基于LSTM的北斗衛星信號識別方法研究

鄧哲源

(北京中電飛華通信有限公司 上海分公司，上海 200001)

0 引言

中國北斗導航衛星系統被簡稱為北斗系統，是中國自主研發、獨立運行的全球衛星導航系統，旨在提供高精度、高可用性的定位、導航和時間服務。該系統由一組衛星、地面監測站和用戶終端設備組成，可實現全球范圍的覆蓋。且北斗系統支持多種導航模式，包括單點定位、差分定位、動態導航等，滿足不同應用場景的需求。具有高精度的定位能力，滿足精細測繪、精準農業等領域的需求。并可通過增強型服務、時鐘校正等技術手段，提供高可用性的導航服務，確保用戶在復雜環境下仍能獲取良好的導航效果。北斗導航衛星系統在交通運輸、資源勘探、災害管理、航空航天等領域具有廣泛的應用。它支持車輛導航、智能交通、船舶安全、精準農業、地下礦產勘探等多個應用場景，為經濟社會的發展做出了重要貢獻。雖然該系統早已投入使用，但其發展仍在繼續，在未來，還會不斷有衛星被送入宇宙，逐漸實現北斗系統的完善，使其能夠更好地服務于人類生活與生產的各個方面。在北斗系統的應用中，為了實現精確的定位，接收的信號必須是準確的[1]。然而由于其電平功率較低，因此在傳輸信號時很容易被各種因素干擾，影響最嚴重的是非人為干擾與人為干擾。其中，人為干擾更為顯著，這種干擾極其復雜，由于可由人類專門設計，但具有一定的規律性，可以精準針對各個薄弱環節進行干擾，為信號識別與抗干擾增加了很大難度[2]。而通過對北斗衛星信號進行識別和抗干擾研究，可以準確識別不同信號類型，并為后續信號處理提供正確的基礎，以有效降低和抵御干擾對信號接收與定位的影響，提高導航系統的穩定性和可靠性。因此，基于該背景對北斗衛星信號識別與抗干擾問題進行研究。

對于衛星信號識別與抗干擾問題的研究，目前研究已經經過不斷發展，逐漸趨近于完善，學者們提出了不同的識別方法，從深度學習、特征提取、決策理論等方面著手實現了衛星信號的多分類模式識別。文獻[3]中提出利用聯合特征參數的衛星單混信號調制識別方法，充分利用累積量和譜線特征并構造合理的特征參數，并構建決策樹分類器，實現信號的調制識別。但該方法受干擾影響較大，導致識別效果不佳。文獻[4]中提出基于高階累積量與小波變換熵值的衛星信號調制識別算法，通過計算調制信號小波系數及熵值，劃分調制信號類別，使用高階累積量實現信號識別。該方法識別率較高，但其識別耗時較長，導致其識別效率較差。文獻[5]中提出基于深度學習的信號調制識別方法。結合傳統的信號處理方法，利用各種信道估計器和均衡器對信道進行補償。然后設計了一個魯棒深度學習網絡RSN-MI作為分類器，實現信號識別。該方法具有較強的抗干擾性，但其識別效率較差。至于其抗干擾問題，目前的研究成果概括來說可以分為變換域法與時域法等，文獻[6]中提出一種有色噪聲下的改進GNSS空時抗干擾算法，消除了空時抗干擾中有色噪聲的影響。文獻[7]中提出一種引入天線增益計算模型的抗干擾計算分析方法，能夠系統提升抗干擾能力。以上方法存在識別準確率較低以及抗干擾后輸出信干比較低的問題，因此設計一種基于LSTM的北斗衛星信號識別方法，在利用傳統LSTM網絡與CNN網絡級聯的新型LSTM網絡實現北斗衛星信號的識別后，又通過空時自適應濾波約束算法，實現了北斗衛星信號窄帶與寬帶干擾的共同抑制，提高了信號識別的抗干擾性能，以及識別的效果。

