一种基于神经网络的星载AIS信号解交织方法

本发明属于计算机科学人工智能算法领域，涉及一种用于星载船舶自动导航系统的信号解交织方法。

背景技术：

1、船舶自动识别系统(automatic identification system，ais)是一种新型海上安全保障和助航系统。ais的功能有识别船只，协助追踪目标，船舶信息交流等功能。ais虽然功能强大，但是由于当今海洋船舶的数量、种类和体积在不断地增长，而ais信道可用的带宽仅为25khz，可利用频带资源非常有限，致使ais接收信号的时隙冲突问题越来越严重。现有的解决时隙冲突的盲分离的算法大多在在无噪声无干扰情况下推导，不符合星载ais卫星通信信噪比低且存在主瓣干扰的要求。因此，提升星载ais系统接收同频混合信号混叠的问题刻不容缓。

技术实现思路

1、本发明的目的是为了解决星载ais系统在解决接收信号时隙冲突抗主瓣干扰能力不足的问题，提出了一种用于星载ais信号的解交织方法。该解交织算法是基于深度神经网络的算法，结合神经网络强大的特征提取能力和阵列信号处理波束形成强大的抗干扰能力得到分离的时域信号。

2、本发明的技术方案是：

3、用于星载ais信号的解交织方法，其特征在于基于深度神经网络，并结合阵列波束形成进行抗主瓣干扰时隙冲突ais信号的解调。其基础架构如附图1所示，具体步骤如下：

4、步骤1：构建训练数据：

5、构建训练数据包含以下步骤：

6、(1)生成一路ais消息序列，随机生成208比特约26.67ms的ais消息流，其中包含168比特的数据，24比特的训练序列和8比特的开始标志。数据传输比特速率9600bit/s，调制方式为gmsk，调制指数0.5，高斯滤波器时间带宽积bt＝0.4，过采样倍数为8，比特数据用nrzi编码，调制模型如附图2所示。生成一路ais信号s1。生成一路其它通信系统的干扰信号s2，干扰信号调制方式仍为gmsk调制，将真实ais信号作为监督训练的标签保存。

7、(2)假设接收阵列阵元个数为4，随机产生s1和s2的入射角θi,i＝1,2，满足|θ1-θ2|<θm，θm为阵列的主瓣宽度。生成s＝[s1,s2]t的导向矢量矩阵a＝[a(θ1),a(θ2)]，最后使用下式生成混合信号。

8、x＝as#

9、(3)将阵列接收信号通过加性高斯白噪声信道，信噪比为-5至9分贝。重复上述流程，每个信噪比生成10000个混合信号。

10、步骤二：构建多通道ais信号分离网络：

11、构建多通道ais信号分离网络(multi-channel ais signal separation)，如附图3所示。阵列接收ais信号通过多通道信号分离网络将期望的ais入射信号与干扰信号分离，通过卷积神经网络对观测到的混合信号进行处理，找到相互独立的信号成分，在信号存在主瓣干扰的情况下，信号分离网络可以将干扰信号与期望信号分离开来，从而减小干扰的影响。

12、整个分离网络是一个编码器，分离器，解码器架构，其中分离器是整个网络的核心，分离器包含堆叠的卷积模块，分离器的作用是生成解混掩码，解混掩码和编码器的输出的特征作为解码器的输入。编码器包含一个卷积层，作用是提取输入混合信号的特征，解码器的作用是结合解混掩码和编码器输出的特征生成解交织后的信号。

13、(1)编码器

14、编码器是神经网络中的一层复卷积层，编码器的作用即使用一维卷积运算即可得到各源信号的编码特征。设输入信号x∈cn×l。则经过一维卷积运算后将输入信号转为sencoder∈cn×w：

15、sencoder＝xuh

16、其中u∈cw×l包含w个向量，每个向量的长度为l。

17、(2)分离器

18、多通道ais分离模块fseparator是本发明的重要组成部分，分离器输入编码后的信号x，输出每个独立分量的分离掩码。多通道ais信号分离网络实际上包含n个单通道ais分离模块，分离器输入编码后的特征x，输出每个信号的解混掩码，如下式所示:

