一种融合卷积双向LSTM与注意力机制的北斗欺骗干扰识别方法

本发明属于卫星欺骗干扰，具体涉及一种融合卷积双向lstm与注意力机制的北斗欺骗干扰识别方法。

背景技术：

1、随着全球卫星导航系统(gnss)的广泛应用，其在军事和民用领域中发挥着越来越重要的作用。北斗卫星导航系统作为我国自主研发的全球卫星定位系统，已成为全球导航系统的重要组成部分。然而，卫星信号由于其开放的传播环境和固有的信号弱特性，容易受到各种欺骗干扰，这种干扰会模拟真实的卫星信号，误导接收器产生错误的定位信息，严重威胁了卫星导航系统的安全性和可靠性。

2、传统的干扰检测方法主要依赖于信号的物理特性分析，例如信号强度、信号频率和信号传播路径的异常等，但这些方法往往难以应对更加复杂的欺骗干扰。此外，由于欺骗设备的不断进步和普及，传统方法在识别精度和反应速度上面临越来越大的挑战。因此，如何提高北斗系统在复杂信号环境中的鉴别能力，有效识别和抵御欺骗干扰，成为了一个急需解决的技术问题。

3、近年来，深度学习技术在图像识别、语音处理和自然语言理解等领域取得了突破性进展，其强大的特征学习和模式识别能力为解决上述问题提供了新的思路。特别是，卷积神经网络(cnn)因其出色的特征提取能力，在处理复杂信号数据方面显示出巨大潜力。同时，长短期记忆网络(lstm)特别适合处理和预测时间序列数据中的重要事件。双向lstm通过结合正向和反向的信息流，进一步增强了模型对时间序列数据的学习能力。此外，注意力机制的引入能够使模型更加关注于序列中的关键信息，提高了处理信号中重要特征的能力。

4、因此，融合这些先进深度学习技术的北斗欺骗干扰识别方法，有望在保证北斗系统定位精度的同时，提升系统对复杂欺骗干扰的鉴别速度和准确率，为北斗系统的稳定可靠运行提供技术支持。本发明正是在这样的技术背景下提出的，旨在解决现有技术中存在的不足，提供一种新的北斗欺骗干扰识别方法。

