[发明专利]卫星导航复合干扰信号识别方法和系统

权利要求书

1.一种卫星导航复合干扰信号识别方法，其特征在于，所述方法包括：

将待识别的复合干扰信号进行预处理，并获取所述预处理后的待识别复合干扰信号的多域特征；

将获取的多域特征分别基于其对应的维度分别输入预先训练好的深度学习神经网络模型，一维序列特征输入到一维序列特征提取模块，多维序列特征输入到多维序列特征提取模块，然后分别对不同维度的域特征进行提取；

将提取出的不同维度的域特征输入预先训练好的深度学习神经网络模型的特征融合层和全连接层中，得到所述复合干扰信号的分类识别结果。

2.如权利要求1所述的方法，其特征在于，所述将待识别的复合干扰信号进行预处理，包括：

将待识别的复合干扰信号进行绝对值处理、归一化处理、滤波去噪和信号下变频处理。

3.如权利要求1所述的方法，其特征在于，所述多域包括：时域、频域、时频域和空域特征。

4.如权利要求3所述的方法，其特征在于，所述将获取的多域特征分别基于其对应的维度分别输入预先训练好的深度学习神经网络模型前还包括：

将获取的所述待识别复合干扰信号的时域和频域特征分别输入所述预先训练好的深度学习神经网络模型的LSTM层中，分别学习得到所述待识别复合干扰信号的时域和频域特征信息；

将所述学习得到的所述待识别复合干扰信号的时域和频域特征信息分别输入预先训练好的深度学习神经网络模型的Attention层中，对学习得到所述信号的时域和频域特征信息分配对应的注意力权重，得到分配注意力权重后的时域和频域一维序列特征；

其中，所述预先训练好的深度学习神经网络模型包括：LSTM层、Attention层、一维序列特征提取模块与多维序列特征提取模块、特征融合层和全连接层；

所述预先训练好的深度学习神经网络模型是基于获取历史时段内复合干扰信号的多域特征对初始深度学习神经网络进行训练得到的。

5.如权利要求4所述的方法，其特征在于，所述将获取的多域特征分别基于其对应的维度分别输入预先训练好的深度学习神经网络模型，一维序列特征输入到一维序列特征提取模块，多维序列特征输入到多维序列特征提取模块，然后分别对不同维度的域特征进行提取，包括：

将所述分配注意力权重后的时域和频域一维序列特征分别输入预先建立的深度学习神经网络模型的一维序列特征提取模块中，提取出注意力权重大于预设的权重阈值的时域和频域特征；

将获取的所述待识别复合干扰信号的时频域和空域多维序列特征分别输入预先训练好的深度学习神经网络模型的多维序列特征提取模块中，获得对时频域和空域特征进行下采样的时频域和空域特征。

6.如权利要求5所述的方法，其特征在于，所述将提取出的不同维度的域特征输入预先训练好的深度学习神经网络模型的特征融合层和全连接层中，得到所述复合干扰信号的分类识别结果，包括：

将得到的注意力权重大于预设的权重阈值的时域和频域特征及所述下采样的时频域和空域特征输入预先训练好的深度学习神经网络模型的特征融合层进行特征融合；

将所述融合后的特征数据输入预先训练好的深度学习神经网络模型的全连接层，得到所述待识别复合干扰信号的分类识别结果。

7.如权利要求1所述的方法，其特征在于，所述预先训练好的深度学习神经网络模型的训练过程包括：

获取预处理后的历史时段内复合干扰信号的多域特征，其中所述多域特征包括：时域、频域、时频域和空域特征；

将所述预处理后的历史时段内复合干扰信号的时域、频域分别依次输入初始的深度学习神经网络模型中，将交叉熵作为模型的损失函数，用自适应矩阵估计Adam优化算法对所述模型进行训练，得到训练好的深度学习神经网络模型。

8.如权利要求1所述的方法，其特征在于，所述一维序列特征提取模块或多维序列特征提取模块，包括：递归神经网络和卷积神经网络。