【技术实现步骤摘要】
本专利技术涉及卫星导航干扰抑制，尤其涉及一种基于resnet50-cbam网络的gnss干扰信号检测方法。
技术介绍
1、近年来，卫星导航系统gnss已在交通运输、农林渔业、水文监测、气象测报、通信授时、电力调度、救灾减灾、公共安全等领域得到广泛应用，服务国家重要基础设施，产生显著的经济效益和社会效益。卫星导航信号经过长距离的传输，经过大气层、电离层时会受到较大影响，到达地面接收机时的功率非常微弱，通常在-160dbw左右，容易受到地球表面产生的高功率有意噪声信号(即所谓的干扰)甚至无意噪声的影响。因此，当前针对卫星导航接收机抗干扰技术的提升亟待解决，以更好地面对各类复杂的干扰情况。为了避免各类干扰对导航信号的影响，提高导航接收机抗干扰性能，需要在接收机前端对干扰信号进行分类，以便根据干扰信号的不同选择相应的抗干扰算法。利用深度学习对干扰类型进行有效表征和识别的工作，在设计任何接收器的抗干扰算法能力方面都起着至关重要的作用。现有卫星导航干扰信号检测与分类方法主要利用人工神经网络(ann)、递归神经网络(rnn)、支持向量机(svm)与卷积神经网络(cnn)等一种或多种组合方法对不同干扰信号进行分类。上述算法卷积神经网络识别性能会随着其层数的增加而逐渐提升，但模型层数增加会导致梯度消失和退化等问题，使模型训练困难、网络识别错误率增加，导致神经网络性能退化。
技术实现思路
1、本专利技术要解决的技术问题是针对上述现有技术的不足，提供一种基于resnet50-cbam网络的gnss干扰信
2、为解决上述技术问题，本专利技术所采取的技术方案是：基于resnet50-cbam网络的gnss干扰信号检测方法，包括以下步骤：
3、步骤1：利用卫星导航信号模拟源生成原始卫星导航信号，并通过矢量信号发生器生成干扰信号，经合路器将干扰信号添加至卫星导航信号中；
4、所述干扰信号分为扫频干扰、连续波干扰、脉冲干扰、跳频干扰、调频干扰和窄带干扰；
5、步骤2：对混有干扰信号的卫星导航信号进行时频分析，并将时频分析结果存储为图像；
6、首先，将短时傅里叶变换或wigner-ville变换应用于混有干扰信号的卫星导航信号进行时频分析，将时频分析结果通过welch方法计算原始卫星导航信号功率谱并存储为图像；
7、步骤3：构建卫星导航干扰信号检测模型并训练，进行干扰信号检测；
8、所述卫星导航干扰信号检测模型采用resnet残差网络模型，包括卷积层、池化层、全连接层和残差模块；所述resnet残差网络模型采用resnet50网络模型结构作为主干特征提取网络，包括1个卷积块、4个残差块和1个输出块；其中，所述卷积块包括尺寸大小为7x7的卷积层、批标准化操作层bn、激活层以及3x3的最大池化层；残差块包括恒等残差块与卷积残差块；每个残差块中的卷积残差块个数相同而恒等残差块个数不同；其中恒等残差块与卷积残差块均是由尺寸大小为1x1、3x3、1x1的bottleneck残差单元构成；bottleneck残差单元的输出由多个级联卷积层输入与级联卷积输出共同组成，级联卷积层输入被称为恒等映射，级联卷积输出称为残差映射；
9、在bottleneck残差单元第三个卷积层之后采用多频率的信道注意网络fcanet对bottleneck残差单元进行改进，提炼残差结构的输出特征，以获得更好的分类效果；
10、所述resnet50网络模型的输入为一张经过时频变换处理后的卫星导航信号图像；进行标准化处理，减去均值并除以标准差；初始卷积层使用7x7的卷积核，步长为2，通道数为64；接着进行3x3的最大池化，步长为2，用于降低特征图的尺寸；每个阶段包含多个残差块，每个残差块由3个卷积层组成，每个卷积层的卷积核分别为1x1、3x3和1x1，用于提取不同尺度的特征；在每个残差块内，通过残差连接将输入直接加到输出，形成残差学习；对最后一个残差块的输出进行全局平均池化，将特征图转换为固定大小的向量；全连接层用于将全局平均池化的输出映射到最终的分类结果；最后一层使用softmax激活函数，将网络的输出转换为类别概率分布；
11、为了提升resnet50网络的特征提取和表达能力，所述resnet残差网络模型在主干特征提取网络resnet50的基础上引入了卷积注意力模块cbam，形成resnet50-cbam特征提取网络；resnet50-cbam网络通过增强对通道信息的空间和通道信息聚合能力，抑制无效的特征信息；其中，卷积注意力模块中的通道注意力模块通过学习输入特征图的各个通道注意力权重，使得网络能够有选择性地强调重要的通道信息；空间注意力模块学习同一通道下输入特征图的各个位置关系来调整注意力权重，有助于网络更有效地关注目标区域；
