一种基于深度卷积神经网络的导航卫星微弱信号捕获方法技术

本发明专利技术的基于深度卷积神经网络的导航卫星微弱信号捕获方法，首先导航卫星信号接收机捕获微弱的导航卫星信号，经过射频电路进行信号处理，得到中频信号和本地生成信号以及相关信号；接着，采用卷积神经网络对相关信号进行检测；并利用区域编码的方法提高相关峰值的绝对位置精度，训练数据集，得出PC

【技术实现步骤摘要】
一种基于深度卷积神经网络的导航卫星微弱信号捕获方法


[0001]本专利技术涉及一种基于深度卷积神经网络的导航卫星微弱信号捕捉方法，更具体的说，尤其涉及一种采用相关峰值分类和相关峰值定位的深度卷积神经网络框架，将其应用于导航卫星微弱信号的捕获检测，通过对深度卷积神经网络进行数据训练，确定优化网络参数并输出最优值，提高了捕获导航卫星微弱信号性能的方法。

技术介绍

[0002]由于深度卷积神经网络对微弱的导航卫星信号捕获具有较高的精度，卷积神经网络(Convolutional Neural Networks，CNNs)技术得到了工业界和学术界的广泛关注。在衰落环境下，卫星导航信号非常微弱，采用传统的捕获算法对接收机的检测概率非常低。在GPS这种卫星导航系统中，采用了码分多址技术，其在地球表面的扩频信号功率约为
‑
128.5dBm。接收机通过扩频增益使相关峰值大于噪声功率来获取信号。在城市峡谷、植被或室内等衰落环境中，GPS信号进一步衰减。典型的GPS信号衰减在植被下约为5～15dB，城市峡谷中约为10～30dB，地下超过25dB，因此可用GPS接收机的采集阈值至少优于
‑
145dBm。传统的导航卫星信号捕获算法主要采用额外的硬件成本来提高捕获概率。在文献“Research of Weak GPS Signal Acquisition Algorithm”(S.Tian,and Y.Pi,2008International Conference on Communications,Circuits and Systems Communications,Circuits and Systems,2008.pp.793
‑
796May,2008.)和文献“A Double Dwell High Sensitivity GPS Acquisition Scheme Using Binarized Convolution Neural Network”(Z.Wang,Y.Zhuang,J.Yang,H.Zhang,J.Yang,H.Zhang,W.Dong,M.Wang,L.Hua,B.Liu,B.Liu,and L.Shi,Sensors 18 1482,2018)中，采用差分相关算法、空间天线分集来实现微弱GPS信号的捕获，但带来更多的计算、内存或其他硬件成本。目前的基于深度卷积神经网络的导航卫星微弱信号捕获方法，通常涉及了一种图像相关峰值分类和相关峰值定位的深度卷积神经网络框架，深度卷积神经网络包括一个峰值分类(Peak Classification，PC)和一个峰值定位(Peak Position，PP)，分别对相关图像进行相关峰值的分类和绝对位置的识别，提高了获得微弱卫星导航信号的性能。
[0003]但是，在目前的基于深度卷积神经网络的导航卫星微弱信号捕获方法中，能够充分利用深度卷积神经网络的方法还缺乏成功的先例。没有充分利用深度卷积神经网络来捕获信号，现有的导航卫星微弱信号捕获方法，所取得的系统可靠性较差且捕获效率较低。
[0004]在本专利技术中，专利技术人针对导航卫星微弱信号的捕获提出了一种基于深度卷积神经网络的导航卫星微弱信号捕获方法。在本专利技术的方法中，建立了一种图像相关峰值分类和相关峰值定位的深度卷积神经网络框架，将其应用于导航卫星微弱信号检测，通过对深度卷积神经网络进行数据训练，确定优化网络参数并输出最优值，提高了捕获导航卫星微弱信号性能的方法。

