GNSS干擾信號檢測方法研究

王佳欣，常 青，田 原，黃 堅

(北京航空航天大學(xué)電子信息工程學(xué)院，北京 100191)

0 引言

對全球?qū)Ш叫l(wèi)星系統(tǒng)(Global Navigation Satellite System，GNSS)接收機(jī)干擾是戰(zhàn)場電磁環(huán)境壓制的主要手段，為提升接收機(jī)戰(zhàn)場應(yīng)用的可靠性，不僅要提升其自身的干擾抑制能力，還要對干擾源信號進(jìn)行檢測和識別，為進(jìn)一步實施對干擾源的精確摧毀提供依據(jù)[1-2]。

對于導(dǎo)航干擾源的檢測，目前主要集中于檢測干擾是否存在以及判斷存在的干擾類型，幾乎沒有考慮多干擾源復(fù)雜電磁環(huán)境下的識別問題。目前，干擾識別主要分為三大類：基于假設(shè)檢驗的最大似然調(diào)制識別[3]、基于特征提取的模式識別[4]和基于人工智能的識別方法[5]，主要應(yīng)用在雷達(dá)信號識別方面。

1969年，Weaver C等最早開始了調(diào)制信號的識別。此后，基于極大似然準(zhǔn)則的干擾檢測識別的研究并不多，這種方法運用統(tǒng)計學(xué)原理，對先驗信息進(jìn)行處理，多依靠經(jīng)驗和觀察，計算量相對較大，且不適宜工程實現(xiàn)?；谔卣魈崛〉哪Ｊ阶R別在實際中運用廣泛，在雷達(dá)電子對抗中的研究較多。提取特征一般通過對時域、頻域、變換域等進(jìn)行分析處理，進(jìn)而選取有效特征，再進(jìn)行分類器的設(shè)計。常見的特征提取方法有信號回波譜相關(guān)法、中頻信號處理法和時域信號自相關(guān)法等[6]。其中時頻分析應(yīng)用廣泛，主要包括短時傅里葉變換、Wigner變換和小波變換等。近年來，模式識別發(fā)展較快，梁金弟針對復(fù)雜電子環(huán)境的干擾識別問題，使用基于決策樹和支持向量機(jī)兩種識別器進(jìn)行干擾性能仿真對比分析[7]；吳昊應(yīng)用歸一化高階累積量作為特征參數(shù)，并應(yīng)用神經(jīng)網(wǎng)絡(luò)對干擾進(jìn)行識別，在低干信比下準(zhǔn)確率較高[8]；金秋將深度學(xué)習(xí)運用到雷達(dá)輻射源分類中，實現(xiàn)智能化識別[9]；O’Shea T J成功將時域信號輸入深度學(xué)習(xí)網(wǎng)絡(luò)，實現(xiàn)了數(shù)字、模擬調(diào)制信號總計達(dá)二十八種信號的分類[10]。

綜合以上情況，國內(nèi)外對于GNSS接收機(jī)接收到的導(dǎo)航干擾信號識別研究成果較少，但可以借鑒雷達(dá)領(lǐng)域信號識別的成果，尤其是特征的選取方面。本文針對檢測干擾是否存在提出了使用干擾存在因子這一特征量，并通過各種識別方法的研究比較，驗證了提取特征的有效性。

1 衛(wèi)星信號干擾模型

1.1 干擾建模

基于對GNSS陣列信號的干擾識別與測向，研究以北斗為代表的GNSS接收機(jī)接收到的干擾信號，對其他類型的GNSS信號有相似的作用。選擇脈沖干擾、掃頻干擾、BPSK調(diào)制干擾、寬帶高斯白噪聲、窄帶高斯白噪聲以及點頻干擾六種干擾信號作為研究對象，進(jìn)行數(shù)學(xué)建模。以下是它們的模型。

1)脈沖干擾

脈沖干擾(Pulse Interference,PI)，一般為突發(fā)性、周期性的，特點是持續(xù)時間很短，頻譜很寬[11]。脈沖干擾可簡單表示為

J(t)=Σδ(t-K)

(1)

其中，K為脈沖周期的整數(shù)倍。

2)掃頻干擾

掃頻干擾，以線性調(diào)頻干擾為例，有一定帶寬，其瞬時頻率會隨時間線性變化，數(shù)學(xué)表達(dá)式為

JLFMI(t)=A(t)rect(t/T)exp[j(2πf0t+πKt2)]

