【技術實現步驟摘要】
本專利技術屬于衛星導航抗干擾，特別涉及一種基于空間變換、多尺度特征融合和kan(kolmogorov-arnold?network)的gnss(全球衛星導航系統，global?navigationsatellite?system)干擾識別方法。
技術介紹
1、gnss可以提供精確的定位、導航和授時服務，在電子戰中發揮著關鍵作用。然而，由于導航衛星與地面相距較遠，gnss信號到達地面時非常微弱，因此極易受到干擾信號的影響。為了提高干擾環境下gnss的導航性能，以往的研究主要集中在針對特定類型的干擾研究有效的抗干擾方法，然而gnss接收機實際的工作環境復雜多變，干擾識別能夠為有針對性地選擇抗干擾措施提供依據。
2、現有的gnss干擾識別方法主要依賴于深度學習技術，盡管基于深度學習的方法可以準確識別gnss干擾信號，但通常需要足夠多的樣本來訓練分類器模型。然而，在復雜的戰場環境，獲取足夠多的干擾信號樣本極其困難，目前缺少針對小樣本條件下的gnss干擾識別問題的研究。此外，現有的gnss干擾識別方法參數量過大，這不利于將模型部署到如便捷式gnss接收機等資源受限的設備上。
技術實現思路
1、為了解決上述問題，本專利技術的目的在于提供一種基于空間變換、多尺度特征融合和kan的gnss干擾識別方法。
2、為了達到上述目的，本專利技術提供的基于空間變換、多尺度特征融合和kan的gnss干擾識別方法包括按順序進行的下列步驟：
3、1)生成7類gnss干擾信號并構
4、2)將訓練集和測試集中的所有干擾信號進行時頻轉換，獲得對應的時頻圖像訓練集和時頻圖像測試集；
5、3)構建由空間變換模塊、多尺度特征融合模塊和kan模塊組成的gnss干擾識別分類器；
6、4)使用步驟2)獲得的時頻圖像訓練集訓練步驟3)構建的gnss干擾識別分類器，獲得訓練好的gnss干擾識別分類器；
7、5)將步驟2)獲得的時頻圖像測試集輸入步驟3)獲得的訓練好的gnss干擾識別分類器中進行測試和驗證，獲得最終的gnss干擾識別分類器；
8、6)將實時采集的gnss干擾信號輸入步驟5)獲得的最終gnss干擾識別分類器中，最終gnss干擾識別分類器輸出該gnss干擾信號的類別。
9、在步驟1)中，所述7類gnss干擾信號分別為單音干擾信號、多音干擾信號、線性chirp干擾信號、正弦波形chirp干擾信號、脈沖干擾信號、窄帶噪聲調頻干擾信號和無干擾信號；由上述所有gnss干擾信號構成干擾信號數據集，然后從該干擾信號數據集中的每類gnss干擾信號分別抽取1個樣本、5個樣本和10個樣本，形成三種不同樣本數量的訓練集；剩余的gnss干擾信號則用于構建測試集；
10、每個gnss干擾信號的功率在[-110,-101]dbm范圍內，載波初相位在[0,2π]范圍內，其他參數設置如下：單音干擾信號載頻在[0,2]mhz范圍內；多音干擾信號包含2個單音干擾信號，每個單音干擾信號載頻在[0,2]mhz范圍內；線性chirp干擾信號與正弦波形chirp干擾信號掃頻帶寬在[0.5,2]mhz范圍內，掃頻周期在[20,50]μs范圍內；窄帶噪聲調頻干擾信號的帶寬在[0.1,2]mhz范圍內；脈沖干擾信號重復周期在[0.02,0.2]ms范圍內。
11、在步驟2)中，所述時頻轉換使用短時傅里葉變換，公式如下：