技术实现思路

[0005]本专利技术为了克服上述技术问题的缺点，提出了一种基于深度卷积神经网络的导航卫星微弱信号捕获方法。
[0006]本专利技术的基于深度卷积神经网络的导航卫星微弱信号捕获方法，其特征在于，通过如下步骤来实现：步骤一，导航卫星信号接收机获得微弱的导航卫星信号，经过射频电路处理，接收到中频信号r(t)并产生本地生成信号s(t)，通过对中频信号r(t)和本地生成信号s(t)之间进行相关运算，获得其相关信号R(t)；步骤二，采用绝对位置卷积神经网络对信号的相关值进行检测；步骤三，采用区域编码的方法提高相关峰值的绝对位置精度，训练数据集，得出PC
‑
CNN
S
和PP
‑
CNN
S
的最优模型。
[0007]本专利技术的基于深度卷积神经网络的导航卫星微弱信号捕获方法，所述步骤一通过以下分步骤来实现：
[0008]a)获取中频信号r(t)；对于一个深度卷积神经网络的导航卫星信号捕获系统，经过射频电路处理，接收到中频信号为：
[0009]r(t)＝AD
r
(t)C
r
(t
‑
τ)
×
cos[2π(f
IF
+f
d
)t+φ0]+n(t)
ꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ
(1)
[0010]在公式(1)中，A是信号振幅，D
r
(t)是调制的数据，f
d
是多普勒频移，φ0是原始相位，C
r
(t
‑
τ)是具有延迟时间的伪随机码；
[0011]b)接收机产生本地生成信号为s(t)；对于一个深度卷积神经网络的导航卫星信号捕获系统，接收机产生的本地生成信号为：
[0012][0013]在公式(2)中，是具有延迟时间的本地伪随机码，是本地频移，φ1是初相位；
[0014]c)获得相关信号R(t)；对中频信号r(t)和本地生成信号s(t)进行相关处理，获得的相关信号为：
[0015][0016]在公式(3)中，Δφ＝φ0‑
φ1，n
cor
是包括高斯噪声和互相关输出的等效噪声。
[0017]本专利技术的基于深度卷积神经网络的导航卫星微弱信号捕获方法，所述步骤二通过以下分步骤来实现：
[0018]d)相关器处理信号，获得相关图像，并输入卷积神经网络；采用M个相关器对信号进行并行处理，以减少采集时间，将整个相关图像分割为多幅相关子图像，并输入卷积神经网络；
[0019]e)PC
‑
CNN
S
识别图像中的相关峰值；绝对位置卷积神经网络中的相关峰值分类有S1个卷积层，一个A
×
A内核，M1个最大池化层和E1个全连接层，用于识别图像中的相关峰值，由于在整个相关图像中只有一幅分割图像具有相关峰值，PC
‑
CNN
S
的高识别精度可以减少其
分割图像的数量；
[0020]f)PP
‑
CNN
S
对分割图像的相关峰值进行绝对位置识别；PP
‑
CNN
S
中有N2个最大池化层，S2个卷积层和E2个全连接层，每一层背后都有一个修正线性单元(Rectified Linear Unit,ReLU)作为非线性激活函数，峰值分类后，PP<本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于深度卷积神经网络的导航卫星微弱信号捕获方法，其特征在于，通过如下步骤来实现：步骤一，导航卫星信号接收机获得微弱的导航卫星信号，经过射频电路处理，接收到中频信号r(t)并产生本地生成信号s(t)，通过对中频信号r(t)和本地生成信号s(t)之间进行相关运算，获得其相关信号R(t)；步骤二，采用绝对位置卷积神经网络对信号的相关值进行检测；步骤三，采用区域编码的方法提高相关峰值的绝对位置精度，训练数据集，得出PC
‑
CNN
S
和PP
‑
CNN
S
的最优模型。2.根据权利要求1所述的基于深度卷积神经网络的导航卫星微弱信号捕获方法，其特征在于，所述步骤一通过以下分步骤来实现：a)获取中频信号r(t)；对于一个深度卷积神经网络的导航卫星信号捕获系统，经过射频电路处理，接收到中频信号为：r(t)＝AD
r
(t)C
r
(t
‑
τ)
×
cos[2π(f
IF
+f
d
)t+φ0]+n(t)
ꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ
(1)在公式(1)中，A是信号振幅，D
r
(t)是调制的数据，f
d
是多普勒频移，φ0是原始相位，C
r
(t
‑
τ)是具有延迟时间的伪随机码；b)接收机产生本地生成信号为s(t)；对于一个深度卷积神经网络的导航卫星信号捕获系统，接收机产生的本地生成信号为：在公式(2)中，是具有延迟时间的本地伪随机码，是本地频移，φ1是初相位；c)获得相关信号R(t)；对中频信号r(t)和本地生成信号s(t)进行相关处理，获得的相关信号为：在公式(3)中，Δφ＝φ0‑
φ1，n
cor
是包括高斯噪声和互相关输出的等效噪声。3.根据权利要求1所述的基于深度卷积神经网络的导航卫星微弱信号捕获方法，其特征在于，所述步骤二通过以下分步骤来实现：d)相关器处理信号，获得相关图像，并输入卷积神经网络；采用M个相关器对信号进行并行处理，以减少采集时间，将整个相关图像分割为多幅相关子图像，并输入卷积神经网络；e)PC
‑
CNN
S
识别图像中的相关峰值；绝对位置卷积神经网络中的相关峰值分类有S1个卷积层，一个A
×
A内核，M1个最大池化层和E1个全连接层，用于识别图像中的相关峰值，由于在整个相关图像中只有一幅分割图像具有相关峰值，PC
‑
C...

【专利技术属性】
技术研发人员：尤浩雨，刘洪武，武华，
申请(专利权)人：山东交通学院，
类型：发明
国别省市：