GNSS干擾信號檢測方法研究

王佳欣，常 青，田 原，黃 堅

(北京航空航天大學電子信息工程學院，北京 100191)

0 引言

對全球導航衛星系統(Global Navigation Satellite System，GNSS)接收機干擾是戰場電磁環境壓制的主要手段，為提升接收機戰場應用的可靠性，不僅要提升其自身的干擾抑制能力，還要對干擾源信號進行檢測和識別，為進一步實施對干擾源的精確摧毀提供依據[1-2]。

對于導航干擾源的檢測，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雜電磁環境下的識別問題。目前，干擾識別主要分為三大類：基于假設檢驗的最大似然調制識別[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]，主要應用在雷達信號識別方面。

1969年，Weaver C等最早開始了調制信號的識別。此后，基于極大似然準則的干擾檢測識別的研究并不多，這種方法運用統計學原理，對先驗信息進行處理，多依靠經驗和觀察，計算量相對較大，且不適宜工程實現。基于特征提取的模式識別在實際中運用廣泛，在雷達電子對抗中的研究較多。提取特征一般通過對時域、頻域、變換域等進行分析處理，進而選取有效特征，再進行分類器的設計。常見的特征提取方法有信號回波譜相關法、中頻信號處理法和時域信號自相關法等[6]。其中時頻分析應用廣泛，主要包括短時傅里葉變換、Wigner變換和小波變換等。近年來，模式識別發展較快，梁金弟針對復雜電子環境的干擾識別問題，使用基于決策樹和支持向量機兩種識別器進行干擾性能仿真對比分析[7]；吳昊應用歸一化高階累積量作為特征參數，并應用神經網絡對干擾進行識別，在低干信比下準確率較高[8]；金秋將深度學習運用到雷達輻射源分類中，實現智能化識別[9]；O’Shea T J成功將時域信號輸入深度學習網絡，實現了數字、模擬調制信號總計達二十八種信號的分類[10]。

綜合以上情況，國內外對于GNSS接收機接收到的導航干擾信號識別研究成果較少，但可以借鑒雷達領域信號識別的成果，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，進行數學建模。以下是它們的模型。

1)脈沖干擾

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

J(t)=Σδ(t-K)

(1)

其中，K為脈沖周期的整數倍。

2)掃頻干擾

掃頻干擾，以線性調頻干擾為例，有一定帶寬，其瞬時頻率會隨時間線性變化，數學表達式為

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，而當此濾波器的通頻帶寬B遠小于其中心頻率(即B?f0)時，濾波器輸出即為窄帶高斯白噪聲。 該噪聲有如下表達式和統計特性

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

設點頻干擾信號的頻率與北斗B1中心調制頻率相同，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。經過C/A碼調制及中頻變換后,其表達式為

(7)

其自相關函數為

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

(8)

6)MPSK調制干擾

實際的通信系統中，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字信息。

(9)

M進制數字相位調制信號的正交形式為

eMPSK(t)=I(t)cosωct-Q(t)sinωct

(10)

常用I、Q兩路來調制多進制相移鍵控。

通過以上分析，對各個干擾進行建模，然后產生干擾信號數據庫。

1.2 特征提取

通過對常見的衛星干擾進行分析，在歸一化預處理后，研究了干擾信號的時域和頻域等特點。選取下列特征進行提取。信號識別時對特征值個數并無絕對要求，只是可以采用如下特征參數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較低，可作為干擾是否存在的依據。

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

2)干擾帶寬B：區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調制的信號，其信號峰均比較大，可實現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，并可區分掃頻和寬帶高斯白噪聲。

5)平均頻譜平坦系數P：點頻干擾頻譜峰值較高，可以與其他干擾區分。

6)高階累積量F1、F2：可采用該參數區分MPSK信號，實現類內識別。

由表2可知，不同進制PSK干擾信號可通過高和累積量F1、F2進行區分。

表2 高階累積量Tab.2 High-order cumulant

2 分類器設計

1)決策樹

決策樹(Decision Tree)是一種常見的機器學習方法，可用于分類。常通過對相應參數進行估計，選取合適的閾值對不同類別進行分離。決策樹方法最關鍵的是選取最優劃分屬性，一般選取信息增益、增益率或基尼指數來選擇劃分屬性。這里采用CART決策樹進行分類器設計，基于最小距離的基尼指數估計函數，將當前樣本集分為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 決策樹基本構成示例Fig.2 Example of the decision tree basic composition

