本發(fā)明實(shí)施例涉及衛(wèi)星導(dǎo)航領(lǐng)域，更具體地，涉及一種衛(wèi)星導(dǎo)航干擾信號(hào)檢測(cè)方法及系統(tǒng)。

背景技術(shù)：

衛(wèi)星導(dǎo)航系統(tǒng)主要功能是為用戶提供穩(wěn)定可靠的導(dǎo)航及授時(shí)服務(wù)。但是衛(wèi)星導(dǎo)航信號(hào)較為脆弱，如果帶有目的性的向?qū)Ш叫l(wèi)星發(fā)射與導(dǎo)航信號(hào)頻率相同的載波信號(hào)，就能造成對(duì)衛(wèi)星轉(zhuǎn)發(fā)器的干擾，進(jìn)而干擾衛(wèi)星導(dǎo)航服務(wù)。同時(shí)，在導(dǎo)航系統(tǒng)的地面接收端也會(huì)遭受到干擾，例如，功率為1w的干擾發(fā)射裝置能夠讓大約85km以內(nèi)的c/a碼接收機(jī)無(wú)法正常工作。

衛(wèi)星導(dǎo)航干擾方式分為兩類：壓制性干擾和欺騙性干擾。壓制性干擾是用干擾機(jī)發(fā)射強(qiáng)干擾信號(hào)，阻塞接收機(jī)，使導(dǎo)航信號(hào)無(wú)法被正常的放大與檢測(cè)，使導(dǎo)航接收機(jī)降低或完全失去正常工作的能力。欺騙性干擾是引導(dǎo)導(dǎo)航接收機(jī)追蹤到假導(dǎo)航信號(hào)，使其輸出不正確的位置信息。

衛(wèi)星干擾檢測(cè)技術(shù)能夠?qū)⒏蓴_信號(hào)加以識(shí)別，對(duì)于保護(hù)衛(wèi)星導(dǎo)航系統(tǒng)起到至關(guān)重要的作用。由于無(wú)線電通信過(guò)程中電磁波輻射的空間開(kāi)放性，目前為止還沒(méi)有任何一種方法能用電子技術(shù)手段阻止無(wú)線電磁波從發(fā)射端傳向接收機(jī)。

目前主流的干擾檢測(cè)技術(shù)主要包括頻差法和時(shí)差法，其中最具代表性的干擾檢測(cè)技術(shù)包括：幅差法干擾檢測(cè)、相關(guān)前干擾檢測(cè)以及基于多相關(guān)器的gps接收機(jī)等。

相關(guān)前干擾檢測(cè)是基于自適應(yīng)門(mén)限的頻域干擾檢測(cè)方法，該方法將無(wú)干擾信號(hào)時(shí)的平均噪聲功率作為自適應(yīng)門(mén)限值，來(lái)考察干擾是否存在。將干擾檢測(cè)過(guò)程分成兩個(gè)步驟，第一步是在無(wú)干擾時(shí)產(chǎn)生檢測(cè)門(mén)限；第二步采用“t-測(cè)試”方法對(duì)一段時(shí)間內(nèi)的采樣數(shù)據(jù)進(jìn)行分析，并評(píng)估干擾情況。

基于多相關(guān)器的gps接收機(jī)可以實(shí)現(xiàn)實(shí)時(shí)的干擾檢測(cè)功能，并能估計(jì)干擾信號(hào)的特征(包括干擾功率、類型、中心頻率和帶寬)。該方法測(cè)試了不同功率值的cw和fm干擾對(duì)接收機(jī)的影響，并通過(guò)比較多相關(guān)器輸出波形和理想相關(guān)器輸出波形、各通道的c/n變化、以及使用時(shí)間序列模型進(jìn)行誤差預(yù)測(cè)的方法對(duì)窄帶連續(xù)波或調(diào)頻干擾的存在性及其特性進(jìn)行評(píng)估。

但上述檢測(cè)手段智能化程度較低，檢測(cè)成功率、檢測(cè)準(zhǔn)確率和檢測(cè)速度都極大的依賴操作者的經(jīng)驗(yàn)和知識(shí)水平，檢測(cè)不夠客觀。