技术实现思路

1、本发明的目的是提供一种融合卷积双向lstm与注意力机制的北斗欺骗干扰识别方法。

2、本发明的技术方案如下：

3、一种融合卷积双向lstm与注意力机制的北斗欺骗干扰识别方法，所述方法包括如下步骤：

4、s1：根据北斗终端接收的欺骗干扰信号和真实信号的不同特点，分析并筛选出用于欺骗干扰识别的关键特征；

5、s2：构建深度学习模型，通过所述欺骗干扰识别的关键特征对所述深度学习模型进行深入学习和训练；

6、s3：在北斗定位解算中引入所述深度学习模型以识别并排除受欺骗干扰的卫星信号，保留真实卫星信号进行解算从而保障在欺骗干扰环境下的北斗精确定位。

7、进一步地，所述欺骗干扰识别的关键特征包括卫星信号强度、自动增益控制、时钟同步误差、双频伪距测量误差以及信号到达时间不确定性。

8、进一步地，所述深度学习模型是由卷积双向lstm与注意力机制构建的。

9、进一步地，所述深度学习模型包括左到右依次包括卷积神经网络层、双向lstm层、注意力层、全连接层和输出层；

10、所述卷积神经网络层用于进行特征提取；

11、所述双向lstm层捕捉时间序列数据中的正向和反向依赖关系，通过正向和反向两个lstm网络共同处理输入序列，从而获取全局的上下文信息；

12、所述注意力层用于分配不同的注意力权重增强模型对关键时序信息的关注度；

13、所述全连接层用于将注意力层的输出进行汇总和转换；

14、所述输出层用于将全连接层的输出；映射到最终的分类结果。

15、进一步地，所述卷积神经网络层包括多个卷积、多个relu激活函数和池化层；

16、其中，每层卷积层后接relu激活函数进行非线性转换；

17、所述池化层负责减少卷积层输出的空间大小，通过最大池化提取主要特征并降低计算复杂度，同时控制过拟合。

18、进一步地，所述卷积层的操作表达为：

19、hi＝f(wi*x+bi)#

20、式中，符号*表示卷积操作，wi和bi分别表示卷积层的权重和偏置，x是输入的欺骗干扰信号，f表示激活函数relu，具体形式为f(x)＝max(0,x)。

21、进一步地，所述最大池化操作表示为：

22、pi＝pool(hi)#

23、式中，pool是池化函数，表示在该区域内的最大值，hi是卷积层的输出。

24、进一步地，所述双向lstm表达为两个方向的合并：

25、

26、式中，pt是在时间步t的池化层输出，和分别代表时间步t在前向和后向lstm的隐藏状态，最终输出ht为两个方向的隐藏状态的拼接。

27、进一步地，所述注意力权重为：

28、

29、式中，et是一个得分函数，衡量了ht的重要性，t是总的时间步数。

30、进一步地，所述全连接层的输出为：

31、

32、式中，wf和bf分别表示全连接层的权重和偏置，其余变量与前文含义相同；

33、通过softmax分类器来将全连接层的输出映射到类标签进行分类，输出最终的欺骗干扰识别结果；

34、softmax层的输出y表示为：

35、

36、式中，j表示类标签索引，k是类标签的总数，在本发明中属于二分类问题，因而取k＝2；输出y包含两个元素[y1；y2]，其中y1数第一个类别(真实卫星信号)的概率，y2数第二个类别(欺骗卫星信号)的概率；如果y1>y2，则预测为第一类的真实卫星信号，反之则为第二类的欺骗卫星信号。

37、本发明的技术效果：

38、本发明利用融合卷积双向lstm与注意力机制的先进深度学习框架，为北斗系统提供了一种高效的欺骗干扰识别方法。这一方法不仅大幅提升了欺骗信号识别的准确性，还加快了处理速度，确保了在复杂的信号环境中快速有效地分辨真实信号与干扰信号。此外，本发明的方法能够在不影响系统正常运行的前提下实现北斗定位恢复，显著提高了北斗导航系统的安全性和可靠性，具有重要的实用价值和广泛的应用前景。

技术特征：

1.一种融合卷积双向lstm与注意力机制的北斗欺骗干扰识别方法，其特征在于，所述方法包括如下步骤：

2.根据权利要求1所述的融合卷积双向lstm与注意力机制的北斗欺骗干扰识别方法，其特征在于，所述欺骗干扰识别的关键特征包括卫星信号强度、自动增益控制、时钟同步误差、双频伪距测量误差以及信号到达时间不确定性。

3.根据权利要求1所述的融合卷积双向lstm与注意力机制的北斗欺骗干扰识别方法，其特征在于，所述深度学习模型是由卷积双向lstm与注意力机制构建的。

4.根据权利要求1所述的融合卷积双向lstm与注意力机制的北斗欺骗干扰识别方法，其特征在于，所述深度学习模型包括左到右依次包括卷积神经网络层、双向lstm层、注意力层、全连接层和输出层；

5.根据权利要求4所述的融合卷积双向lstm与注意力机制的北斗欺骗干扰识别方法，其特征在于，所述卷积神经网络层包括多个卷积、多个relu激活函数和池化层；

6.根据权利要求5所述的融合卷积双向lstm与注意力机制的北斗欺骗干扰识别方法，其特征在于，所述卷积层的操作表达为：

7.根据权利要求4所述的融合卷积双向lstm与注意力机制的北斗欺骗干扰识别方法，其特征在于，所述最大池化操作表示为：

8.根据权利要求4所述的融合卷积双向lstm与注意力机制的北斗欺骗干扰识别方法，其特征在于，所述双向lstm表达为两个方向的合并：

9.根据权利要求4所述的融合卷积双向lstm与注意力机制的北斗欺骗干扰识别方法，其特征在于，所述注意力权重为：

10.根据权利要求4所述的融合卷积双向lstm与注意力机制的北斗欺骗干扰识别方法，其特征在于，所述全连接层的输出为：

技术总结本发明提供一种融合卷积双向LSTM与注意力机制的北斗欺骗干扰识别方法，所述方法包括如下步骤：S1：根据北斗终端接收的欺骗干扰信号和真实信号的不同特点，分析并筛选出用于欺骗干扰识别的关键特征；S2：构建深度学习模型，通过所述欺骗干扰识别的关键特征对所述深度学习模型进行深入学习和训练；S3：在北斗定位解算中引入所述深度学习模型以识别并排除受欺骗干扰的卫星信号，保留真实卫星信号进行解算从而保障在欺骗干扰环境下的北斗精确定位。本发明有望在保证北斗系统定位精度的同时，提升系统对复杂欺骗干扰的鉴别速度和准确率，为北斗系统的稳定可靠运行提供技术支持。技术研发人员：王家乐,夏鸣,施闯,李青成,胡用,山云峰,张展蓬受保护的技术使用者：北京航空航天大学技术研发日：技术公布日：2024/7/25