手语识别 机器学习_机器学习算法在GNSS干扰信号类型识别的前沿应用

燕新宇 陈新副教授指导

---

前言

………………………………………………………………

到达地面功率微弱的卫星导航信号极易受到压制式干扰，导致定位精度下降甚至导航功能完全失常。涉及到GNSS干扰监测技术研究[1]，干扰信号类型识别算法成为研究热点，其能为干扰抑制以及干扰源定位提供必要的先验信息。近年来，干扰类型识别算法由传统信号处理领域发展到机器学习，并逐渐在深度学习领域初露峥嵘^[2]。

图1. 干扰监测技术组成示意图

目前干扰识别算法的总体思路为：首先将干扰信号变换到观察空间进行预处理，然后在变换域进行基于特征分析的特征参数提取，最后根据提取的特征参数进行干扰信号分类设计。然而目前算法存在三个弊端:一是算法性能严重依赖于所人工设计以及甄选的特征参数，缺乏必要的兼容性；二是传统算法在实际测试低功率干扰信号的识别精度较低；三是覆盖整个导航频带的高斯噪声干扰与未受干扰卫星信号的混淆分类难点。

图2. 传统干扰识别算法流程

卷积神经网络识别算法实现图像端到端的分类识别，其最大优势在于图像原始浅层次特征到深层次特征的自动提取映射。借鉴于此，本文提出基于深度卷积神经网络的干扰源智能识别算法，目的在于实现干扰原始信号的深层次特征自动提取，最终实现与干扰源类型的一一映射。

---

‍

传统识别算法概述

………………………………………………………………

传统信号处理识别算法的基本原理是基于必要的信号先验信息，提取时域、频域与变换域的一维数值特征实现基于固定判决门限的决策树分类识别^[3]。

涉及到传统机器学习领