技術(shù)實(shí)現(xiàn)要素：

本發(fā)明實(shí)施例提供了一種克服上述問(wèn)題或者至少部分地解決上述問(wèn)題的衛(wèi)星導(dǎo)航干擾信號(hào)檢測(cè)方法及系統(tǒng)。

一方面本發(fā)明實(shí)施例提供了一種衛(wèi)星導(dǎo)航干擾信號(hào)檢測(cè)方法，包括：

步驟1，獲取待檢測(cè)信號(hào)，提取所述待檢測(cè)信號(hào)的信號(hào)特征；

步驟2，基于所述待檢測(cè)信號(hào)的信號(hào)特征，利用預(yù)設(shè)機(jī)器學(xué)習(xí)模型識(shí)別所述待檢測(cè)信號(hào)中的干擾信號(hào)。

其中，在步驟2之后還包括：

對(duì)所述待檢測(cè)信號(hào)中識(shí)別出的干擾信號(hào)進(jìn)行標(biāo)記。

其中，所述預(yù)設(shè)機(jī)器學(xué)習(xí)模型為預(yù)設(shè)dbn模型。

其中，所述預(yù)設(shè)dbn模型通過(guò)以下步驟獲得：

獲取信號(hào)庫(kù)中的歷史信號(hào)，通過(guò)預(yù)處理獲得所述歷史信號(hào)的信號(hào)類型，并提取所述歷史信號(hào)的信號(hào)特征；

構(gòu)建包括所述歷史信號(hào)的信號(hào)特征和對(duì)應(yīng)的信號(hào)類型的訓(xùn)練樣本，構(gòu)建以信號(hào)特征作為輸入層、以信號(hào)類型作為輸出層的初始dbn模型，利用所述訓(xùn)練樣本對(duì)所述初始dbn模型進(jìn)行訓(xùn)練，得到所述預(yù)設(shè)dbn模型。

其中，所述通過(guò)預(yù)處理獲得所述歷史信號(hào)的信號(hào)類型，并提取所述歷史信號(hào)的信號(hào)特征具體為：

通過(guò)rbm模型預(yù)處理獲得所述歷史信號(hào)的信號(hào)類型，通過(guò)時(shí)間序列模型和快速傅里葉變換提取所述歷史信號(hào)的信號(hào)特征。

其中，所述利用所述訓(xùn)練樣本對(duì)所述初始dbn模型進(jìn)行訓(xùn)練，得到所述預(yù)設(shè)dbn模型具體包括：

對(duì)所述初始dbn模型進(jìn)行預(yù)訓(xùn)練得到第一dbn模型；

對(duì)所述第一dbn模型進(jìn)行微調(diào)得到所述預(yù)設(shè)dbn模型。

其中，所述預(yù)訓(xùn)練得到第一dbn模型進(jìn)一步包括：對(duì)初始dbn模型采用逐層訓(xùn)練的方式對(duì)各層中的rbm進(jìn)行訓(xùn)練，低一層的rbm的隱含層作為上一層的可見(jiàn)層輸入；

所述微調(diào)得到預(yù)設(shè)dbn模型進(jìn)一步包括：采用有監(jiān)督學(xué)習(xí)方式對(duì)最后一層的bp網(wǎng)絡(luò)進(jìn)行訓(xùn)練，并將實(shí)際輸出與預(yù)期輸出的誤差逐層向后傳播，對(duì)整個(gè)dbn模型的權(quán)值進(jìn)行微調(diào)。

另一方面本發(fā)明實(shí)施例提供了一種衛(wèi)星導(dǎo)航干擾信號(hào)檢測(cè)系統(tǒng)，包括：

第一獲取模塊，用于獲取待檢測(cè)信號(hào)，并提取所述待檢測(cè)信號(hào)的信號(hào)特征；

檢測(cè)模塊，用于基于所述待檢測(cè)信號(hào)的信號(hào)特征，利用預(yù)設(shè)機(jī)器學(xué)習(xí)模型識(shí)別所述待檢測(cè)信號(hào)中的干擾信號(hào)。

其中，所述檢測(cè)模塊具體用于基于所述待檢測(cè)信號(hào)的信號(hào)特征，利用預(yù)設(shè)dbn模型檢測(cè)所述待檢測(cè)信號(hào)的信號(hào)類型。

