历史干扰信号的信号特征作为输入、对应所述信号类型作为输出来对所述初始dbn模型进行训练，训练后得到的预设dbn模型可以识别干扰信号。

本发明实施例提供的另一种卫星导航干扰信号检测系统，通过建立信号特征和信号类型之间的初始dbn模型，再用训练样本对该初始dbn模型进行训练得到预设dbn模型，该预设dbn模型可以根据待检测信号的信号特征判别该待测信号的信号类型，从而实现干扰信号的自动识别，且识别准确率高、速度快，不依赖操作人员的经验和知识水平，检测客观。

在上述实施例中，所述第二获取模块具体用于：

通过rbm模型预处理获得所述历史信号的信号类型，通过时间序列模型和快速傅里叶变换提取所述历史信号的信号特征。

在上述实施例中，所述训练模块具体用于：

对所述初始dbn模型进行预训练得到第一dbn模型；

对所述第一dbn模型进行微调得到所述预设dbn模型。

其中，dbn模型训练包含“预训练(pre-training)”和“微调(fine-tuning)”2个步骤，预训练阶段dbn模型采用逐层(layerwise)训练的方式对各层中的rbm进行训练，低一层的rbm的隐含层作为上一层的可见层输入。微调阶段采用有监督学习方式对最后一层的bp网络进行训练，并将实际输出与预期输出的误差逐层向后传播，对整个dbn模型的权值进行微调。rbm网络的训练过程实际上可看成是对深层bp网络权值的初始化，使dbn模型克服了bp网络因随机初始化权值参数而导致的训练时间长和容易陷入局部最优解的缺点。

最后应说明的是：以上实施例仅用以说明本发明的技术方案，而非对其限制；尽管参照前述实施例对本发明进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分技术特征进行等同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本发明各实施例技术方案的精神和范围。