(2)

式中，A(t)為掃頻干擾信號的幅度，T為掃頻的周期，f0為掃頻的中心頻率，K為線性掃頻頻率。

3)寬帶高斯白噪聲

寬帶高斯白噪聲，為帶通型高斯白噪聲通過某一帶通型濾波器，并且這個濾波器的通頻帶寬B滿足大于其中心頻率f0(即B>f0)時，濾波器輸出端的高斯白噪聲。

4)窄帶高斯白噪聲

窄帶高斯白噪聲，類似于寬帶高斯白噪聲，而當(dāng)此濾波器的通頻帶寬B遠(yuǎn)小于其中心頻率(即B?f0)時，濾波器輸出即為窄帶高斯白噪聲。 該噪聲有如下表達(dá)式和統(tǒng)計特性

n(t)=nc(t)coswct-ns(t)sinwct

(3)

E[n(t)]=E[nc(t)]=E[ns(t)]=0

(4)

(5)

5)點頻干擾

設(shè)點頻干擾信號的頻率與北斗B1中心調(diào)制頻率相同，則該信號可以寫成

(6)

式中:Pcwj為干擾信號的功率;θcwj為干擾的初始相位。經(jīng)過C/A碼調(diào)制及中頻變換后,其表達(dá)式為

(7)

其自相關(guān)函數(shù)為

Rcwj(τ)=E[ucwj(t)ucwj(t+τ)]
=PcwjRC/A(τ)cos(2πφIτ)

(8)

6)MPSK調(diào)制干擾

實際的通信系統(tǒng)中，以0°載波相位作為參考相位，以載波相位的M種不同取值分別表示數(shù)字信息。

(9)

M進(jìn)制數(shù)字相位調(diào)制信號的正交形式為

eMPSK(t)=I(t)cosωct-Q(t)sinωct

(10)

常用I、Q兩路來調(diào)制多進(jìn)制相移鍵控。

通過以上分析，對各個干擾進(jìn)行建模，然后產(chǎn)生干擾信號數(shù)據(jù)庫。

1.2 特征提取

通過對常見的衛(wèi)星干擾進(jìn)行分析，在歸一化預(yù)處理后，研究了干擾信號的時域和頻域等特點。選取下列特征進(jìn)行提取。信號識別時對特征值個數(shù)并無絕對要求，只是可以采用如下特征參數(shù)在已知種類的干擾中識別不同干擾。

1)干擾存在因子E：檢測干擾存在的方法眾多，這里選取信號整體功率確定檢測門限。

由圖1可以看出，在干噪比為0dB以上時，干擾存在因子在無干擾時持續(xù)較低，可作為干擾是否存在的依據(jù)。

圖1 不同干噪比下EFig.1 E under different JNRs

2)干擾帶寬B：區(qū)分寬帶和窄帶干擾的重要特征。

由表1可知，寬帶干擾和窄帶干擾可通過門限值0.03區(qū)分。

表1 干擾帶寬Tab.1 Bandwidth of jammers

3)信號峰均比PAR：因為識別中有PSK調(diào)制的信號，其信號峰均比較大，可實現(xiàn)與其他信號的類間識別。

4)頻譜峰度K：脈沖干擾頻譜峰度較大，可有效識別，并可區(qū)分掃頻和寬帶高斯白噪聲。

5)平均頻譜平坦系數(shù)P：點頻干擾頻譜峰值較高，可以與其他干擾區(qū)分。

6)高階累積量F1、F2：可采用該參數(shù)區(qū)分MPSK信號，實現(xiàn)類內(nèi)識別。

由表2可知，不同進(jìn)制PSK干擾信號可通過高和累積量F1、F2進(jìn)行區(qū)分。

表2 高階累積量Tab.2 High-order cumulant

2 分類器設(shè)計

1)決策樹

決策樹(Decision Tree)是一種常見的機(jī)器學(xué)習(xí)方法，可用于分類。常通過對相應(yīng)參數(shù)進(jìn)行估計，選取合適的閾值對不同類別進(jìn)行分離。決策樹方法最關(guān)鍵的是選取最優(yōu)劃分屬性，一般選取信息增益、增益率或基尼指數(shù)來選擇劃分屬性。這里采用CART決策樹進(jìn)行分類器設(shè)計，基于最小距離的基尼指數(shù)估計函數(shù)，將當(dāng)前樣本集分為2個子樣本集。相對其他方法來說，具有在簡化模型的同時不會丟失熵模型的優(yōu)點[12]。