2)支持向量機

支持向量機(Support Vector Machines，SVM)基于統計學習理論，在樣本空間中構造超平面將樣本分為兩類。圖3所示為訓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，學習不同類型支持向量機的基本模型[13],實現了高效地從訓練樣本到預報樣本的轉導推理，但對大規模樣本及多分類問題不大適用，需采用組合模式進行訓練。

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

3)神經網絡

BP神經網絡是常見的神經網絡，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測等，具有自學習和自適應能力，還具有一定的容錯能力，較其他識別方式有突出優勢，但是在層節點的選擇上需要先驗知識來決定。

圖4 簡單神經網絡Fig.4 Simple neural network

4)深度學習

深度學習基于數據挖掘，利用輸入數據抽象提取數據特征，將低維度特征通過學習過程得到維度特征，是神經網絡的擴展，具有更智能化的過程。但如果數據序列較長，則存在盲識別的準確性會極大降低的問題，因此一般為了可靠性考慮，在工程應用中鮮少直接使用。

實驗使用決策樹和BP神經網絡對已有干擾進行識別率的比較，得出結論。

3 仿真實驗

實驗設置條件為GNSS接收機，選取北斗B1碼進行仿真。信號及干擾設置條件如表3所示。這里認為當某種信號識別率達到98%及以上時，結果是相對可靠的。

表3 信號參數設置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星信號，每種信號各100個，即900個帶有標注的信號,同時生成相同條件下相同數量的另一組測試樣本。

決策樹及BP神經網絡采用從信號中提取得到的特征值進行訓練。決策樹使用事先確定的各特征參數門限值進行分類，而BP神經網絡經多次試驗，采用的輸入層、隱藏層、輸出層節點數分別為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P這4個特征的決策樹和BP神經網絡分類器識別情況。

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，說明特征參數過多，擾亂識別或缺少能夠充分識別這些干擾的特征參數;而干噪比為20dB時，各種信號識別率有所提升，均達到95%以上，其中，掃頻干擾、脈沖干擾、點頻干擾識別率達到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-決策樹識別率(%)Fig.5 Four characteristic parameters-recognition rate of decision tree(%)

圖6反映了BP神經網絡作為干擾分類器，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-BP神經網絡識別率(%)Fig.6 Four characteristic parameters -recognition rate of BP neural network(%)

也可以得出結論：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果是不夠可靠的。而當干噪比提升到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到98%及以上，可以認為4個特征參數的決策樹分類器適用于這幾種干擾；而BP神經網絡識別的結果中，僅有點頻干擾識別率達到98%，因此4個特征參數的BP神經網絡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，決策樹和BP神經網絡分類器識別情況。

由圖7可知，使用決策樹識別器識別設置的八種干擾及無干擾，干噪比為20dB時，識別率達到99.8%，而0dB時識別效果也達到了99.2%，可以驗證特征提取的有效性。其中，MPSK信號識別率達到99.6%，說明高階累積量足以區分不同進制的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到98%以上；而當干噪比為20dB時，各個干擾識別率均達到99%及以上，因此7個特征值的決策樹適用于此處設置的所有干擾。

由圖8可知，使用BP神經網絡，干噪比為20dB時，識別率達到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神經網絡也具有一定的分類穩定性。

圖8 BP神經網絡識別率(%)Fig.8 Recognition rate of BP neural network(%)

通過觀察發現，雖然干噪比為0dB時個別干擾識別效果相對較差，但識別率也達到98%及以上，因此當干噪比為0dB及20dB時，7個特征值的BP神經網絡在識別所有干擾時均適用。

4 結論

本文針對GNSS導航接收機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行了分析：

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

2)對于常見的分類器，選取決策樹及BP神經網絡進行設計，對添加了高階累積量作為特征參數的識別器，識別準確率有所提升，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出了識別的穩定性，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，需要對特征參數加以研究；實驗僅設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。