12、
13、其中，y(n(為gnss干擾信號，n為時間變量，h(n-m0是以m時刻為中心的窗函數，m＝0,1,...,my-1，k為離散頻率點，k＝0,1,...,ny-1，j為虛數單位，stft(m,k)為gnss干擾信號的時頻變換結果，ny為快速傅里葉變換的點數，my為窗函數滑動的次數，w＝2π/ny。
14、在步驟3)中，所述空間變換模塊主要由網格生成器和采樣器組成；其中網格生成器根據輸入的干擾信號時頻圖像尺寸生成仿射變換參數θ＝[θ1,θ2,θ3,θ4]，然后基于該仿射變換參數θ構造仿射變換矩陣t，該仿射變換矩陣t通過平移和縮放操作改變輸入的時頻圖像的像素坐標；仿射變換矩陣t由平移矩陣tt與縮放矩陣ts相乘得到，表示為：
15、
16、仿射變換矩陣t將輸入的干擾信號時頻圖像中所有像素點的坐標映射為新的坐標，計算公式如下：
17、
18、其中，表示輸入的干擾信號時頻圖像中第i個像素點的原始坐標，表示輸入的干擾信號時頻圖像中第i個像素點經過空間變換后的新坐標；所有新坐標將被存儲于采樣網格g(t)＝{gi}中，具體表示為然后采樣器根據上述生成的采樣網格g(t)從輸入的干擾信號時頻圖像中提取像素值，并將其映射到輸出的干擾信號時頻圖像的對應位置上，得到空間變換后的干擾信號時頻圖像，以擴充時頻圖像訓練集的樣本數。
19、在步驟3)中，所述多尺度特征融合模塊包括第一inception層、第二inception層、第三inception層、卷積層、最大池化層及平均池化層；inception層共有3×3、5×5和11×11卷積核支路，利用這三條支路并行執行不同尺寸的卷積操作，從輸入數據中提取多尺度特征；其中3×3卷積核支路用于捕捉局部細節，5×5卷積核支路用于提取中等尺度特征，而11×11卷積核支路則用于獲取全局信息；每條支路經過最大池化層及平均池化層的壓縮處理后，將輸出的特征圖在通道維度上進行拼接，最終得到融合后的多尺度特征圖。
20、在步驟3)中，所述kan模塊包括第一kan層和第二kan層；第一kan層的輸入為1×768像素的特征向量，第一kan層的輸出為1×64像素的特征向量；第二kan層的輸入為1×64像素的特征向量，第二kan層的輸出為1×7像素的特征向量p＝[p1,p2,p3,p4,p5,p6,p7]，其中
21、在步驟4)中，所述使用步驟2)獲得的時頻圖像訓練集訓練步驟3)構建的gnss干擾識別分類器，獲得訓練好的gnss干擾識別分類器的具體方法如下：
22、將步驟2)獲得的時頻圖像訓練集輸入到步驟3)構建的gnss干擾識別分類器中，對gnss干擾識別分類器進行訓練，設置初始學習率為0.0001，優化算法選擇adam算法，損失函數選擇交叉熵損失函數；
23、首先利用短時傅里葉變換對時頻圖像訓練集中的gnss干擾信號進行時頻變換，得到訓練集中所有gnss干擾信號的時頻圖像；然后利用空間變換模塊對上述時頻圖像進行空間變換，生成大量具有不同參數的干擾信號時頻圖像；最后，將上述干擾信號時頻圖像依次通過多尺度特征融合模塊和kan模塊，預測出干擾信號的類型；
24、直到交叉熵損失函數的變化率小于0.1％時，得到訓練好的分層識別分類器。
25、本專利技術提供的基于空間變換、多尺度特征融合和kan的gnss干擾識別方法具有以下優點：
26、1本文檔來自技高網...
