本申请适用于无线通信技术领域，提供了一种干扰类型识别方法、装置、终端设备及介质。其中该方法通过获取待识别导航信号数据的基带数字信号数据；对基带数字信号数据的能量占比特征进行降维，得到低维基带数字信号数据；从低维基带数字信号数据中随机抽取低维基带数字信号，得到训练样本集；基于每个训练样本构建决策树，并根据所有决策树构建随机森林分类识别模型；将每个决策树每个节点上占比最大的干扰类型作为该节点的干扰类型，并根据该决策树上所有节点的干扰类型，确定该决策树对应的干扰类型分类结果；根据相对多数投票法则确定待识别导航信号数据中干扰信号的干扰类型。本申请能够识别不同的干扰类型。申请能够识别不同的干扰类型。申请能够识别不同的干扰类型。
【技术实现步骤摘要】
干扰类型识别方法、装置、终端设备及介质
[0001]本申请属于无线通信
，尤其涉及一种干扰类型识别方法、装置、终端设备及介质。
技术介绍
[0002]卫星导航接收机接收卫星播发的导航信号实现定位，导航信号从卫星传播到地面接收机的过程中，会受到各种电磁波干扰，这些电磁波可能是其他电子设备产生的无意干扰，也可能是专门针对导航信号的人为恶意干扰。这些干扰严重时将导致接收机无法正常定位。常见的电磁波干扰根据信号频谱特性的不同可以分为单频干扰、扫频干扰、窄带干扰等。
[0003]目前对于干扰的检测和识别主要是基于事后处理，采集到导航信号后变换到频域，根据频谱特性，人为判断干扰的类型，并没有在接收机中实时进行干扰类型识别的方法。
[0004]随着高精度定位在智能汽车领域应用越来越广泛，对各种复杂电磁环境中的定位可靠性要求越来越高，对于干扰类型的实时检测和识别至关重要，只有正确检测和识别出干扰类型，才能对应采用有效的抗干扰算法，达到最优的抗干扰效果。但是目前的干扰类型识别方法无法识别不同的干扰类型。
技术实现思路
[0005]本申请实施例提供了一种干扰类型识别方法、装置、终端设备及介质，可以解决干扰类型识别方法无法识别不同的干扰类型的问题。
[0006]第一方面，本申请实施例一种干扰类型识别方法，包括：
[0007]获取待识别导航信号数据的基带数字信号数据；
[0008]对基带数字信号数据的能量占比特征进行降维处理，得到低维基带数字信号数据；低维基带数字信号数据包括多个低维基带数字信号；
[0009]从低维基带数字信号数据中多次随机抽取低维基带数字信号，并将每次抽取到的预设数量的低维基带数字信号的能量占比特征作为一训练样本，得到训练样本集；训练样本集包括多个训练样本；
[0010]构建随机森林分类识别模型；随机森林分类识别模型包括基于每个训练样本构建的决策树；
[0011]分别针对每个训练样本的决策树，将该决策树每个节点上占比最大的干扰类型作为该节点的干扰类型，并根据该决策树上所有节点的干扰类型，确定该决策树对应的干扰类型分类结果；
[0012]根据相对多数投票法则从多个干扰类型分类结果中确定待识别导航信号数据中干扰信号的干扰类型。
[0013]可选的，获取待识别导航信号数据的基带数字信号数据，包括：
[0014]对待识别导航信号数据进行下变频处理，并对下变频处理结果进行AD转换得到基带数字信号数据A；其中，A＝{a1,a2,...,a
i
,...,a
n
}，a
i
表示所有n个基带数字信号中的第i个基带数字信号，i＝1,2,...,n。
[0015]可选的，对基带数字信号数据的能量占比特征进行降维处理，得到低维基带数字信号数据，包括：
[0016]根据基带数字信号数据A构建变换矩阵T；
[0017]通过计算公式B＝T
T
*A得到低维基带数字信号数据B。
[0018]可选的，根据基带数字信号数据A构建变换矩阵T，包括：
[0019]计算基带数字信号数据A的均值μ，并根据该均值对基带数字信号数据A进行去均值处理，得到新的基带数字信号数据A
′
；
[0020]通过计算公式Cx＝A
′
*A
′
T
得到新的基带数字信号数据A
′
的自相关函数Cx；
[0021]通过计算公式Cx*t＝λ*t得到新的基带数字信号数据A
′
的多个特征值λ；其中，t表示最优变换向量；
[0022]按照特征值从大到小的顺序对多个特征值进行排列，得到变换矩阵T，T＝{λ1,λ2,...,λ
n
}。
[0023]可选的，分别针对每个训练样本的决策树，将该决策树每个节点上占比最大的干扰类型作为该节点的干扰类型，包括：
[0024]分别针对每个训练样本的决策树上每个节点，随机选取m个能量占比特征构建能量占比特征空间；其中，m＝log2d，d表示该训练样本中能量占比特征的总数量；
[0025]根据不同干扰类型的能量占比，对能量占比特征空间的多个能量占比特征进行分类，并将数量最多的能量占比特征对应的干扰类型作为该节点的干扰类型。
[0026]可选的，根据相对多数投票法则从多个干扰类型分类结果中确定待识别导航信号数据中干扰信号的干扰类型，包括：
