一种卫星转发器识别模型及其训练方法和使用方法与流程

本发明涉及一种人在回路的卫星转发器自动识别分类辅助技术，尤其涉及一种适用于多个卫星转发器、接收信号谱图数据量大、人工分类识别效率低的应用场景的卫星转发器识别模型及其训练方法。

背景技术：

目前，传统的卫星转发器识别方法大多是基于公开的转发器配置(卫星信标、转发器起始频段、极化方式、卫星轨位)、往年历史监测谱图等已有的专家信息，通过人工对比、匹配特征的方式来完成识别操作，以识别出地面接收机接收到的信号来自于哪颗卫星的卫星转发器。因此，传统卫星转发器识别方法严重依赖于公开的转发器配置、往年历史监测谱图等已有数据，而无法识别缺乏先验知识的信号谱图，且识别准确度依赖于工作人员的经验和水平，人为主观性强，缺乏时效性，漏检可能性大，同时耗费大量人力物力。且这种问题在多个卫星的情况下尤其严重。由于多颗卫星在运行过程中存在变轨和共轨的情况，在这种情景下依据卫星转发器配置和现有卫星的基准信号等先验知识甚至无法依靠人工识别出地面接收机接收到的信号来自于哪颗卫星。

技术实现要素：

本申请的至少一个目的在于提供一种卫星转发器识别模型及其训练方法和使用方法，通过本申请提供的卫星转发器识别模型及其使用方法，能够自动识别所接收的信号来自于哪一颗卫星的卫星转发器。该识别操作可以全天候24小时不间断地进行，从而为监测人员提供辅助识别信息，帮助监测人员快速发现、识别目标，减轻监测人员从海量信号谱图识别、分类卫星转发器的工作量。

本申请提供了一种卫星转发器识别模型的训练方法，包括：

s01：利用人工神经网络构建卫星转发器识别模型；

s02：构建训练数据集；

s03：利用所构建的训练数据集对卫星转发器识别模型进行训练，

其中，所述步骤s02包括数据分类步骤和数据预处理步骤，

所述数据分类步骤包括：针对从接收机获取的多个信号谱图，建立每个信号谱图与相应的卫星转发器名称标签之间的映射关系，其中所述信号谱图包括背景和时域波形曲线；

所述数据预处理步骤包括：从所述信号谱图中提取时域波形曲线，对提取到的时域波形曲线的二维数据((x1,y1),(x2,y2),…(xn,yn))进行以下处理：

xi＝(xi-xmin)/(xmax-xmin)

yi＝(yi-ymin)/(ymax-ymin)；

其中，xi为时域波形曲线的第i个点的x轴坐标，xmin为时域波形曲线的最小x轴坐标，xmax为时域波形曲线的最大x轴坐标，

其中，yi为时域波形曲线的第i个点的y轴坐标，ymin为时域波形曲线的最小y轴坐标，ymax为时域波形曲线的最大y轴坐标，

其中每个信号谱图的经由所述数据预处理步骤处理过的二维数据以及与该信号谱图相对应的卫星转发器名称标签构成了一个训练数据，利用多个训练数据构建训练数据集。

在根据本申请的至少一个实施例中，其中，所述步骤s02还包括数据清洗步骤，根据先验信息对从接收机接收到的原始数据进行数据清洗，清洗掉存在错误信息的数据。

在根据本申请的至少一个实施例中，其中，所述数据预处理步骤中，通过颜色区分所述背景和所述时域波形曲线，以从所述信号谱图中提取所述时域波形曲线。

在根据本申请的至少一个实施例中，其中，所述步骤s01中，基于pytorch框架构建，利用人工神经网络构建卫星转发器识别模型。

在根据本申请的至少一个实施例中，其中，所述卫星转发器识别模型由三层全连接神经网络组成，各层全连接神经网络间的激活函数为leaky_relu，最后一层为softmax层，损失函数为mseloss。