【技術保護點】
1.一種基于空間變換、多尺度特征融合和KAN的GNSS干擾識別方法，其特征在于：所述GNSS干擾識別方法包括按順序進行的下列步驟：
2.根據權利要求1所述的GNSS干擾識別方法，其特征在于：在步驟1)中，所述7類GNSS干擾信號分別為單音干擾信號、多音干擾信號、線性chirp干擾信號、正弦波形chirp干擾信號、脈沖干擾信號、窄帶噪聲調頻干擾信號和無干擾信號；由上述所有GNSS干擾信號構成干擾信號數據集，然后從該干擾信號數據集中的每類GNSS干擾信號分別抽取1個樣本、5個樣本和10個樣本，形成三種不同樣本數量的訓練集；剩余的GNSS干擾信號則用于構建測試集；
3.根據權利要求1所述的GNSS干擾識別方法，其特征在于：在步驟2)中，所述時頻轉換使用短時傅里葉變換，公式如下：
4.根據權利要求1所述的GNSS干擾識別方法，其特征在于：在步驟3)中，所述空間變換模塊主要由網格生成器和采樣器組成；其中網格生成器根據輸入的干擾信號時頻圖像尺寸生成仿射變換參數θ＝[θ1,θ2,θ3,θ4]，然后基于該仿射變換參數θ構造仿射變換矩陣T，該仿射變換矩陣T通過平
5.根據權利要求1所述的GNSS干擾識別方法，其特征在于：在步驟3)中，所述多尺度特征融合模塊包括第一Inception層、第二Inception層、第三Inception層、卷積層、最大池化層及平均池化層；Inception層共有3×3、5×5和11×11卷積核支路，利用這三條支路并行執行不同尺寸的卷積操作，從輸入數據中提取多尺度特征；其中3×3卷積核支路用于捕捉局部細節，5×5卷積核支路用于提取中等尺度特征，而11×11卷積核支路則用于獲取全局信息；每條支路經過最大池化層及平均池化層的壓縮處理后，將輸出的特征圖在通道維度上進行拼接，最終得到融合后的多尺度特征圖。
6.根據權利要求1所述的GNSS干擾識別方法，其特征在于：在步驟3)中，所述KAN模塊包括第一KAN層和第二KAN層；第一KAN層的輸入為1×768像素的特征向量，第一KAN層的輸出為1×64像素的特征向量；第二KAN層的輸入為1×64像素的特征向量，第二KAN層的輸出為1×7像素的特征向量p＝[p1,p2,p3,p4,p5,p6,p7]，其中
7.根據權利要求1所述的GNSS干擾識別方法，其特征在于：在步驟4)中，所述使用步驟2)獲得的時頻圖像訓練集訓練步驟3)構建的GNSS干擾識別分類器，獲得訓練好的GNSS干擾識別分類器的具體方法如下：
...【技術特征摘要】
1.一種基于空間變換、多尺度特征融合和kan的gnss干擾識別方法，其特征在于：所述gnss干擾識別方法包括按順序進行的下列步驟：
2.根據權利要求1所述的gnss干擾識別方法，其特征在于：在步驟1)中，所述7類gnss干擾信號分別為單音干擾信號、多音干擾信號、線性chirp干擾信號、正弦波形chirp干擾信號、脈沖干擾信號、窄帶噪聲調頻干擾信號和無干擾信號；由上述所有gnss干擾信號構成干擾信號數據集，然后從該干擾信號數據集中的每類gnss干擾信號分別抽取1個樣本、5個樣本和10個樣本，形成三種不同樣本數量的訓練集；剩余的gnss干擾信號則用于構建測試集；
3.根據權利要求1所述的gnss干擾識別方法，其特征在于：在步驟2)中，所述時頻轉換使用短時傅里葉變換，公式如下：
4.根據權利要求1所述的gnss干擾識別方法，其特征在于：在步驟3)中，所述空間變換模塊主要由網格生成器和采樣器組成；其中網格生成器根據輸入的干擾信號時頻圖像尺寸生成仿射變換參數θ＝[θ1,θ2,θ3,θ4]，然后基于該仿射變換參數θ構造仿射變換矩陣t，該仿射變換矩陣t通過平移和縮放操作改變輸入的時頻圖像的像素坐標；仿射變換矩陣t由平移矩陣tt與縮放矩陣ts相乘得到，表示為：
5.根據權利要求1...
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。