19、smask＝fseparator(sencoder)

20、smask∈ck×w为时域分离掩码，k为独立分量数量，其可以衡量各个独立信号分量在混合信号特征中的幅度大小，为实现源信号的分离，将掩码作用于编码特征可得到各个独立分量的特征：

21、di＝mi⊙sencoder,i＝1,2,…k

22、⊙表示哈达玛积，di作为解码器的输入,mi为第i个信号的掩码。

23、分离器将膨胀卷积分布在称为膨胀卷积单元的结构中，膨胀卷积单元的由卷积模块组成，卷积模块包含一维卷积，复数层标准化以及残差结构，一个膨胀卷积单元包含多个上述结构，用于替代循环神经网络。在膨胀卷积中，其核心思想是在卷积核中引入空洞(dilation)来改变感受野的大小，膨胀卷积的卷积核权重不是直接相邻的，而是通过在卷积核中插入固定间隔的零值来实现扩大卷积核的覆盖范围，通过插入零值使得较长时间跨度的ais信号能够参与卷积运算。感受野的范围受参数膨胀率控制，空洞的引入在不改变参数量的情况下增加网络的感受野，增强网络的非线性特性。本发明对每一个膨胀卷积单元使用不同的膨胀系数，以确保不同的卷积层有不同的感受野。附图4为膨胀卷积单元的示意图，附图5为卷积模块的示意图。

24、分离器计算n路信号的分离掩码，然后解码器重构信号。为了与接收机阵元数匹配，分离器包括n个并行的膨胀卷积单元，用于对每个通道的信号进行分离。分离器的步骤如下：

25、1：首先对编码器的的n个阵元接收信号的特征进行复数层标准化，确保每个通道的均值接近0，方差接近1。星载ais接收信号的实部和虚部的特征一致，不能采用常规的标准化，否则实部和虚部的特征分布不能保证一致，本发明采用复数层标准化，保证虚实分量为方差相等的正态标准复分布。复数层标准化的作用是将每层网络任意神经元输入值的分布拉回到均值为0方差为1的标准正态分布，使得激活输入值落在激活函数对输入比较敏感的区域，有效地提高网络训练的稳定性，增强网络的泛化能力。复数层标准化的示意图如附图5所示。复数层标准化在通道维度和时间维度对张量进行归一化：

26、

27、

28、

29、

30、其中z∈cq×t为各层输入特征，x,y分别为特征的实部和虚部，α和β为可训练的参数，代表特征的缩放和平移。然后将经过一个复一维卷积操作，此操作目的是适配堆叠卷积单元的输入维度。

31、2：将步骤一输出的特征分为n个部分，n个分特征与阵元一一对应。

32、3：将n个分特征分别经过堆叠的膨胀卷积单元，膨胀卷积单元的结构如附图4所示。本发明使用4个堆叠的膨胀卷积单元来构成分离器，每一个卷积单元包含6个如附图5所示的结构，其卷积膨胀率为1，2，4，8，16，32。上一个卷积单元的输出作为下一个卷积单元的输入，使用重复连接来构成深层分离器网络既能增强提取源信号深层特征的能力，又能有效融合提取的多层特征。为了避免网络层次过深引起的梯度消失问题，每一个卷积模块都包含通道注意力机制，每一个卷积模块输入为n×b×w的张量，数据流动分为主路径和残差路径，主路径经过附图5所示的操作后输出维度仍为n×b×w，残差路径经过附图6所示的通道注意力机制后输出维度为n×b×w，然后主路经和残差路径的输出逐元素相加作为卷积模块的输出。