在根据本申请的至少一个实施例中，其中，所述信号谱图为时域波形图。

在根据本申请的至少一个实施例中，其中，所述卫星转发器识别模型的输入为训练数据集，该卫星转发器识别模型的输出为信号所属卫星转发器的名称标签。

本申请还提供了一种卫星转发器识别模型，所述卫星转发器识别模型由上述方法训练而成。

本申请还提供了一种卫星转发器识别模型的使用方法，利用上述卫星转发器识别模型进行识别。

在根据本申请的至少一个实施例中，上述使用方法包括：

s11：从接收机获取信号，根据该信号的原始数据绘制信号谱图；

s12：提取信号谱图中的时域波形曲线，并将其保存为二维数据((x1,y1),(x2,y2),…(xn,yn))；

s13：对提取到的时域波形曲线的二维数据((x1,y1),(x2,y2),…(xn,yn))进行以下处理：

xi＝(xi-xmin)/(xmax-xmin)

yi＝(yi-ymin)/(ymax-ymin)

其中，xi为时域波形曲线的第i个点的x轴坐标，xmin为时域波形曲线的最小x轴坐标，xmax为时域波形曲线的最大x轴坐标。

其中，yi为时域波形曲线的第i个点的y轴坐标，ymin为时域波形曲线的最小y轴坐标，ymax为时域波形曲线的最大y轴坐标；

s14：将步骤s13得到的二维数据输入卫星转发器识别模型，输出该信号谱图所属卫星转发器的名称标签。

通过本申请提供的卫星转发器识别模型，能够自动识别所接收的信号来自于哪一颗卫星的卫星转发器。本申请提供的技术方案中，将卫星转发器识别问题转换为图像分类问题，从而将复杂的多参数问题变得直观简单。

根据本申请提供的卫星转发器识别模型的训练方法中，通过采用特定的数据预处理方法，获得了高质量的训练数据集，从而可训练出高质量的模型，模型需要处理的数据量小、模型收敛速度快，可提高卫星转发器识别模型的识别准确度。

附图说明

下文将以明确易懂的方式通过对优选实施例的说明并结合附图来对本申请上述特性、技术特征、优点及其实现方式予以进一步说明。以下附图仅旨在于对本申请做示意性说明和解释，并不限定本申请的范围。其中：

图1示出了根据本申请的一个实施例的卫星转发器识别模型训练方法；

图2示出了根据本申请的一个实施例的卫星转发器识别模型使用方法。

具体实施方式

为了对本申请的技术特征、目的和效果有更加清楚的理解，现对照附图说明本申请的具体实施方式。

为了识别所接收到的信号来自于哪颗卫星的卫星转发器，现有技术主要是采用人工对比、匹配特征的方式对信号谱图进行识别。这种识别方式严重依赖于监测人员的经验和水平，且识别效率和准确度较低。

为了提高信号所属卫星转发器的识别效率和识别准确度，本申请提供了一种基于神经网络的卫星转发器识别模型及其训练方法和使用方法。本申请的技术方案中，基于所接收信号的时域波形图，利用人工神经网络构建(例如，基于pytorch框架构建)卫星转发器识别模型，并利用由卫星转发器数据集构建的训练数据集对该卫星转发器识别模型进行训练。利用该训练好的卫星转发器识别模型，可以对所接收信号的时域波形图按照其从属于哪一颗卫星进行分类，从而识别出该信号来自于哪一颗卫星。

由此可见，本申请提供的技术方案中，将卫星转发器识别问题转换为图像分类问题，从而将复杂的多参数问题变得直观简单。本申请提供的技术方案除了能显著提高卫星转发器识别的效率、降低漏检率以外，还可以为地面接收信号所属卫星转发器人工精确识别提供软判决预分类辅助信息。该卫星转发器自动识别辅助技术能够缓解观测人员的压力，减少观测人员因长时间观测疲劳所导致的误判，能够为后续人工精确识别判断提供辅助作用。

理论上，每种设备(例如每个不同的卫星转发器)发射出的信号都具有与该设备的制造缺陷、该设备的各个元器件的特性唯一绑定的精细特征。通过对接收信号的特征提取与特征解析，可以反推该信号所对应的发射设备，从而得到信号与信号发射源设备之间的映射关系。现有技术中主要是采用人工对比、匹配特征的方式对信号谱图进行识别。而本申请所采用的深度人工神经网络不需要人为设计和提取特征，神经网络根据原始输入就可以提取出足够描述某种特定特征模式的高维抽象特征，从而识别所接收信号来自于哪一颗卫星的卫星转发器。