其中，所述檢測(cè)模塊進(jìn)一步包括：

第二獲取模塊，用于獲取信號(hào)庫(kù)中的歷史信號(hào)，通過(guò)預(yù)處理獲得所述歷史信號(hào)的信號(hào)類型，并提取所述歷史信號(hào)的信號(hào)特征；

訓(xùn)練模塊，用于構(gòu)建包括所述歷史信號(hào)的信號(hào)特征和對(duì)應(yīng)的信號(hào)類型的訓(xùn)練樣本，構(gòu)建以信號(hào)特征作為輸入層、以信號(hào)類型作為輸出層的初始dbn模型，利用所述訓(xùn)練樣本對(duì)所述初始dbn模型進(jìn)行訓(xùn)練，得到所述預(yù)設(shè)dbn模型。

本發(fā)明實(shí)施例提供的一種衛(wèi)星導(dǎo)航干擾信號(hào)檢測(cè)方法及系統(tǒng)，通過(guò)基于待檢測(cè)信號(hào)的信號(hào)特征，利用預(yù)設(shè)機(jī)器學(xué)習(xí)模型識(shí)別所述待檢測(cè)信號(hào)中的干擾信號(hào)，能夠?qū)崿F(xiàn)干擾信號(hào)的自動(dòng)識(shí)別，且識(shí)別準(zhǔn)確率高、速度快，不依賴操作人員的經(jīng)驗(yàn)和知識(shí)水平，檢測(cè)客觀。

附圖說(shuō)明

圖1為本發(fā)明實(shí)施例提供的一種衛(wèi)星導(dǎo)航干擾信號(hào)檢測(cè)方法流程圖；

圖2為本發(fā)明實(shí)施例提供的另一種衛(wèi)星導(dǎo)航干擾信號(hào)檢測(cè)方法流程圖；

圖3為圖2所述實(shí)施例中獲得所述預(yù)設(shè)dbn模型的流程圖；

圖4為圖3所述實(shí)施例中對(duì)所述初始dbn模型進(jìn)行訓(xùn)練的流程圖；

圖5為本發(fā)明實(shí)施例提供的一種衛(wèi)星導(dǎo)航干擾信號(hào)檢測(cè)系統(tǒng)的結(jié)構(gòu)框圖。

具體實(shí)施方式

為使本發(fā)明實(shí)施例的目的、技術(shù)方案和優(yōu)點(diǎn)更加清楚，下面將結(jié)合本發(fā)明實(shí)施例中的附圖，對(duì)本發(fā)明實(shí)施例中的技術(shù)方案進(jìn)行清楚地描述，顯然，所描述的實(shí)施例是本發(fā)明一部分實(shí)施例，而不是全部的實(shí)施例。基于本發(fā)明中的實(shí)施例，本領(lǐng)域普通技術(shù)人員在沒(méi)有做出創(chuàng)造性勞動(dòng)前提下所獲得的所有其他實(shí)施例，都屬于本發(fā)明保護(hù)的范圍。

圖1為本發(fā)明實(shí)施例提供的一種衛(wèi)星導(dǎo)航干擾信號(hào)檢測(cè)方法流程圖，如圖1所示，所述方法包括：s1，獲取待檢測(cè)信號(hào)，提取所述待檢測(cè)信號(hào)的信號(hào)特征；s2，基于所述待檢測(cè)信號(hào)的信號(hào)特征，利用預(yù)設(shè)機(jī)器學(xué)習(xí)模型識(shí)別所述待檢測(cè)信號(hào)中的干擾信號(hào)。

在s1中，所述待檢測(cè)信號(hào)中包括導(dǎo)航衛(wèi)星發(fā)送的正常導(dǎo)航信號(hào)以及干擾裝置發(fā)送的干擾信號(hào)。導(dǎo)航接收機(jī)接收到的待檢測(cè)信號(hào)中含有干擾信號(hào)時(shí)，會(huì)影響正常導(dǎo)航。所述信號(hào)特征包括信號(hào)的時(shí)域特征和頻域特征。在s2中，所述預(yù)設(shè)機(jī)器學(xué)習(xí)模型在輸入待檢測(cè)信號(hào)的信號(hào)特征后輸出所述待檢測(cè)信號(hào)的信號(hào)類型。