1 北斗衛星信號識別與抗干擾方法設計

1.1 北斗衛星信號調制

實施北斗衛星真實信源信號調制，對監測北斗衛星系統的運行狀態、確保其正常工作以及防止非法干擾具有重要意義，可有效獲取衛星信號調制樣式識別算法的輸入信號。

真實信源的信號調制流程如下：

1)北斗衛星真實信源由兩種分量構成，通過下式表示其數據分量：

sign(sin2πrfd))

(1)

式中，pbic_DATA(d)為導航電文數據比特；rf為方波頻率，具體取值為1.023 MHz；qbic_DATA(d)為測距碼序列；d為信號發射時間；sign(·)為方波副載波[8]。

2)通過下式表示導頻分量時域：

(2)

式中，qbic_PILOT(d)為導頻的偽碼序列；rk為時域方波頻率，具體取值為6.138 MHz。

3)通過以上兩個公式表達北斗衛星信號復包絡形式，完成北斗衛星真實信源的信號調制[9]。

ZBIC(d)=ZDATA(d)+ZPILOT(d)

(3)

以I/Q信號形式實施信號存儲，數據格式為[2，128]。

1.2 基于LSTM的北斗衛星信號識別

CNN網絡的卷積層在處理輸入時具有參數共享的特點，這樣可大大減少模型的參數量和計算復雜度，并且還有一定的正則化效果，有助于減小過擬合問題。且CNN網絡通過多個卷積層和池化層的堆疊，可以從輸入數據中逐漸提取出更加高級和抽象的特征表示，這有助于更好地捕捉數據間的非線性關系和復雜模式。而傳統LSTM網絡的記憶單元具有長短期記憶能力，能夠有效處理時間序列中的長期依賴關系。這使得LSTM網絡對于信號中長期演變、復雜時序模式具有較強的建模能力。且其可以處理不同長度的輸入序列，適應信號調制中時序長度不一致的情況。因此，基于兩者所具有的優勢，將兩者進行結合，設計一種基于傳統LSTM網絡與CNN網絡級聯的新型LSTM網絡的衛星信號調制樣式識別算法，實現北斗衛星信號的識別。相比其他基于深度學習的識別算法，該算法可以有效提取表征信號調制樣式的對應特征，復雜度較低，對于嵌入式應用更有利。

設計的基于LSTM的衛星信號調制樣式識別算法的網絡結構如圖1所示[10]。

圖1 識別算法的網絡結構

新型LSTM網絡主要利用了傳統LSTM網絡與CNN網絡在建模能力方面的互補性[11]。其主要體現在CNN網絡通過卷積操作可以有效提取輸入數據的局部和全局特征，對于衛星信號這樣的序列數據，CNN可以捕捉到不同時間段和頻域上的特征，能夠較好地處理多維度數據間的相關性。因此，通過CNN網絡能夠實施I、Q數據間特征的提取。而傳統LSTM網絡能夠建模和利用序列之間的依賴關系，通過隱藏狀態記憶信息，有效處理長期依賴關系。這種時序特征提取機制使得LSTM網絡能夠較好地捕捉信號中的時序變化和動態特征。因此，通過傳統LSTM網絡實現數據中時序特征的提取。由此將兩者進行結合，利用其各自的優勢對獲取的衛星信號進行處理，以有效提高衛星信號調制樣式識別的準確性。

其中，CNN網絡主要有卷積與特征融合模塊兩部分，而這兩部分均由降維卷積單元與卷積單元構成，二者有著一致的結構，但內卷積層中設置了不同的卷積核尺寸，使二者在訓練后能夠實現不同的功能。

