一种非高斯噪声下分布式系统导航干扰智能识别方法、系统、设备及介质，方法为：对分布式系统接收端导航干扰信号进行特征提取，构建分数阶平滑伪魏格纳‑维尔分布，分数阶财‑威廉姆斯分布和分数阶小波变换，并将三者组合作为对接收端信号的三维智能表征，利用三维智能表征构建本地干扰数据集；构建分步式导航干扰识别系统，同时将Swin‑Transformer网络作为分布式系统子识别节点的本地网络；进行本地参数更新，经过迭代得到全局最优网络参数；将全局最优网络参数加载于用于识别的全局网络中，实现压制式导航干扰信号的类内识别和欺骗式导航干扰信号的检测识别；对全局网络模型检测识别为欺骗式导航干扰信号的分布式系统接收端信号进行分离，对分离后的欺骗式导航干扰与导航信号进行解调得到码元序列并构建识别统计量与识别门限，对比识别统计量与识别门限的大小，实现欺骗式导航干扰的类内识别；最后，将得到的导航干扰识别结果合并，得到非高斯噪声下分步式系统导航干扰智能识别结果。
【技术实现步骤摘要】
本专利技术属于导航干扰监测，尤其涉及一种非高斯噪声下分布式系统导航干扰智能识别方法、系统、设备及介质。
技术介绍
1、卫星导航信号具有覆盖区域大，通信距离远，不受通信双方之间的地理位置限制，可靠性高，机动灵活等特点，给生活带来了很多的遍历，但是卫星导航再实际应用中也面临着很多的挑战。导航信号在传输过程中，由于其传出距离远，信号功率弱等特点，极易受到各种各样的干扰，这些干扰轻则影响卫星的定位性能，重则会导致导航信号完全失效。因此，研究快速准确的干扰类型识别算法，指导后续抗干扰算法的研究，提升卫星导航的性能具有重要意义。
2、干扰信号的类型识别实际上一种模式识别的典型应用，可以概括为模式识别的三个步骤，首先是数据预处理，其次是特征提取，最后是分类决策。目前，已经有很多研究干扰识别的方法，根据分类器的种类可以分为基于机器学习类决策算法与基于深度学习的分类决策算法。
3、基于机器学习的算法有：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.论文提出了一种基于信号特征空间与svm的干扰分类与识别算法，建立了信号特征空间，具有良好的训练速度与分类准确性。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.论文利用交叉和突变概率随种群多样化变化的方法，改进了遗传算法优化svm分类器收敛过早和种群多样性不足的问题，提升了遗传算法性能，显著提高了种群多样性，提升了算法分类性能。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.算法提出了一种基于深度稀疏去噪自编码器网络的复合分类模型算法，具有收敛速度快，识别准确率高的特点。xu,j.,ying,s.&li,h.gpsinterference signal recognition based on machine learning.mobile netw appl25,2336–2350(2020).算法通过提取功率谱熵等四种不同的熵特征，建立混合熵数据集，对比了支持向量机额svm和随机森林rf方法，算法简单，识别准确率较好，缺点是干扰信号种类太少，且只能满足特定干扰种类的识别。基于深度学习的算法有：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.论文利用干扰指纹频谱特征(fps)结合深度卷积神经网络(fps深度卷积神经网络，dnn)对导航干扰信号进行识别，所提出的fps使得不同的干扰信号更容易分别，所提出的深度卷进神经网络大大提高了识别准确率，在低信噪比条件下仍具有良好的识别性能。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.论文利用监督学习实现了六种不同类型的干扰信号的识别，利用功率谱密度(psd)和循环频谱作为网络的输入特征，实验结果在准确性方面超过了其他利用频谱密度特征的神经网络。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.论文提出了一种欺骗是干扰识别算法，利用一种改进的多层感知器(mlp)模型，将卫星入射角的变化速率作为特征对干扰源进行识别和分类，实验结果具有更高的识别率，但是算法只能够在特定场合下进行欺骗式干扰的识别，无法推广到工程实现当中。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.算法提出了一种结合短时傅里叶变换和wvd变换相结合的时频特征输入到cnn中进行训练，实验结果相比于单一时频变换，提高了干扰的识别精度，识别效果更好。
4、上述导航干扰识别算法只能够对欺骗式导航干扰信号或者压制式导本文档来自技高网...