具體地，導(dǎo)航接收機(jī)接收到待檢測(cè)信號(hào)后，首先對(duì)所述待檢測(cè)信號(hào)進(jìn)行特征提取，再將所述待檢測(cè)信號(hào)的信號(hào)特征輸入所述預(yù)設(shè)機(jī)器學(xué)習(xí)模型中，輸出所述待檢測(cè)信號(hào)的信號(hào)類型，從而完成對(duì)待測(cè)信號(hào)是否為干擾信號(hào)的判斷。

在上述實(shí)施例中，在s2之后還包括：

對(duì)所述待檢測(cè)信號(hào)中識(shí)別出的干擾信號(hào)進(jìn)行標(biāo)記。

具體地，當(dāng)所述預(yù)設(shè)機(jī)器學(xué)習(xí)模型輸出的信號(hào)類型為干擾信號(hào)時(shí)，對(duì)對(duì)應(yīng)的所述待檢測(cè)信號(hào)進(jìn)行標(biāo)記，以便在后期處理中將干擾信號(hào)排除在解算過(guò)程之外。

本發(fā)明實(shí)施例提供的一種衛(wèi)星導(dǎo)航干擾信號(hào)檢測(cè)方法，通過(guò)基于待檢測(cè)信號(hào)的信號(hào)特征，利用預(yù)設(shè)機(jī)器學(xué)習(xí)模型識(shí)別所述待檢測(cè)信號(hào)中的干擾信號(hào)，能夠?qū)崿F(xiàn)干擾信號(hào)的自動(dòng)識(shí)別，且識(shí)別準(zhǔn)確率高、速度快，不依賴操作人員的經(jīng)驗(yàn)和知識(shí)水平，檢測(cè)客觀。

圖2為本發(fā)明實(shí)施例提供的另一種衛(wèi)星導(dǎo)航信號(hào)檢測(cè)方法的流程圖，其中，所述預(yù)設(shè)機(jī)器學(xué)習(xí)模型為預(yù)設(shè)dbn模型。

需要說(shuō)明的是，在本發(fā)明實(shí)施例中，所述預(yù)設(shè)機(jī)器學(xué)習(xí)模型可以是深度學(xué)習(xí)模型中的其他替代模型，也可以是機(jī)器學(xué)習(xí)模型中的決策樹(shù)模型等。所述預(yù)設(shè)機(jī)器學(xué)習(xí)模型為預(yù)設(shè)dbn模型只是其中一種優(yōu)選方式，本發(fā)明并不以此為限。

具體地，深度信念網(wǎng)絡(luò)(deepbeliefnetwork，dbn)由多層無(wú)監(jiān)督的受限玻爾茲曼機(jī)(restrictedboltzmannmachine，rbm)網(wǎng)絡(luò)和一層反向傳播(back-propagation，bp)網(wǎng)絡(luò)組成。

其中，rbm是一種生成式隨機(jī)神經(jīng)網(wǎng)絡(luò)(generativestochasticneuralnetwork，gsnn)，該網(wǎng)絡(luò)由一些可見(jiàn)單元(visibleunit)和一些隱藏單元(hiddenunit)構(gòu)成，可見(jiàn)變量和隱藏變量都是二元變量，亦即其狀態(tài)取{0，1}。整個(gè)網(wǎng)絡(luò)是一個(gè)二部圖，只有可見(jiàn)單元和隱藏單元之間才會(huì)存在邊，可見(jiàn)單元之間以及隱藏單元之間都不會(huì)有邊連接。

如圖2所示，所述方法包括：s21，獲取待檢測(cè)信號(hào)，并提取所述待檢測(cè)信號(hào)的信號(hào)特征；s22，基于所述待檢測(cè)信號(hào)的信號(hào)特征，利用預(yù)設(shè)dbn模型識(shí)別所述待檢測(cè)信號(hào)中的干擾信號(hào)。

在s21中，所述待檢測(cè)信號(hào)中包括導(dǎo)航衛(wèi)星發(fā)送的正常導(dǎo)航信號(hào)以及干擾裝置發(fā)送的干擾信號(hào)。導(dǎo)航接收機(jī)接收到的待檢測(cè)信號(hào)中含有干擾信號(hào)時(shí)，會(huì)影響正常導(dǎo)航。所述信號(hào)特征包括信號(hào)的時(shí)域特征和頻域特征。在s22中，所述預(yù)設(shè)dbn模型在輸入待檢測(cè)信號(hào)的信號(hào)特征后輸出所述待檢測(cè)信號(hào)的信號(hào)類型。