圖2所示為決策樹部分識別流程圖。

圖2 決策樹基本構(gòu)成示例Fig.2 Example of the decision tree basic composition

2)支持向量機(jī)

支持向量機(jī)(Support Vector Machines，SVM)基于統(tǒng)計學(xué)習(xí)理論，在樣本空間中構(gòu)造超平面將樣本分為兩類。圖3所示為訓(xùn)練樣本分別為線性可分、線性近似可分、線性不可分時通過不同處理方式，學(xué)習(xí)不同類型支持向量機(jī)的基本模型[13],實現(xiàn)了高效地從訓(xùn)練樣本到預(yù)報樣本的轉(zhuǎn)導(dǎo)推理，但對大規(guī)模樣本及多分類問題不大適用，需采用組合模式進(jìn)行訓(xùn)練。

圖3 SVM常見分類模型Fig.3 Common classification models of SVM

3)神經(jīng)網(wǎng)絡(luò)

BP神經(jīng)網(wǎng)絡(luò)是常見的神經(jīng)網(wǎng)絡(luò)，是一種非線性分類器，通常包括前向傳播和反向傳播的過程，常用于分類識別和預(yù)測等，具有自學(xué)習(xí)和自適應(yīng)能力，還具有一定的容錯能力，較其他識別方式有突出優(yōu)勢，但是在層節(jié)點的選擇上需要先驗知識來決定。

圖4 簡單神經(jīng)網(wǎng)絡(luò)Fig.4 Simple neural network

4)深度學(xué)習(xí)

深度學(xué)習(xí)基于數(shù)據(jù)挖掘，利用輸入數(shù)據(jù)抽象提取數(shù)據(jù)特征，將低維度特征通過學(xué)習(xí)過程得到維度特征，是神經(jīng)網(wǎng)絡(luò)的擴(kuò)展，具有更智能化的過程。但如果數(shù)據(jù)序列較長，則存在盲識別的準(zhǔn)確性會極大降低的問題，因此一般為了可靠性考慮，在工程應(yīng)用中鮮少直接使用。

實驗使用決策樹和BP神經(jīng)網(wǎng)絡(luò)對已有干擾進(jìn)行識別率的比較，得出結(jié)論。

3 仿真實驗

實驗設(shè)置條件為GNSS接收機(jī)，選取北斗B1碼進(jìn)行仿真。信號及干擾設(shè)置條件如表3所示。這里認(rèn)為當(dāng)某種信號識別率達(dá)到98%及以上時，結(jié)果是相對可靠的。

表3 信號參數(shù)設(shè)置Tab.3 Signal parameter setting

使用的干擾樣本模型為無干擾及含有上述八種干擾的衛(wèi)星信號，每種信號各100個，即900個帶有標(biāo)注的信號,同時生成相同條件下相同數(shù)量的另一組測試樣本。

決策樹及BP神經(jīng)網(wǎng)絡(luò)采用從信號中提取得到的特征值進(jìn)行訓(xùn)練。決策樹使用事先確定的各特征參數(shù)門限值進(jìn)行分類，而BP神經(jīng)網(wǎng)絡(luò)經(jīng)多次試驗，采用的輸入層、隱藏層、輸出層節(jié)點數(shù)分別為7、25、1。下面比較兩種分類器在干噪比為0dB和20dB下不同干擾類型的識別率。

1)僅有干擾存在因子E、干擾帶寬B、頻譜峰度K、平均頻譜平坦系數(shù)P這4個特征的決策樹和BP神經(jīng)網(wǎng)絡(luò)分類器識別情況。

僅有4個特征值時，由圖5可以得出，干噪比為0dB時，九種信號識別率均在90%左右波動，說明特征參數(shù)過多，擾亂識別或缺少能夠充分識別這些干擾的特征參數(shù);而干噪比為20dB時，各種信號識別率有所提升，均達(dá)到95%以上，其中，掃頻干擾、脈沖干擾、點頻干擾識別率達(dá)到99%,說明隨著干噪比增加，信號識別效果有較大提升。

圖5 4個特征參數(shù)-決策樹識別率(%)Fig.5 Four characteristic parameters-recognition rate of decision tree(%)