兩種單元均由卷積層、BN層(批量歸一化層)與RELU層(ReLU 激活函數)構成。其中卷積層是CNN網絡的核心組件，它通過在輸入數據上使用滑動窗口運算的方式，有效地捕捉輸入數據中的特征。其可將輸入數據與一組可學習的卷積核進行逐元素相乘并求和，從而生成特征圖(Feature Map)。且卷積層的參數共享機制可使相同卷積核共享權重，以有效達到減少參數量的目的。這種共享能力有效地減小了計算量，并且具有一定的正則化效果，有助于減小模型的過擬合。BN層用于對輸入數據進行歸一化操作，通過使數據的分布更加穩定，可以有效提升模型的訓練速度和抗干擾能力。通過歸一化處理每個輸入通道的數據，使其均值為0，方差為1，以避免數據分布的偏移和梯度的消失或爆炸問題。且通過將數據歸一化，BN層能夠加速網絡的收斂速度，提高訓練效率，并減小模型對輸入數據分布的敏感性，提升模型的魯棒性和泛化能力。ReLU是一種常用的激活函數，被廣泛用于CNN網絡的非線性映射。ReLU函數的非線性特性有助于CNN網絡學習和表示具有復雜結構的數據。相比于傳統的Sigmoid或Tanh函數，ReLU函數在計算上更加簡單且減少了梯度消失問題。且ReLU函數將負數輸入映射為0，保留正數輸入，使網絡更加關注正向有意義的特征，增強了模型對數據中重要信息的提取能力。

其中，BN層訓練數據方差的計算公式如下：

(4)

式中，n為batch size，φ為訓練數據的均值，yi為輸入數據。

訓練數據均值φ的計算公式如下：

(5)

數據變換公式具體如下：

(6)

式中，φ為一個常數，取值為1×10-3，能夠防止分母值變成0。

(7)

通過ReLU激活函數可有效避免梯度消失問題，且ReLU函數可以增強模型對數據中重要信息的提取能力。ReLU函數的公式如下：

f(x)=max(0，x)

(8)

式中，x為輸入值，f(x)為輸出值。當輸入x大于等于0時，輸出為輸入x本身。當輸入x小于0時，輸出為0。由此可保留正數輸入可以使網絡更加關注正向有意義的特征，去除負數輸入則會過濾掉一些無關緊要的信息，從而提升模型的表達能力和提取關鍵特征的能力。

而CNN網絡與傳統LSTM網絡通過連接層連接，且在連接層中，存在時序特征提取模塊，在該模塊中包含雙層LSTM網絡，來進行數據中時序特征的提取和壓縮。最終將CNN網絡與LSTM網絡提取的特征輸出至連接層，進行融合，以為識別提供支撐[12]。

時序特征提取模塊采用的結構為雙層LSTM網絡，以盡可能挖掘隱含時序特征。在雙層LSTM網絡的參數設置中，以減少網絡寬度、增加網絡層數為基本思想，將隱藏單元數分別設置為32和11。

各層LSTM網絡的結構如圖2所示。

圖2 各層LSTM網絡的結構

最終采用Softmax函數作為激活函數，完成特征提取，其計算表示如下：

(9)

由此經過兩層LSTM網絡后，實現對數據中時序特征的提取，并將提取得到的時序特征，即多尺度時序數據壓縮為“濃縮”的數據輸出，以有效減少輸出層的計算量與參數量。通過輸出層能夠實現特征空間至輸出空間的映射。將輸出層設置為全連接層，將其隱藏單元數量設置為 11。在該層中，將CNN網絡與LSTM網絡提取的特征通過加權求和的方式進行融合，以得到所獲取衛星信號的整體特征，其具體表示如下：

(10)

式中，τ、γ分別為CNN網絡和LSTM網絡輸出特征權重系數，o為所獲取的衛星信號數量，Qo為融合后的特征。

為提高輸出融合特征的有效性，需對其進行有監督微調訓練。采用log(cosh)作LSTM網絡的損失函數，可表示為：

(11)

S(τ，γ)=Slog(cosh)+l·Q(τ，γ)

(12)

式中，L為特征總數；S(τ，γ)為均方誤差損失；Q(τ，γ)為懲罰項；l為稀疏懲罰系數。該網絡訓練根據反向傳播算法微調異步多傳感器，優化τ、γ權重系數即：

(13)

(14)