12、cbam被融入到resnet50的卷积残差块之间，上一个残差块输出的特征图经过卷积后作为cbam的输入特征矩阵f，经过通道注意力模块处理后得到特征矩阵f'，与输入特征图f进行点乘得到新的特征矩阵f'；接着，将f'与经过空间注意力模块处理后的特征矩阵f"进行点乘，得到最终的特征矩阵f"'；最后，将f"'与输入特征图进行叠加，作为下一个残差块的输入；cbam有机地融合在resnet50网络中，有效提高网络对不同干扰信号类型的特征信息的学习和表达能力。
13、步骤4：混有干扰信号的卫星导航信号经过短时傅里叶变换或wigner-ville变换得到干扰信号所对应的图像，卫星导航干扰信号检测模型根据变换得到的图像以及时域、频域中的特征对干扰信号的类型进行判断。
14、采用上述技术方案所产生的有益效果在于：本专利技术提供的基于resnet50-cbam网络的gnss干扰信号检测方法，
15、(1)构卫星导航干扰信号检测模型并进行模型训练，能对卫星导航干扰信号进行检测，cbam注意力机制能够自适应地调整不同通道和空间位置的重要性，从而提升模型对图像特征的表达能力，使得模型能够更好地捕捉干扰信号中的特征信息，提升对多种类型干扰信号的识别检测效率。
16、(2)由于卫星导航信号的脆弱性，即使是功率较弱的干扰信号gnss接收机性功能也会受到影响。当前已有的检测方法针对功率较大的干扰信号很容易被检测到，在低功率干扰检测中效果较差。本专利技术通过提取统计特征，获得原始数据的进一步细节，实现对低功率干扰检测。
本文档来自技高网...【技术保护点】
1.一种基于ResNet50-CBAM网络的GNSS干扰信号检测方法，其特征在于：包括以下步骤：
2.根据权利要求1所述的一种基于ResNet50-CBAM网络的GNSS干扰信号检测方法，其特征在于：所述干扰信号分为扫频干扰、连续波干扰、脉冲干扰、跳频干扰、调频干扰和窄带干扰。
3.根据权利要求1所述的一种基于ResNet50-CBAM网络的GNSS干扰信号检测方法，其特征在于：所述步骤2将短时傅里叶变换或Wigner-Ville变换应用于混有干扰信号的卫星导航信号进行时频分析，将时频分析结果通过Welch方法计算原始卫星导航信号功率谱并存储为图像。
4.根据权利要求1所述的一种基于ResNet50-CBAM网络的GNSS干扰信号检测方法，其特征在于：所述bottleneck残差单元在第三个卷积层之后采用多频率的信道注意网络FcaNet提炼残差结构的输出特征，以获得更好的分类效果。
5.根据权利要求4所述的一种基于ResNet50-CBAM网络的GNSS干扰信号检测方法，其特征在于：所述ResNet50网络模型的输入为一张经过时频变
6.根据权利要求5所述的一种基于ResNet50-CBAM网络的GNSS干扰信号检测方法，其特征在于：所述ResNet残差网络模型在主干特征提取网络ResNet50的基础上引入了卷积注意力模块CBAM，形成ResNet50-CBAM特征提取网络；ResNet50-CBAM网络通过增强对通道信息的空间和通道信息聚合能力，抑制无效的特征信息；其中，卷积注意力模块中的通道注意力模块通过学习输入特征图的各个通道注意力权重，使得网络能够有选择性地强调重要的通道信息；空间注意力模块学习同一通道下输入特征图的各个位置关系来调整注意力权重，有助于网络更有效地关注目标区域；
...【技术特征摘要】
1.一种基于resnet50-cbam网络的gnss干扰信号检测方法，其特征在于：包括以下步骤：
2.根据权利要求1所述的一种基于resnet50-cbam网络的gnss干扰信号检测方法，其特征在于：所述干扰信号分为扫频干扰、连续波干扰、脉冲干扰、跳频干扰、调频干扰和窄带干扰。
3.根据权利要求1所述的一种基于resnet50-cbam网络的gnss干扰信号检测方法，其特征在于：所述步骤2将短时傅里叶变换或wigner-ville变换应用于混有干扰信号的卫星导航信号进行时频分析，将时频分析结果通过welch方法计算原始卫星导航信号功率谱并存储为图像。
4.根据权利要求1所述的一种基于resnet50-cbam网络的gnss干扰信号检测方法，其特征在于：所述bottleneck残差单元在第三个卷积层之后采用多频率的信道注意网络fcanet提炼残差结构的输出特征，以获得更好的分类效果。
5.根据权利要求4所述的一种基于resnet50-cbam网络的gnss干扰信号检测方法，其特征在于：所述resnet50网络模型的输入为一张经过时频变换处理后的卫星导航信号图像；进行标准化处理，减去均值并除以标准差；初始...
【专利技术属性】
技术研发人员：曲萍萍，王尔申，苑子泊，郭婧，王宝广，王金刚，徐嵩，于腾丽，王传云，娜拉，
申请(专利权)人：沈阳航空航天大学，
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。