[发明专利]一种基于多语义特征融合网络的卫星压制干扰识别方法

说明书

本发明公开了一种基于多语义特征融合网络的卫星压制干扰识别方法。本发明包括如下步骤：步骤1、对7类压制干扰信号进行分析，并接收到卫星导航信号和压制干扰信号以及高斯噪声信号的混合信号的时域信号；步骤2、对接收到的时域信号进行图像化重构处理，得到受不同压制干扰信号影响的二维图像；步骤3、搭建干扰识别模型；首先搭建残差网络模型；然后对残差网络模型中各级残差单元的输出特征进一步进行拼接融合，最终得到基于特征融合网络的干扰识别模型；步骤4、获得多语义融合特征，进行分类并统计识别准确率。本发明通过图像化重构达到数据增强效果，同时采用多语义特征融合提升了网络的特征提取和分类能力，更有助于进行分类识别。

技术领域

本发明主要针对卫星导航信号的7类有源压制干扰的识别，主要涉及基于多语义特征融合网络的卫星压制干扰识别方法。

背景技术

在军事和民用领域，随着卫星导航系统及其应用的发展，全球卫星导航系统(global navigation satellite system，GNSS)已经成为重要，不可缺失的空间基础设施。随着导航定位技术的深入应用，“导航干扰战”逐渐成为电子对抗的重要分支。在复杂的通信环境中，来自外部的卫星导航压制干扰使依赖卫星导航服务的基础设施的安全、高效、稳定运行面临严重威胁。因此，有效检测识别压制干扰仍是当前GNSS领域内的研究热点。

针对多类型有源压制干扰的识别问题，近年来，部分学者利用深度学习网络结构自动提取信号特征，并在信号识别方面取得较好的突破。提出基于时域构造的残差网络压制干扰识别算法，该算法将信号时域构造的一维数据作为网络输入，网络输入样本维度规模小，导致无法为网络提供更多有效区分度的特征作为分类识别依据。对此，本发明提出基于多语义特征融合网络的卫星压制干扰信号识别算法，该算法通过信号图像化重构和多语义特征融合网络，通过跳跃连接的残差网络的低层和高层语义特征提取，构建了更完善的高维信号时频域特征，提取到更丰富的多语义特征，比基于时域构造的残差网络压制干扰识别算法具有更好的识别性能。

由此可见，基于多语义特征融合网络的卫星压制干扰识别算法在卫星导航信号的干扰识别方面有着非常广泛的应用前景。

发明内容

由于压制干扰原理简单，具有实现难度低和压制效率高等优点，人为产生的压制干扰成为卫星通信系统的主要干扰因素。

本发明解决其技术问题所采用的技术方案包括以下步骤：

步骤1、对7类压制干扰信号进行分析，并接收到卫星导航信号和压制干扰信号以及高斯噪声信号的混合信号的时域信号；

步骤2、对接收到的时域信号进行图像化重构处理，得到受不同压制干扰信号影响的二维图像。

步骤3、搭建干扰识别模型。

首先搭建残差网络模型；然后对残差网络模型中各级残差单元的输出特征进一步进行拼接融合，最终得到基于特征融合网络的干扰识别模型；

步骤4、获得多语义融合特征，进行分类并统计识别准确率。

步骤1具体实现如下：

1-1.对于7种典型压制干扰信号，J(t)的表达式可用表1来表示。

表1中，f_c为干扰信号的载波频率，为初始相位，通常设为0。a(t)、a₁(t)和a₂(t)为BPSK和QPSK干扰信号的基带数据。u(t)为时域脉冲干扰信号的脉冲信号，τ为脉冲持续时间，T为时域脉冲周期。n(t)为随机的高斯白噪声，K_FM是噪声调频干扰的调频特性曲线斜率。K₁为扫频干扰的扫频速率。梳状谱干扰信号是由5个噪声调频信号合成，K为梳状谱干扰的调频特性曲线斜率，f_c，i为梳状谱干扰信号的载波频率，频点的选择由要干扰的通信频段来决定。