接下來，基于融合后的特征，在全連接神經網絡中，對于每個層，可以使用以下公式計算該層的輸出：

Z=W×Qo+b

(15)

A=Tanh(Z)

(16)

式中，Z為加權輸入，A為輸出，W為權重，b為偏置項，Tanh為激活函數。接著使用softmax函數，根據特征融合后全連接層的輸出，獲得各衛星信號類別的概率分布，表示如下所示：

(17)

式中，Ai表示輸出結果屬于第i個類別的得分，Pi表示為輸出結果屬于第i個類別的概率，sum表示求和函數。由此通過上式(17)，實現衛星信號樣本分為不同的調制樣式類別，完成衛星信號調制樣式識別。由于在信號識別過程中存在一定的干擾，因此，為提高最終的識別效果，對北斗衛星信號窄帶與寬帶干擾進行共同抑制，以降低信號識別過程中的干擾影響，以精準有效地實現對衛星信號的識別。

1.3 北斗衛星信號抗干擾

為提高識別效果，設計一種結合空域抗干擾技術與時域抗干擾技術的空時自適應濾波約束算法，實現北斗衛星信號窄帶與寬帶干擾的共同抑制。其中，空域抗干擾技術主要通過空間波束形成和自適應干擾抑制算法來抑制干擾，而時域抗干擾技術主要通過時域濾波器、自適應濾波器等來進行干擾抑制。將兩者結合起來，可以綜合利用空間和時間上的信息，提高抗干擾能力。空域技術可以抑制來自不同角度的干擾源，減小干擾強度；時域技術可以對干擾信號進行時域處理，提高對時變干擾的抑制效果。而空時自適應濾波約束算法可以根據實際干擾環境的復雜程度和干擾信號的特點，動態調整抗干擾算法的參數和權重，以適應不同的干擾情況。由此，通過空域抗干擾技術與時域抗干擾技術的空時自適應濾波約束算法，實現北斗衛星信號窄帶與寬帶干擾的共同抑制，以提高北斗衛星信號的接收質量，減少干擾對數據傳輸和定位服務的影響。并提高北斗系統的魯棒性和可靠性，在各種干擾環境下保持正常的通信和導航功能，以提高無線電頻譜的利用率，為其他通信系統提供更多的可用頻譜資源。因此，接下來對空域抗干擾技術與時域抗干擾技術的空時自適應濾波約束算法抑制斗衛星信號窄帶與寬帶干擾進行研究。

將空時自適應濾波中時間快拍的數量設置為M個，當使用其中一個時間快拍時，其權矢量與導向矢量的數量積為1，其他快拍的數量積則為0。在以上約束條件下，該時間快拍的輸出功率最小。

將某一顆北斗衛星的序號用l來表示，用下式表示使用的時間快拍：

(18)

(19)

在上式的約束下，依據不同的天線陣列方式，計算各北斗衛星所對應的陣列響應矢量，計算公式最小如下：

(20)

式中，Pp(α)、Pp(δ，α)為α、(δ，α)天線陣列方式下的響應矢量；χ為第h個北斗衛星對應陣元的延時數。

則依據下式可以計算時域導向矢量：

Pp(t0)=[1，exp(Pp(α))，exp(Pp(δ，α))]t

(21)

其約束矩陣可以用下式來表示：

A=Pp(δ，α)?Pp(t0)×NK

(22)

式中，NK為基帶信號的觀察頻點[16]。

依據時域導向矢量的約束矩陣求取其最優的權矢量，具體如下：

O=νx-1Aχ

(23)

式中，νx為代價函數[17]。

此時已經通過權值的自適應更新獲取最佳權值，利用O在干擾方向產生零陷，并將干擾設置為零，實現干擾的消除。

2 實驗測試

2.1 實驗數據集

對于設計的基于LSTM的北斗衛星信號識別與抗干擾方法，對其實施性能測試。首先對某北斗三代衛星真實信源實施信號調制，獲取衛星信號調制樣式識別算法的輸入信號作為實驗數據集。