[0027]利用相对多数投票法对每个决策树的干扰类型分类结果进行投票，并将多个干扰类型分类结果中得票最多的干扰类型分类结果确定为待识别导航信号数据中干扰信号的干扰类型。
[0028]第二方面，本申请实施例提供了一种干扰类型识别装置，包括：
[0029]获取模块，用于获取待识别导航信号数据的基带数字信号数据；
[0030]降维模块，用于对基带数字信号数据的能量占比特征进行降维处理，得到低维基带数字信号数据；低维基带数字信号数据包括多个低维基带数字信号；
[0031]训练模块，用于从低维基带数字信号数据中多次随机抽取低维基带数字信号，并将每次抽取到的预设数量的低维基带数字信号的能量占比特征作为一训练样本，得到训练样本集；训练样本集包括多个训练样本；
[0032]构建模块，用于构建随机森林分类识别模型；随机森林分类识别模型包括基于每个训练样本构建的决策树；
[0033]第一识别模块，用于分别针对每个训练样本的决策树，将该决策树每个节点上占比最大的干扰类型作为该节点的干扰类型，并根据该决策树上所有节点的干扰类型，确定该决策树对应的干扰类型分类结果；
[0034]第二识别模块，用于根据相对多数投票法则从多个干扰类型分类结果中确定待识
别导航信号数据中干扰信号的干扰类型。
[0035]第三方面，本申请实施例提供了一种终端设备，包括存储器、处理器以及存储在存储器中并可在处理器上运行的计算机程序，处理器执行计算机程序时实现上述干扰类型识别方法。
[0036]第四方面，本申请实施例提供了一种计算机可读存储介质，计算机可读存储介质存储有计算机程序，计算机程序被处理器执行时实现上述干扰类型识方法。
[0037]本申请的上述方案有如下的有益效果：
[0038]在本申请的一些实施例中，通过获取待识别导航信号数据的基带数字信号数据，然后对基带数字信号数据的能量占比特征进行降维处理，得到低维基带数字信号数据，再从低维基带数字信号数据中多次随机抽取低维基带数字信号，并将每次抽取到的预设数量的低维基带数字信号的能量占比特征作为一训练样本，然后构建随机森林分类识别模型，并将每个决策树每个节点上占比最大的干扰类型作为该节点的干扰类型，再根据该决策树所有节点的干扰类型确定该决策树的对应的干扰类型分类结果，最后根据相对多数投票法则从多个干扰类型分类结果中确定待识别导航信号数据中干扰信号的干扰类型。其中，随机森林分类识别模型中本文档来自技高网...
【技术保护点】
【技术特征摘要】
1.一种干扰类型识别方法，其特征在于，包括：获取待识别导航信号数据的基带数字信号数据；对所述基带数字信号数据的能量占比特征进行降维处理，得到低维基带数字信号数据；所述低维基带数字信号数据包括多个低维基带数字信号；从所述低维基带数字信号数据中多次随机抽取低维基带数字信号，并将每次抽取到的预设数量的低维基带数字信号的能量占比特征作为一训练样本，得到训练样本集；所述训练样本集包括多个训练样本；构建随机森林分类识别模型；所述随机森林分类识别模型包括基于每个训练样本构建的决策树；分别针对每个训练样本的决策树，将该决策树每个节点上占比最大的干扰类型作为该节点的干扰类型，并根据该决策树上所有节点的干扰类型，确定该决策树对应的干扰类型分类结果；根据相对多数投票法则从多个干扰类型分类结果中确定所述待识别导航信号数据中干扰信号的干扰类型。2.根据权利要求1所述的干扰类型识别方法，其特征在于，所述获取待识别导航信号数据的基带数字信号数据，包括：对所述待识别导航信号数据进行下变频处理，并对下变频处理结果进行AD转换得到所述基带数字信号数据A；其中，A＝{a1，a2，...，a
i
，...，a
n
}，a
i
表示所有n个基带数字信号中的第i个基带数字信号，i＝1，2，...，n。3.根据权利要求2所述的干扰类型识别方法，其特征在于，所述对所述基带数字信号数据的能量占比特征进行降维处理，得到低维基带数字信号数据，包括：根据所述基带数字信号数据A构建变换矩阵T；通过计算公式B＝T
T
*A得到所述低维基带数字信号数据B。4.根据权利要求3所述的干扰类型识别方法，其特征在于，所述根据所述基带数字信号数据A构建变换矩阵T，包括：计算所述基带数字信号数据A的均值μ，并根据该均值对所述基带数字信号数据A进行去均值处理，得到新的基带数字信号数据A
′
；通过计算公式Cx＝A
′
*A
′
T
得到所述新的基带数字信号数据A
′
的自相关函数Cx；通过计算公式Cx*t＝λ*t得到所述新的基带数字信号数据A
′
的多个特征值λ；其中，t表示最优变换向量；按照特征值从大到小的顺序对所述多个特征值进行排列，得到所述变换矩...
【专利技术属性】
技术研发人员：王东会，郑彬，向为，
申请(专利权)人：湖南北云科技有限公司，
类型：发明
国别省市：
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。