一種非高斯噪聲下分布式系統導航干擾智能識別方法、系統、設備及介質，方法為：對分布式系統接收端導航干擾信號進行特征提取，構建分數階平滑偽魏格納?維爾分布，分數階財?威廉姆斯分布和分數階小波變換，并將三者組合作為對接收端信號的三維智能表征，利用三維智能表征構建本地干擾數據集；構建分步式導航干擾識別系統，同時將Swin?Transformer網絡作為分布式系統子識別節點的本地網絡；進行本地參數更新，經過迭代得到全局最優網絡參數；將全局最優網絡參數加載于用于識別的全局網絡中，實現壓制式導航干擾信號的類內識別和欺騙式導航干擾信號的檢測識別；對全局網絡模型檢測識別為欺騙式導航干擾信號的分布式系統接收端信號進行分離，對分離后的欺騙式導航干擾與導航信號進行解調得到碼元序列并構建識別統計量與識別門限，對比識別統計量與識別門限的大小，實現欺騙式導航干擾的類內識別；最后，將得到的導航干擾識別結果合并，得到非高斯噪聲下分步式系統導航干擾智能識別結果。
【技術實現步驟摘要】
本專利技術屬于導航干擾監測，尤其涉及一種非高斯噪聲下分布式系統導航干擾智能識別方法、系統、設備及介質。
技術介紹
1、衛星導航信號具有覆蓋區域大，通信距離遠，不受通信雙方之間的地理位置限制，可靠性高，機動靈活等特點，給生活帶來了很多的遍歷，但是衛星導航再實際應用中也面臨著很多的挑戰。導航信號在傳輸過程中，由于其傳出距離遠，信號功率弱等特點，極易受到各種各樣的干擾，這些干擾輕則影響衛星的定位性能，重則會導致導航信號完全失效。因此，研究快速準確的干擾類型識別算法，指導后續抗干擾算法的研究，提升衛星導航的性能具有重要意義。
2、干擾信號的類型識別實際上一種模式識別的典型應用，可以概括為模式識別的三個步驟，首先是數據預處理，其次是特征提取，最后是分類決策。目前，已經有很多研究干擾識別的方法，根據分類器的種類可以分為基于機器學習類決策算法與基于深度學習的分類決策算法。
3、基于機器學習的算法有：g.-s.wang,q.-h.ren?and?y.-z.su,"the?interferenceclassification?and?recognition?based?on?sf-svm?algorithm,"2017?ieee?9thinternational?conference?on?communication?software?andnetworks(iccsn),guangzhou,china,2017,pp.835-841,doi:10.1109/iccsn.2017.8230229.論文提出了一種基于信號特征空間與svm的干擾分類與識別算法，建立了信號特征空間，具有良好的訓練速度與分類準確性。j.shu,y.liao?andx.luan,"an?interference?recognition?methodbased?on?improved?genetic?algorithm,"20217th?international?conference?oncomputer?and?communications(iccc),chengdu,china,2021,pp.496-500,doi:10.1109/iccc54389.2021.9674374.論文利用交叉和突變概率隨種群多樣化變化的方法，改進了遺傳算法優化svm分類器收斂過早和種群多樣性不足的問題，提升了遺傳算法性能，顯著提高了種群多樣性，提升了算法分類性能。z.xu?and?z.-y.wu,"compound?model?ofnavigationinterference?recognition?based?on?deep?sparse?denoising?auto-encoder,"2020ieee?3rd?international?conference?on?information?communication?and?signalprocessing(icicsp),shanghai,china,2020,pp.430-435,doi:10.1109/icicsp50920.2020.9232127.算法提出了一種基于深度稀疏去噪自編碼器網絡的復合分類模型算法，具有收斂速度快，識別準確率高的特點。xu,j.,ying,s.&li,h.gpsinterference?signal?recognition?based?on?machine?learning.mobile?netw?appl25,2336–2350(2020).算法通過提取功率譜熵等四種不同的熵特征，建立混合熵數據集，對比了支持向量機額svm和隨機森林rf方法，算法簡單，識別準確率較好，缺點是干擾信號種類太少，且只能滿足特定干擾種類的識別。基于深度學習的算法有：x.chen,d.he,x.yan,w.yu?and?t.-k.truong,"gnss?interference?type?recognition?with?fingerprintspectrum?dnn?method,"in?ieee?transactions?on?aerospace?and?electronicsystems,vol.58,no.5,pp.4745-4760,oct.2022,doi:10.1109/taes.2022.3167985.論文利用干擾指紋頻譜特征(fps)結合深度卷積神經網絡(fps深度卷積神經網絡，dnn)對導航干擾信號進行識別，所提出的fps使得不同的干擾信號更容易分別，所提出的深度卷進神經網絡大大提高了識別準確率，在低信噪比條件下仍具有良好的識別性能。j.yu,m.alhassoun?and?r.m.buehrer,"interference?classification?using?deep?neuralnetworks,"2020?ieee?92nd?vehicular?technology?conference(vtc2020-fall),victoria,bc,canada,2020,pp.1-6,doi:10.1109/vtc2020-fall49728.2020.9348658.論文利用監督學習實現了六種不同類型的干擾信號的識別，利用功率譜密度(psd)和循環頻譜作為網絡的輸入特征，實驗結果在準確性方面超過了其他利用頻譜密度特征的神經網絡。l.xie,y.zhuang,x.zhuang?and?x.zeng,"satellite?interference?signalclassification?using?improved?mlp?model,"2022ieee?international?conference?onunmanned?systems(icus),guangzhou,china,2022,pp.635-640,doi:10.1109/icus55513.2022.9986568.論文提出了一種欺騙是干擾識別算法，利用一種改進的多層感知器(mlp)模型，將衛星入射角的變化速率作為特征對干擾源進行識別和分類，實驗結果具有更高的識別率，但是算法只能夠在特定場合下進行欺騙式干擾的識別，無法推廣到工程實現當中。guo,chengjun,tu,weijuan,"gnss?interference?signal?recognition?basedon?deep?learning?and?fusion?time-frequency?features,"proceedings?of?the?34thinternational?technical?meeting?of?the?satellite?division?of?the?institute?ofnavigation(ion?gnss+2021),st.louis,missouri,september?2021,pp.855-863.算法提出了一種結合短時傅里葉變換和wvd變換相結合的時頻特征輸入到cnn中進行訓練，實驗結果相比于單一時頻變換，提高了干擾的識別精度，識別效果更好。
4、上述導航干擾識別算法只能夠對欺騙式導航干擾信號或者壓制式導本文檔來自技高網...