根据本发明的一个实施例提供的卫星转发器识别模型训练方法包括以下步骤：

s01：利用人工神经网络构建卫星转发器识别模型

基于例如pytorch框架构建基于人工神经网络的卫星转发器识别模型。该卫星转发器识别模型的主干由三层全连接神经网络组成，网络各层间的激活函数为leaky_relu，最后一层为softmax层。损失函数为mseloss。该卫星转发器识别模型的输入为训练数据集，该卫星转发器识别模型的输出为信号所属卫星转发器的名称标签。

s02：构建训练数据集

该步骤s02包括数据清洗、数据分类和数据预处理。

深度学习是一种受数据驱动的表示学习方法，神经网络模型性能的优劣依赖于训练数据集的质量，因此构建一个高质量的训练数据集至关重要。通过数据清洗、数据分类和数据预处理步骤，可以获得高质量的训练数据集。

其中，数据清洗步骤包括：根据先验信息(已有卫星转发器配置、现有卫星的基准信号等)对从接收机接收到的原始数据(即，多个信号谱图，其横轴为频率，纵轴为幅值)进行数据清洗，清洗掉存在错误信息的数据，得到干净的数据。

数据分类的步骤包括：根据先验信息，对干净的数据进行有效分类，分类的依据是每个卫星转发器对应的典型信号谱图样式。经过数据分类步骤后，建立了每个信号谱图与其所对应的卫星转发器之间的映射关系。

数据预处理的步骤包括：1)去除信号谱图中对模型性能提升无用的冗余信息；2)频谱波形校准。下文将参照具体实施例对这两个步骤进行详细说明。

1)去除信号谱图中对模型性能提升无用的冗余信息

如上文所述，本申请提供的技术方案中，将卫星转发器识别问题转换为图像分类问题。现有技术中，针对图像分类问题或图像识别问题的处理方法都是对图像的整个区域进行分析计算，因此存在计算资源消耗大、处理时间长的问题。

然而对于本申请所要解决的卫星转发器识别问题而言，信号谱图(即，时域波形图)中的重要信息并非分布在图像的整个区域上。从接收机接收到的原始数据的信号谱图是这样的一种图像：其包括背景(例如为白色)以及与背景颜色不同的时域波形曲线(例如为红色)。其中，该背景是对卫星转发器识别模型的性能提升无用的冗余信息，如果在训练数据集中的训练数据中引入该背景数据，会干扰、影响模型的训练。实际上，信号谱图中的重要信息是稀疏的，只有其中的时域波形曲线才是有用的信息。

为了提高训练数据的质量，本申请提供的技术方案中，在数据预处理步骤中，对信号谱图进行了时域波形曲线提取。去掉信号谱图的背景，仅提取信号谱图中的时域波形曲线作为训练数据。具体地，可根据颜色区分无用的背景和有用的时域波形曲线。然后，将提取到的时域波形曲线保存为二维数据((x1,y1),(x2,y2),…(xn,yn))。

通过采取这样的去除冗余信息的步骤，可以实现以下技术效果：1、可以提高训练数据的质量。高质量的训练数据可训练出高质量的模型。比起对识别分类无用的背景信息，时域波形曲线(整体趋势、波峰个数、峰值相对大小、波峰相对位置关系等)数据才是待分析处理的目标。神经网络只针对时域波形曲线的数据进行学习建模，更容易学习到仅与时域波形曲线自身强相关的本质特征；2、经过时域波形曲线数据的提取，模型需要处理的数据量可成倍减小，仅对关注的高价值数据波形进行学习，模型收敛速度快。

2)频谱波形校准

信号收发数据链路网络卡顿会造成数据传输异常，人为因素导致的波形失真会引入噪声、波形峰值相对位置和波形包络的偏差。而常规的数据处理方法并未考虑这些因素。这造成的结果是，针对同一个类别标签，不同数据样本实例区别可能很大，而属于不同类别标签的数据样本实例反而可能会比较相似。这会使神经网络分类器训练无法收敛，进而导致分类任务失败。

为了解决该问题，本申请的技术方案中采用了频谱波形校准，对提取到的时域波形曲线的二维数据进行处理，以消除外界因素影响，从而提高卫星转发器识别模型的识别准确度。

具体地，对提取到的时域波形曲线的二维数据进行以下处理：

xi＝(xi-xmin)/(xmax-xmin)

yi＝(yi-ymin)/(ymax-ymin)