33、残差路径包含通道注意力机制，通道注意力机制根据感兴趣特征的重要性重新分配权重，从而突出某些重要特征。本发明在每个卷积块的通道维度上加入注意机制到盲分离卷积网络中，以实现对每一通道特征的注意力机制，自动学习通道特征的权重。通道注意力机制的流程如附图6所示。

34、将输出的n个特征拼接起来，经过一个复一维卷积操作和relu非线性函数来映射n路混合信号的时域分离掩码。

35、d＝smask⊙sencoder#

36、(3)解码器

37、解码器的作用是恢复源信号波形，解码器使用一个复一维卷积操作来表示源信号的重建：

38、

39、其中v∈cl×w包含l个向量，每个向量的长度为w。

40、(4)导向矢量估计模块

41、由于ais接收信号存在主瓣干扰，无法利用常规波束形成技术压制主瓣干扰，对期望信号和干扰进行分离后，对期望信号进行波束形成，本发明利用ais信号存在训练序列和起始标志的特点基于匹配滤波技术来构造阵列导向矢量，假设ais接收机为线性接收阵列，假设卫星发送信号s(t),则接收信号x(t)可以描述为：

42、x(t)＝as(t)

43、其中a∈cn×k为导向矢量矩阵,阵列阵元个数为n，接收信号个数为k。讨论单阵元pi，假设卫星发射信号的训练序列部分为s(t)，则阵元pi接收s(t)的响应为：

44、

45、其中hi(t)为阵元pi的冲激响应，“*”表示卷积运算，τi表示信号到达阵元pi的时延，ei(t)表示加性噪声。如果入射信号是窄带信号，则可以表示为：

46、

47、其中fc为载波频率，hi(2πf)为阵元pi的传递函数。

48、利用本地接收机产生导频信号s(t)并与做相关操作：

49、

50、

51、令τ＝0，则：

52、

53、其中为p信号s(t)的能量，依次对阵元pi,i＝1,2,…,n

54、做上式运算得到矢量

55、

56、假设hi(t)＝δ(t),ni(t)忽略不计，则

57、

58、矩阵包含入射信号的时延信息，接下来导出阵列导向矢量

59、

60、其中θ为入射角度，通过以上讨论本发明利用训练序列的先验信息，通过相关运算得到入射信号的导向矢量，而不需要估计入射角度。

61、(5)mvdr波束形成器

62、在得到阵列的导向矢量后，本算法调用mvdr波束形成对期望信号形成强增益。设输入信号为x(t)，首先计算输入信号的协方差矩阵r：

63、r＝e[x(t)xh(t)]

64、其中e[·]为求数学期望，实际中可以使用样本协方差矩阵代替r

65、

66、然后计算最优波束形成权向量wopt:

67、

68、最后得到分离的期望信号：

69、

70、步骤三：使用s1构建的训练数据对s2构建的多通道ais信号分离网络进行训练，得到训练好的多通道ais信号分离网络：

71、多通道ais信号分离网络训练损失函数包括多个部分。损失值包括n个阵元的分离信号的损失之和。定义阵元pi接收信号为xi(t)，则阵元pi所对应的分离网络的标签为：

72、xtarget,i(t)＝λixi(t)#

73、其中λi∈c1×1为常数与阵元pi所在的位置有关。定义阵元pi接收目标信号的时延为τi，阵列的导向矢量如下式所示：

74、

75、整个网络的损失值为：

76、loss＝loss1+loss2+…+lossn

77、其中lossi,i＝1,2,…,n为各个阵元单通道分离网络的损失，lossi的定义如下：

78、

79、e＝x-xaim

80、

81、步骤四：将获取的ais信号和干扰信号按照s1的方法生成混合信号后输入到训练好的多通道ais信号分离网络中，获得分离信号。

82、本发明的有益效果是：

83、本发明设计一种应用在星载ais信号的解交织方法，解决了传统解交织算法抗干扰能力不足的问题。基于神经网络算法与波束形成算法，在线分离干扰背景下的ais接收信号，满足了星载ais信号接收信噪比低和存在干扰的要求。