具體地，導(dǎo)航接收機(jī)接收到待檢測(cè)信號(hào)后，首先對(duì)所述待檢測(cè)信號(hào)進(jìn)行特征提取，再將所述待檢測(cè)信號(hào)的信號(hào)特征輸入所述預(yù)設(shè)dbn模型中，輸出所述待檢測(cè)信號(hào)的信號(hào)類型，從而完成對(duì)待測(cè)信號(hào)是否為干擾信號(hào)的判斷。

本發(fā)明實(shí)施例提供的一種衛(wèi)星導(dǎo)航干擾信號(hào)檢測(cè)方法，通過(guò)基于待檢測(cè)信號(hào)的信號(hào)特征，利用預(yù)設(shè)dbn模型識(shí)別所述待檢測(cè)信號(hào)中的干擾信號(hào)，能夠?qū)崿F(xiàn)干擾信號(hào)的自動(dòng)化識(shí)別，且識(shí)別準(zhǔn)確率高、速度快，不依賴操作人員的經(jīng)驗(yàn)和知識(shí)水平，檢測(cè)客觀。

在上述實(shí)施例中，如圖3所示，所述預(yù)設(shè)dbn模型通過(guò)以下步驟獲得：s31，獲取信號(hào)庫(kù)中的歷史信號(hào)，通過(guò)預(yù)處理獲得所述歷史信號(hào)的信號(hào)類型，并提取所述歷史信號(hào)的信號(hào)特征；s32，構(gòu)建包括所述歷史信號(hào)的信號(hào)特征和對(duì)應(yīng)的信號(hào)類型訓(xùn)練樣本，構(gòu)建以信號(hào)特征作為輸入層、以信號(hào)類型作為輸出層的初始dbn模型，利用所述訓(xùn)練樣本對(duì)所述初始dbn模型進(jìn)行訓(xùn)練，得到所述預(yù)設(shè)dbn模型。

在s31中，所述信號(hào)庫(kù)中存儲(chǔ)有歷史信號(hào)，所述歷史信號(hào)中包括有導(dǎo)航信號(hào)和干擾信號(hào)。所述信號(hào)特征包括時(shí)域特征和頻域特征，其中所述時(shí)域特征又包括：峰值因數(shù)、峭度、脈沖因子和波形因子等；所述頻域特征包括：重心頻率(fc)、均方頻率(msf)、均方根頻率(rmsf)、頻率方差(vf)和頻率標(biāo)準(zhǔn)差(rvf)等。

具體地，可通過(guò)rbm模型獲取所述歷史信號(hào)的信號(hào)類型，即分別識(shí)別出所述信號(hào)庫(kù)中的導(dǎo)航信號(hào)和干擾信號(hào)。并可通過(guò)時(shí)間序列模型(ar模型)提取所述歷史信號(hào)的時(shí)域特征；可通過(guò)快速傅里葉變換(fft)提取所述歷史信號(hào)的頻域特征。

在s32中，將多條所述歷史信號(hào)的信號(hào)特征以及對(duì)應(yīng)的信號(hào)類型組成的集合構(gòu)建為訓(xùn)練樣本，所述訓(xùn)練樣本中每條信號(hào)的信號(hào)特征以及對(duì)應(yīng)的信號(hào)類型都為已知。

具體地，由于訓(xùn)練樣本中所述歷史干擾信號(hào)的信號(hào)特征和對(duì)應(yīng)的信號(hào)類型都是已知的，所以用所述歷史干擾信號(hào)的信號(hào)特征作為輸入、對(duì)應(yīng)所述信號(hào)類型作為輸出來(lái)對(duì)所述初始dbn模型進(jìn)行訓(xùn)練，訓(xùn)練后得到的預(yù)設(shè)dbn模型可以識(shí)別干擾信號(hào)。