實驗數據集的技術信息如表1所示。

表1 實驗數據集的技術信息

利用實驗數據集開展實驗測試。

2.2 實驗過程

利用基于LSTM的衛星信號調制樣式識別算法實施北斗三代衛星信號的識別。

實驗中卷積單元和降維卷積單元的參數設置情況如表2所示。

表2 兩種單元的參數設置情況

在基于LSTM的衛星信號調制樣式識別算法的訓練中，超參數的設置情況具體如下：

1)優化器：Adam；

2)epochs：500；

3)損失函數：交叉熵損失函數；

4)batch size：100；

5)學習率：0.000 1。

在其訓練中，首先正向計算網絡的損失函數，接著以鏈式法則為依據對梯度下降進行反向求導，并更新權重參數，最終降低網絡損失函數的值。損失穩定后即表明算法達到局部最優或最優。

選用多分類交叉熵損失函數，深度學習框架為Tensorflow 2.1。

最后利用空時自適應濾波約束算法，實現實驗北斗三代衛星窄帶與寬帶干擾的共同抑制。

在該步驟中，將快拍個數設置為6 000個，將抽頭延時的個數設置為8。將(20°，250°)方向的干擾作為實驗中的窄帶干擾信號，將(30°，90°)、(50°，10°)、(25°，90°)方向的干擾作為實驗中的寬帶干擾信號。

2.3 指標設置

在對北斗衛星信號識別與抗干擾方法進行實驗測試時，可以考慮以下指標來評估方法的性能和效果。

1)識別準確率：該指標用于評估北斗衛星信號識別的準確性，即判斷接收到的信號是否為北斗衛星信號。它可以通過計算在不同干擾下，正確判斷的樣本數與總樣本數之比來表示。

2)誤判率：該指標用于評估北斗衛星信號識別的誤判率，即將非北斗衛星信號錯誤地識別為北斗衛星信號的概率。該指標可以通過計算誤判樣本數與非北斗衛星信號樣本總數之比來得出。其結果越小，說明識別性能越好，識別結果可靠性強。

3)識別速度：該指標用于評估北斗衛星信號識別的速度，即從接收到信號到進行判斷的時間間隔。較低的識別速度有助于實時應用場景中的傳輸和處理。因此，其結果越小，說明識別速度越快，其工作效率就越高，應用性越強。

4)抗干擾性能：該指標是用來評估北斗衛星信號在各種干擾環境下維持準確識別和穩定性的抗干擾能力。可以通過計算在不同干擾環境下的抗干擾后輸出信干比來評估。

因此，通過上述指標，以驗證所提出的北斗衛星信號識別與抗干擾方法的優勢和效果。

2.4 測試項目與結果分析

2.4.1 識別準確率結果分析

在實驗中，首先測試各信噪比下設計方法的北斗衛星信號識別精度，也就是樣本總數中正確樣本數的占比。在此次測試中，將文獻[3]中聯合特征參數(方法1)、文獻[4]中基于高階累積量與小波變換熵值的衛星信號調制識別算法(方法2)作為對比方法，其與設計方法的所得結果如圖3所示。

圖3 北斗衛星信號識別精度

根據圖3所示，隨著信噪比增大，3種測試方法的識別準確率均直線上升，從趨勢上來看，設計方法的上升趨勢要高于另兩種方法。其中，當信噪比達到10 dB時，設計方法的識別準確率整體高于另外兩種對比方法，最高達到接近90%，而方法1、方法2的識別準確率分別為69%和67%。由此說明，設計方法可有效完成對北斗衛星信號的識別，且所得識別結果更具有可靠性。這是因為設計方法在進行識別之前，采用傳統LSTM網絡與CNN網絡進行了所獲取衛星信號的特征提取，為其識別提供了詳細且關鍵的信息，且采用結合空域抗干擾技術與時域抗干擾技術的空時自適應濾波約束算法，實現北斗衛星信號窄帶與寬帶干擾的共同抑制，從而提高了信號識別的精度。

