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、设备及介质技术方案

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 recognit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...

【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：