其中，xi为时域波形曲线的第i个点的x轴坐标，xmin为时域波形曲线的最小x轴坐标，xmax为时域波形曲线的最大x轴坐标。

其中，yi为时域波形曲线的第i个点的y轴坐标，ymin为时域波形曲线的最小y轴坐标，ymax为时域波形曲线的最大y轴坐标。

经处理后数据的坐标均被限制在(0，1)之间，还原了波形数据的整体趋势，恢复了相对位置、相对峰值大小之间的关系。通过这种预处理方式，同一标签下的不同样本实例将有类似的波形。

对数据的标签信息可采用one-hot编码方式编码。这可以解决分类器不好处理属性数据的问题，同时可在一定程度上扩充特征。

s03：利用训练数据集对卫星转发器识别模型进行训练

在经过步骤s02后，可得到由高质量的训练数据构成的训练数据集。利用该训练数据集对步骤s01得到的卫星转发器识别模型进行训练，由此可以得到性能优异的神经网络卫星转发器识别模型。

根据本申请的另一个实施例，提供了一种卫星转发器识别模型，该卫星转发器识别模型由本申请提供的卫星转发器识别模型训练方法训练而成。

根据本申请的另一个实施例，还提供了一种卫星转发器识别模型的使用方法。该使用方法包括：

s11：从接收机获取信号，根据该信号的原始数据绘制信号谱图；

s12：提取信号谱图中的时域波形曲线，并将其保存为二维数据((x1,y1),(x2,y2),…(xn,yn))；

s13：进行频谱波形校准，对提取到的时域波形曲线的二维数据进行以下处理：

xi＝(xi-xmin)/(xmax-xmin)

yi＝(yi-ymin)/(ymax-ymin)

其中，xi为时域波形曲线的第i个点的x轴坐标，xmin为时域波形曲线的最小x轴坐标，xmax为时域波形曲线的最大x轴坐标。

其中，yi为时域波形曲线的第i个点的y轴坐标，ymin为时域波形曲线的最小y轴坐标，ymax为时域波形曲线的最大y轴坐标；

s14：将经过频谱波形校准的二维数据输入卫星转发器识别模型，输出该信号谱图所属卫星转发器的名称标签，以识别该信号谱图来自于哪一颗卫星的卫星转发器。

为了测试根据本申请提供的卫星转发器识别模型的识别效率和识别准确度，发明人对根据本申请的训练方法得到的卫星转发器识别模型进行了测试。根据本申请的又一个实施例，在包含13个卫星转发器数据的训练数据集上，根据上述包括步骤s01-s03的方法训练得到一卫星转发器识别模型。经测试，分类准确率达96％，预测分类准确率较高，可以为后续人工精确判断与复核提供较高质量的辅助信息。由此可见，在卫星转发器自动识别任务中，该训练好的模型可以实时处理从地面接收机得到的信号谱图并给出预测分类结果。该自动识别辅助技术具备全天候不间断24小时连续工作能力。

综上，本申请提供了一种基于神经网络的卫星转发器识别模型及其训练方法和使用方法。通过该卫星转发器识别模型，能够自动识别所接收的信号来自于哪一颗卫星的卫星转发器。本申请提供的技术方案中，将卫星转发器识别问题转换为图像分类问题，从而将复杂的多参数问题变得直观简单。

根据本申请提供的卫星转发器识别模型的训练方法中，通过采用特定的数据预处理方法，获得了高质量的训练数据集，从而可训练出高质量的模型，模型需要处理的数据量小、模型收敛速度快，可提高卫星转发器识别模型的识别准确度。

应当理解，虽然本说明书是按照各个实施例描述的，但并非每个实施例仅包含一个独立的技术方案，说明书的这种叙述方式仅仅是为清楚起见，本领域技术人员应当将说明书作为一个整体，各实施例中的技术方案也可以经适当组合，形成本领域技术人员可以理解的其他实施方式。

以上所述仅为本申请示意性的具体实施方式，并非用以限定本申请的范围。任何本领域的技术人员，在不脱离本申请的构思和原则的前提下所作的等同变化、修改与结合，均应属于本申请保护的范围。