圖6反映了BP神經(jīng)網(wǎng)絡(luò)作為干擾分類器，在干噪比為0dB時與決策樹有相似的分類誤差，進(jìn)一步說明，低干噪比下所選取4個特征值的識別效果較差;當(dāng)干噪比為20dB時，各個干擾識別率均在95%～98%，略低于決策樹分類器。

圖6 4個特征參數(shù)-BP神經(jīng)網(wǎng)絡(luò)識別率(%)Fig.6 Four characteristic parameters -recognition rate of BP neural network(%)

也可以得出結(jié)論：在僅有4個特征值的條件下，干噪比為0dB時，兩種分類方法的分類結(jié)果是不夠可靠的。而當(dāng)干噪比提升到20dB時，決策樹方法對8PSK干擾、掃頻干擾、寬帶高斯白噪聲干擾、無干擾、脈沖干擾及點頻干擾識別率均達(dá)到98%及以上，可以認(rèn)為4個特征參數(shù)的決策樹分類器適用于這幾種干擾；而BP神經(jīng)網(wǎng)絡(luò)識別的結(jié)果中，僅有點頻干擾識別率達(dá)到98%，因此4個特征參數(shù)的BP神經(jīng)網(wǎng)絡(luò)分類器適用于點頻干擾的識別。

2)將1)中提及的7個特征值作為特征參數(shù)，決策樹和BP神經(jīng)網(wǎng)絡(luò)分類器識別情況。

由圖7可知，使用決策樹識別器識別設(shè)置的八種干擾及無干擾，干噪比為20dB時，識別率達(dá)到99.8%，而0dB時識別效果也達(dá)到了99.2%，可以驗證特征提取的有效性。其中，MPSK信號識別率達(dá)到99.6%，說明高階累積量足以區(qū)分不同進(jìn)制的PSK干擾。

圖7 決策樹識別率(%)Fig.7 Recognition rate of decision tree(%)

其中，干噪比為0dB時，7個特征值的決策樹分類器不適用于掃頻干擾，但其他干擾識別效果均達(dá)到98%以上；而當(dāng)干噪比為20dB時，各個干擾識別率均達(dá)到99%及以上，因此7個特征值的決策樹適用于此處設(shè)置的所有干擾。

由圖8可知，使用BP神經(jīng)網(wǎng)絡(luò)，干噪比為20dB時，識別率達(dá)到99.8%；干噪比為0dB時，無干擾、寬帶高斯白噪聲干擾、窄帶高斯白噪聲干擾存在1%～2%的干擾誤分率，一定程度上反映了噪聲的影響。同樣BP神經(jīng)網(wǎng)絡(luò)也具有一定的分類穩(wěn)定性。

圖8 BP神經(jīng)網(wǎng)絡(luò)識別率(%)Fig.8 Recognition rate of BP neural network(%)

通過觀察發(fā)現(xiàn)，雖然干噪比為0dB時個別干擾識別效果相對較差，但識別率也達(dá)到98%及以上，因此當(dāng)干噪比為0dB及20dB時，7個特征值的BP神經(jīng)網(wǎng)絡(luò)在識別所有干擾時均適用。

4 結(jié)論

本文針對GNSS導(dǎo)航接收機(jī)接收信號易受干擾的問題，對干擾識別方面面臨的一些問題進(jìn)行了分析：

1)針對干擾識別時需要進(jìn)行特征提取，選取常見的時域和頻域等變換域特征進(jìn)行研究，其中對于多進(jìn)制PSK干擾采用了高階累積量作為特征參數(shù)進(jìn)行識別，有效提高了特征識別準(zhǔn)確率。

2)對于常見的分類器，選取決策樹及BP神經(jīng)網(wǎng)絡(luò)進(jìn)行設(shè)計，對添加了高階累積量作為特征參數(shù)的識別器，識別準(zhǔn)確率有所提升，驗證了特征提取的有效性。同時兩種分類器在識別時均表現(xiàn)出了識別的穩(wěn)定性，其中不同分類器對不同干擾的適用性已在文章中予以說明。

3)在特征識別過程中，僅對特定干噪比的信號進(jìn)行仿真，對干噪比低于0dB的情況識別效果相對較差，需要對特征參數(shù)加以研究；實驗僅設(shè)定無干擾情況及八種常見干擾，對于其他類型的干擾并不適用。