【技术保护点】
1.一种非高斯噪声下分布式系统导航干扰智能识别方法，其特征在于，首先，对分布式系统接收端导航干扰信号进行特征提取，构建分数阶平滑伪魏格纳-维尔分布，分数阶财-威廉姆斯分布和分数阶小波变换，并将三者组合作为对接收端信号的三维智能表征，利用三维智能表征构建本地干扰数据集；然后，构建分步式导航干扰识别系统，同时将Swin-Transformer网络作为分布式系统子识别节点的本地网络；接着，进行本地参数更新，经过迭代得到全局最优网络参数；将全局最优网络参数加载于用于识别的全局网络中，实现压制式导航干扰信号的类内识别和欺骗式导航干扰信号的检测识别；进一步，对全局网络模型检测识别为欺骗式导航干扰信号的分布式系统接收端信号进行分离，对分离后的欺骗式导航干扰与导航信号进行解调得到码元序列并构建识别统计量与识别门限，对比识别统计量与识别门限的大小，实现欺骗式导航干扰的类内识别；最后，将得到的导航干扰识别结果合并，得到非高斯噪声下分步式系统导航干扰智能识别结果。
2.一种非高斯噪声下分布式系统导航干扰智能识别方法，其特征在于，包括以下步骤：
3.如权利要求2中所述的一种非高斯噪声下分布式系统导航干扰智能识别方法，其特征在于，所述步骤一的具体过程为：
4.如权利要求2所述的一种非高斯噪声下分布式系统导航干扰智能识别方法，其特征在于，所述步骤二的具体方法为：
5.如权利要求2所述的一种非高斯噪声下分布式系统导航干扰智能识别方法，其特征在于，所述步骤三的具体方法为：
6.如权利要求2所述的一种非高斯噪声下分布式系统导航干扰智能识别方法，其特征在于，所述步骤五的具体方法为：
7.如权利要求2所述的一种非高斯噪声下分布式系统导航干扰智能识别方法，其特征在于，所述步骤六的具体方法为：
8.基于权利要求1～7任意一项所述的一种非高斯噪声下分布式系统导航干扰智能识别系统，其特征在于，包括：
9.基于权利要求1～7任意一项所述的一种非高斯噪声下分布式系统导航干扰智能识别设备，其特征在于，包括：
10.一种计算机可读存储介质，包括，所述计算机可读存储介质存储有计算机程序，其特征在于所述计算机程序可读存储介质存储有计算机程序，所述计算机程序被处理器执行时能够对非高斯噪声下分布式系统导航干扰智能识别。
...
【技术特征摘要】
1.一种非高斯噪声下分布式系统导航干扰智能识别方法，其特征在于，首先，对分布式系统接收端导航干扰信号进行特征提取，构建分数阶平滑伪魏格纳-维尔分布，分数阶财-威廉姆斯分布和分数阶小波变换，并将三者组合作为对接收端信号的三维智能表征，利用三维智能表征构建本地干扰数据集；然后，构建分步式导航干扰识别系统，同时将swin-transformer网络作为分布式系统子识别节点的本地网络；接着，进行本地参数更新，经过迭代得到全局最优网络参数；将全局最优网络参数加载于用于识别的全局网络中，实现压制式导航干扰信号的类内识别和欺骗式导航干扰信号的检测识别；进一步，对全局网络模型检测识别为欺骗式导航干扰信号的分布式系统接收端信号进行分离，对分离后的欺骗式导航干扰与导航信号进行解调得到码元序列并构建识别统计量与识别门限，对比识别统计量与识别门限的大小，实现欺骗式导航干扰的类内识别；最后，将得到的导航干扰识别结果合并，得到非高斯噪声下分步式系统导航干扰智能识别结果。
2.一种非高斯噪声下分布式系统导航干扰智能识别方法，其特征在于，包括以下步骤：
3.如权利要求2中所述的一种非高斯噪声下...
【专利技术属性】
技术研发人员：刘明骞，李坤，张俊林，李进，
申请(专利权)人：西安电子科技大学，
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。