【技術保護點】
1.一種非高斯噪聲下分布式系統導航干擾智能識別方法，其特征在于，首先，對分布式系統接收端導航干擾信號進行特征提取，構建分數階平滑偽魏格納-維爾分布，分數階財-威廉姆斯分布和分數階小波變換，并將三者組合作為對接收端信號的三維智能表征，利用三維智能表征構建本地干擾數據集；然后，構建分步式導航干擾識別系統，同時將Swin-Transformer網絡作為分布式系統子識別節點的本地網絡；接著，進行本地參數更新，經過迭代得到全局最優網絡參數；將全局最優網絡參數加載于用于識別的全局網絡中，實現壓制式導航干擾信號的類內識別和欺騙式導航干擾信號的檢測識別；進一步，對全局網絡模型檢測識別為欺騙式導航干擾信號的分布式系統接收端信號進行分離，對分離后的欺騙式導航干擾與導航信號進行解調得到碼元序列并構建識別統計量與識別門限，對比識別統計量與識別門限的大小，實現欺騙式導航干擾的類內識別；最后，將得到的導航干擾識別結果合并，得到非高斯噪聲下分步式系統導航干擾智能識別結果。
2.一種非高斯噪聲下分布式系統導航干擾智能識別方法，其特征在于，包括以下步驟：
3.如權利要求2中所述的一種非高斯噪聲下分布式系統導航干擾智能識別方法，其特征在于，所述步驟一的具體過程為：
4.如權利要求2所述的一種非高斯噪聲下分布式系統導航干擾智能識別方法，其特征在于，所述步驟二的具體方法為：
5.如權利要求2所述的一種非高斯噪聲下分布式系統導航干擾智能識別方法，其特征在于，所述步驟三的具體方法為：
6.如權利要求2所述的一種非高斯噪聲下分布式系統導航干擾智能識別方法，其特征在于，所述步驟五的具體方法為：
7.如權利要求2所述的一種非高斯噪聲下分布式系統導航干擾智能識別方法，其特征在于，所述步驟六的具體方法為：
8.基于權利要求1～7任意一項所述的一種非高斯噪聲下分布式系統導航干擾智能識別系統，其特征在于，包括：
9.基于權利要求1～7任意一項所述的一種非高斯噪聲下分布式系統導航干擾智能識別設備，其特征在于，包括：
10.一種計算機可讀存儲介質，包括，所述計算機可讀存儲介質存儲有計算機程序，其特征在于所述計算機程序可讀存儲介質存儲有計算機程序，所述計算機程序被處理器執行時能夠對非高斯噪聲下分布式系統導航干擾智能識別。
...
【技術特征摘要】
1.一種非高斯噪聲下分布式系統導航干擾智能識別方法，其特征在于，首先，對分布式系統接收端導航干擾信號進行特征提取，構建分數階平滑偽魏格納-維爾分布，分數階財-威廉姆斯分布和分數階小波變換，并將三者組合作為對接收端信號的三維智能表征，利用三維智能表征構建本地干擾數據集；然后，構建分步式導航干擾識別系統，同時將swin-transformer網絡作為分布式系統子識別節點的本地網絡；接著，進行本地參數更新，經過迭代得到全局最優網絡參數；將全局最優網絡參數加載于用于識別的全局網絡中，實現壓制式導航干擾信號的類內識別和欺騙式導航干擾信號的檢測識別；進一步，對全局網絡模型檢測識別為欺騙式導航干擾信號的分布式系統接收端信號進行分離，對分離后的欺騙式導航干擾與導航信號進行解調得到碼元序列并構建識別統計量與識別門限，對比識別統計量與識別門限的大小，實現欺騙式導航干擾的類內識別；最后，將得到的導航干擾識別結果合并，得到非高斯噪聲下分步式系統導航干擾智能識別結果。
2.一種非高斯噪聲下分布式系統導航干擾智能識別方法，其特征在于，包括以下步驟：
3.如權利要求2中所述的一種非高斯噪聲下...
【專利技術屬性】
技術研發人員：劉明騫，李坤，張俊林，李進，
申請(專利權)人：西安電子科技大學，
類型：發明
國別省市：
還沒有人留言評論。發表了對其他瀏覽者有用的留言會獲得科技券。