本發(fā)明實(shí)施例提供的另一種衛(wèi)星導(dǎo)航干擾信號(hào)檢測(cè)方法，通過(guò)建立信號(hào)特征和信號(hào)類型之間的初始dbn模型，再用訓(xùn)練樣本對(duì)該初始dbn模型進(jìn)行訓(xùn)練得到預(yù)設(shè)dbn模型，該預(yù)設(shè)dbn模型可以根據(jù)待檢測(cè)信號(hào)的信號(hào)特征判別該待測(cè)信號(hào)的信號(hào)類型，從而實(shí)現(xiàn)干擾信號(hào)的自動(dòng)識(shí)別，且識(shí)別準(zhǔn)確率高、速度快，不依賴操作人員的經(jīng)驗(yàn)和知識(shí)水平，檢測(cè)客觀。

在上述實(shí)施例中，所述通過(guò)預(yù)處理獲得所述歷史信號(hào)的信號(hào)類型，并提取所述歷史信號(hào)的信號(hào)特征具體為：

通過(guò)rbm模型預(yù)處理獲得所述歷史信號(hào)的信號(hào)類型，通過(guò)時(shí)間序列模型和快速傅里葉變換提取所述歷史信號(hào)的信號(hào)特征。

在上述實(shí)施例中，如圖4所示，步驟s32具體包括：s41，對(duì)所述初始dbn模型進(jìn)行預(yù)訓(xùn)練得到第一dbn模型；s42，對(duì)所述第一dbn模型進(jìn)行微調(diào)得到所述預(yù)設(shè)dbn模型。

其中，dbn模型訓(xùn)練包含“預(yù)訓(xùn)練(pre-training)”和“微調(diào)(fine-tuning)”2個(gè)步驟，預(yù)訓(xùn)練階段dbn模型采用逐層(layerwise)訓(xùn)練的方式對(duì)各層中的rbm進(jìn)行訓(xùn)練，低一層的rbm的隱含層作為上一層的可見(jiàn)層輸入。微調(diào)階段采用有監(jiān)督學(xué)習(xí)方式對(duì)最后一層的bp網(wǎng)絡(luò)進(jìn)行訓(xùn)練，并將實(shí)際輸出與預(yù)期輸出的誤差逐層向后傳播，對(duì)整個(gè)dbn模型的權(quán)值進(jìn)行微調(diào)。rbm網(wǎng)絡(luò)的訓(xùn)練過(guò)程實(shí)際上可看成是對(duì)深層bp網(wǎng)絡(luò)權(quán)值的初始化，使dbn模型克服了bp網(wǎng)絡(luò)因隨機(jī)初始化權(quán)值參數(shù)而導(dǎo)致的訓(xùn)練時(shí)間長(zhǎng)和容易陷入局部最優(yōu)解的缺點(diǎn)。

圖5為本發(fā)明實(shí)施例提供的一種衛(wèi)星導(dǎo)航干擾信號(hào)檢測(cè)系統(tǒng)的結(jié)構(gòu)框圖，如圖5所示，所述系統(tǒng)包括第一獲取模塊51和檢測(cè)模塊52。其中：

第一獲取模塊51用于獲取待檢測(cè)信號(hào)，并提取所述待檢測(cè)信號(hào)的信號(hào)特征。檢測(cè)模塊52用于基于所述待檢測(cè)信號(hào)的信號(hào)特征，利用預(yù)設(shè)機(jī)器學(xué)習(xí)模型識(shí)別所述待檢測(cè)信號(hào)中的干擾信號(hào)。

具體地，第一獲取模塊51接收到待檢測(cè)信號(hào)后，首先對(duì)所述待檢測(cè)信號(hào)進(jìn)行特征提取，再將所述待檢測(cè)信號(hào)的信號(hào)特征輸入所述預(yù)設(shè)機(jī)器學(xué)習(xí)模型中，檢測(cè)模塊52輸出所述待檢測(cè)信號(hào)的信號(hào)類型，從而完成對(duì)待測(cè)信號(hào)是否為干擾信號(hào)的判斷。

在上述實(shí)施例中，所述系統(tǒng)還包括標(biāo)記模塊，用于對(duì)所述待檢測(cè)信號(hào)中識(shí)別出的干擾信號(hào)進(jìn)行標(biāo)記。

具體地，當(dāng)所述預(yù)設(shè)機(jī)器學(xué)習(xí)模型輸出的信號(hào)類型為干擾信號(hào)時(shí)，所述標(biāo)記模塊對(duì)對(duì)應(yīng)的所述待檢測(cè)信號(hào)進(jìn)行標(biāo)記，以便在后期處理中將干擾信號(hào)排除在解算過(guò)程之外。