2.4.2 識別誤判率結果分析

接下來，測試各信噪比下設計方法的北斗衛星信號識別誤判率，也就是誤判樣本數與非北斗衛星信號樣本總數之比。測試結果如表3所示。在該項測試中，同理將利用聯合特征參數、基于高階累積量與小波變換熵值的衛星信號調制識別算法作為對比方法，并分別用方法1、方法2來表示。

表3 北斗衛星信號識別誤判率

根據表3可知，隨著信噪比增大，3種測試方法的識別誤判率均呈現出下降的趨勢，其中，從整齊上看，設計方法的誤判率要低于另兩種方法。3種方法可達到的最低識別誤判率結果，分別為3.09、5.31、6.33，相比可得出，采用設計方法進行北斗衛星信號識別時，其誤判率較低，具有較好的識別性能，識別結果可靠性強。這是因為設計方法采用結合空域抗干擾技術與時域抗干擾技術的空時自適應濾波約束算法，對北斗衛星信號窄帶與寬帶干擾進行了共同的抑制，提高了北斗衛星信號的接收質量，減少干擾對數據傳輸和定位服務的影響，從而降低了信號識別的誤判率，提高了識別的效果。

2.4.3 識別速度結果分析

在上述測試的基礎上，采用設計方法、方法1、方法2對50 000個北斗衛星信號進行識別時，從接收到信號到進行判斷的時間間隔進行統計，其所得結果如表4所示。

表4 識別時間間隔

根據上述表4所得結果可知，隨著待識別信號數量的增加，在采用設計方法、方法1、方法2進行識別時，其識別的時間間隔均逐漸增加。當信號數量增加至50 000時，設計方法、方法1、方法2的識別時間間隔分別為6.95、10.02、10.38 s。通過對比3種方法所得結果可知，在采用設計方法進行北斗衛星信號識別時，識別的時間間隔較短，由此說明設計方法的識別速度較快，具有較高的工作效率，可在精準識別北斗衛星信號的同時，快速地完成識別工作，具有較強的應用性。這是因為設計的基于傳統LSTM網絡與CNN網絡級聯的新型LSTM網絡的衛星信號調制樣式識別算法，可以有效提取表征信號調制樣式的對應特征，降低了計算的復雜度，從而縮短了識別的時間間隔。

2.4.4 抗干擾性能結果分析

接著測試不同干擾環境下設計方法的抗干擾后輸出信干比。在該項測試中，將文獻[6]中有色噪聲下的改進GNSS空時抗干擾算法與文獻[7]中引入天線增益計算模型的抗干擾計算分析方法作為對比方法，并分別用方法3、方法4來表示。測試結果具體如表5所示。

表5 抗干擾后輸出信干比測試結果

測試結果表明，隨著干擾信號逐漸增多，3種測試方法的抗干擾后輸出信干比均不斷降低，其中設計方法的降幅整體較低，而方法3、方法4的抗干擾后輸出信干比降幅則較大，幾乎是斷崖式下跌。同時整體來說，設計方法的抗干擾后輸出信干比也是最高的，說明設計方法的抗干擾效果在幾種測試方法中是最好的，可有效實現對北斗衛星信號窄帶與寬帶干擾的共同抑制，以提高信號識別的準確性。這是因為設計方法將空域抗干擾技術和時域抗干擾技術相結合，綜合利用了空間和時間上的信息，有效地提高抗干擾能力，達到了較好的抗干擾效果。

3 結束語

由于北斗系統的強大功能及其優勢，人們越來越依賴北斗系統的存在。在日常生活中，人們利用北斗系統進行定位，然而其應用不止于民用，就連軍事領域都有所應用。為在其應用中實現更加準確的定位，以提高工作效率和生活便利性，設計一種基于LSTM的北斗衛星信號識別與抗干擾，既實現了北斗衛星信號的識別，又基于識別結果實現了其有效的抗干擾處理，以應對不斷變化和復雜化的干擾環境，為北斗系統的穩定運行和應用提供更好的支持，對于北斗系統應用的擴展有積極意義。