本發(fā)明實(shí)施例提供的一種衛(wèi)星導(dǎo)航干擾信號(hào)檢測(cè)系統(tǒng)，通過(guò)基于待檢測(cè)信號(hào)的信號(hào)特征，利用預(yù)設(shè)機(jī)器學(xué)習(xí)模型識(shí)別所述待檢測(cè)信號(hào)中的干擾信號(hào)，能夠?qū)崿F(xiàn)干擾信號(hào)的自動(dòng)識(shí)別，且識(shí)別準(zhǔn)確率高、速度快，不依賴操作人員的經(jīng)驗(yàn)和知識(shí)水平，檢測(cè)客觀。

在上述實(shí)施例中，所述檢測(cè)模塊具體用于基于所述待檢測(cè)信號(hào)的信號(hào)特征，利用預(yù)設(shè)dbn模型檢測(cè)所述待檢測(cè)信號(hào)的信號(hào)類型。

需要說(shuō)明的是，在本發(fā)明實(shí)施例中，所述預(yù)設(shè)機(jī)器學(xué)習(xí)模型可以是深度學(xué)習(xí)模型中的其他替代模型，也可以是機(jī)器學(xué)習(xí)模型中的決策樹(shù)模型等。所述預(yù)設(shè)機(jī)器學(xué)習(xí)模型為預(yù)設(shè)dbn模型只是其中一種優(yōu)選方式，本發(fā)明并不以此為限。

具體地，深度信念網(wǎng)絡(luò)(deepbeliefnetwork，dbn)由多層無(wú)監(jiān)督的受限玻爾茲曼機(jī)(restrictedboltzmannmachine，rbm)網(wǎng)絡(luò)和一層反向傳播(back-propagation，bp)網(wǎng)絡(luò)組成。

其中，rbm是一種生成式隨機(jī)神經(jīng)網(wǎng)絡(luò)(generativestochasticneuralnetwork，gsnn)，該網(wǎng)絡(luò)由一些可見(jiàn)單元(visibleunit)和一些隱藏單元(hiddenunit)構(gòu)成，可見(jiàn)變量和隱藏變量都是二元變量，亦即其狀態(tài)取{0，1}。整個(gè)網(wǎng)絡(luò)是一個(gè)二部圖，只有可見(jiàn)單元和隱藏單元之間才會(huì)存在邊，可見(jiàn)單元之間以及隱藏單元之間都不會(huì)有邊連接。

本發(fā)明實(shí)施例提供的一種衛(wèi)星導(dǎo)航干擾信號(hào)檢測(cè)系統(tǒng)，通過(guò)基于待檢測(cè)信號(hào)的信號(hào)特征，利用預(yù)設(shè)dbn模型識(shí)別所述待檢測(cè)信號(hào)中的干擾信號(hào)，能夠?qū)崿F(xiàn)干擾信號(hào)的自動(dòng)化識(shí)別，且識(shí)別準(zhǔn)確率高、速度快，不依賴操作人員的經(jīng)驗(yàn)和知識(shí)水平，檢測(cè)客觀。

在上述實(shí)施例中，所述檢測(cè)模塊進(jìn)一步包括第二獲取模塊和訓(xùn)練模塊。其中：

第二獲取模塊用于獲取信號(hào)庫(kù)中的歷史信號(hào)，通過(guò)預(yù)處理獲得所述歷史信號(hào)的信號(hào)類型，并提取所述歷史信號(hào)的信號(hào)特征；訓(xùn)練模塊用于構(gòu)建包括所述歷史信號(hào)的信號(hào)特征和對(duì)應(yīng)的信號(hào)類型的訓(xùn)練樣本，構(gòu)建以信號(hào)特征作為輸入層、以信號(hào)類型作為輸出層的初始dbn模型，利用所述訓(xùn)練樣本對(duì)所述初始dbn模型進(jìn)行訓(xùn)練，得到所述預(yù)設(shè)dbn模型。

具體地，第二獲取模塊可通過(guò)rbm模型獲取所述歷史信號(hào)的信號(hào)類型，即分別識(shí)別出所述信號(hào)庫(kù)中的導(dǎo)航信號(hào)和干擾信號(hào)。并可通過(guò)時(shí)間序列模型(ar模型)提取所述歷史信號(hào)的時(shí)域特征；可通過(guò)快速傅里葉變換(fft)提取所述歷史信號(hào)的頻域特征。

由于訓(xùn)練樣本中所述歷史干擾信號(hào)的信號(hào)特征和對(duì)應(yīng)的信號(hào)類型都是已知的，所以訓(xùn)練模塊用所述歷史干擾信號(hào)的信號(hào)特征作為輸入、對(duì)應(yīng)所述信號(hào)類型作為輸出來(lái)對(duì)所述初始dbn模型進(jìn)行訓(xùn)練，訓(xùn)練后得到的預(yù)設(shè)dbn模型可以識(shí)別干擾信號(hào)。

本發(fā)明實(shí)施例提供的另一種衛(wèi)星導(dǎo)航干擾信號(hào)檢測(cè)系統(tǒng)，通過(guò)建立信號(hào)特征和信號(hào)類型之間的初始dbn模型，再用訓(xùn)練樣本對(duì)該初始dbn模型進(jìn)行訓(xùn)練得到預(yù)設(shè)dbn模型，該預(yù)設(shè)dbn模型可以根據(jù)待檢測(cè)信號(hào)的信號(hào)特征判別該待測(cè)信號(hào)的信號(hào)類型，從而實(shí)現(xiàn)干擾信號(hào)的自動(dòng)識(shí)別，且識(shí)別準(zhǔn)確率高、速度快，不依賴操作人員的經(jīng)驗(yàn)和知識(shí)水平，檢測(cè)客觀。

在上述實(shí)施例中，所述第二獲取模塊具體用于：

通過(guò)rbm模型預(yù)處理獲得所述歷史信號(hào)的信號(hào)類型，通過(guò)時(shí)間序列模型和快速傅里葉變換提取所述歷史信號(hào)的信號(hào)特征。

在上述實(shí)施例中，所述訓(xùn)練模塊具體用于：

對(duì)所述初始dbn模型進(jìn)行預(yù)訓(xùn)練得到第一dbn模型；

對(duì)所述第一dbn模型進(jìn)行微調(diào)得到所述預(yù)設(shè)dbn模型。

其中，dbn模型訓(xùn)練包含“預(yù)訓(xùn)練(pre-training)”和“微調(diào)(fine-tuning)”2個(gè)步驟，預(yù)訓(xùn)練階段dbn模型采用逐層(layerwise)訓(xùn)練的方式對(duì)各層中的rbm進(jìn)行訓(xùn)練，低一層的rbm的隱含層作為上一層的可見(jiàn)層輸入。微調(diào)階段采用有監(jiān)督學(xué)習(xí)方式對(duì)最后一層的bp網(wǎng)絡(luò)進(jìn)行訓(xùn)練，并將實(shí)際輸出與預(yù)期輸出的誤差逐層向后傳播，對(duì)整個(gè)dbn模型的權(quán)值進(jìn)行微調(diào)。rbm網(wǎng)絡(luò)的訓(xùn)練過(guò)程實(shí)際上可看成是對(duì)深層bp網(wǎng)絡(luò)權(quán)值的初始化，使dbn模型克服了bp網(wǎng)絡(luò)因隨機(jī)初始化權(quán)值參數(shù)而導(dǎo)致的訓(xùn)練時(shí)間長(zhǎng)和容易陷入局部最優(yōu)解的缺點(diǎn)。

最后應(yīng)說(shuō)明的是：以上實(shí)施例僅用以說(shuō)明本發(fā)明的技術(shù)方案，而非對(duì)其限制；盡管參照前述實(shí)施例對(duì)本發(fā)明進(jìn)行了詳細(xì)的說(shuō)明，本領(lǐng)域的普通技術(shù)人員應(yīng)當(dāng)理解：其依然可以對(duì)前述各實(shí)施例所記載的技術(shù)方案進(jìn)行修改，或者對(duì)其中部分技術(shù)特征進(jìn)行等同替換；而這些修改或者替換，并不使相應(yīng)技術(shù)方案的本質(zhì)脫離本發(fā)明各實(shí)施例技術(shù)方案的精神和范圍。