本發(fā)明涉及深度學(xué)習(xí)技術(shù)領(lǐng)域，具體而言，涉及一種信號(hào)分類方法、裝置及衛(wèi)星信號(hào)檢測(cè)設(shè)備。

背景技術(shù)：

全球衛(wèi)星導(dǎo)航系統(tǒng)(gnss，包括gps、glonass、北斗等系統(tǒng))提供的精準(zhǔn)時(shí)空信息，將互聯(lián)網(wǎng)上的終端、用戶和物理世界聯(lián)系在一起，對(duì)于終端用戶、導(dǎo)航服務(wù)、互聯(lián)網(wǎng)服務(wù)商、關(guān)鍵基礎(chǔ)設(shè)施等都具有極高的價(jià)值。然而，gnss接收器很容易面臨屏蔽和欺騙的危險(xiǎn)，因此判斷衛(wèi)星發(fā)送的gps信號(hào)是否具有攻擊性具有重要的意義。

目前，通常利用svm(supportvectormachine，支持向量機(jī))來(lái)檢測(cè)具有攻擊性的gps信號(hào)，但是，現(xiàn)有的支持向量機(jī)訓(xùn)練與分類的是一個(gè)1*8的矩陣，因此檢測(cè)的準(zhǔn)確度不高。另外，現(xiàn)有技術(shù)中的支持向量機(jī)很大程度上依賴了訓(xùn)練集與機(jī)器性能，很難保證較好的穩(wěn)定性，在實(shí)時(shí)分析的過(guò)程中會(huì)出現(xiàn)由于系統(tǒng)原因?qū)е碌臄?shù)據(jù)流失等各種問(wèn)題。

技術(shù)實(shí)現(xiàn)要素：

本發(fā)明的目的在于提供一種信號(hào)分類方法、裝置及衛(wèi)星信號(hào)檢測(cè)設(shè)備，用以改善上述問(wèn)題。

為了實(shí)現(xiàn)上述目的，本發(fā)明實(shí)施例采用的技術(shù)方案如下：

第一方面，本發(fā)明提供了一種信號(hào)分類方法，應(yīng)用于衛(wèi)星信號(hào)檢測(cè)設(shè)備，所述方法包括：接收預(yù)定頻段的多種衛(wèi)星信號(hào)；將多種衛(wèi)星信號(hào)均轉(zhuǎn)換為對(duì)應(yīng)的多種數(shù)字信號(hào)，其中，每種衛(wèi)星信號(hào)對(duì)應(yīng)一種數(shù)字信號(hào)；對(duì)每種數(shù)字信號(hào)均進(jìn)行向量處理，得到每種所述數(shù)字信號(hào)對(duì)應(yīng)的特征向量，其中，特征向量是多維矩陣，且每一維包含多個(gè)特征；利用預(yù)設(shè)的卷積神經(jīng)網(wǎng)絡(luò)模型，提取每種數(shù)字信號(hào)對(duì)應(yīng)的特征向量的深度特征，并根據(jù)深度特征將該數(shù)字信號(hào)分類為攻擊信號(hào)或非攻擊信號(hào)。

第二方面，本發(fā)明提供了一種信號(hào)分類裝置，應(yīng)用于衛(wèi)星信號(hào)檢測(cè)設(shè)備，所述裝置包括衛(wèi)星信號(hào)接收模塊、信號(hào)轉(zhuǎn)換模塊、信號(hào)處理模塊及信號(hào)分類模塊。其中，衛(wèi)星信號(hào)接收模塊用于接收預(yù)定頻段的多種衛(wèi)星信號(hào)；信號(hào)轉(zhuǎn)換模塊用于將多種衛(wèi)星信號(hào)均轉(zhuǎn)換為對(duì)應(yīng)的多種數(shù)字信號(hào)，其中，每種衛(wèi)星信號(hào)對(duì)應(yīng)一種數(shù)字信號(hào)；信號(hào)處理模塊用于對(duì)每種數(shù)字信號(hào)均進(jìn)行向量處理，得到每種數(shù)字信號(hào)對(duì)應(yīng)的特征向量，其中，特征向量是多維矩陣，且每一維包含多個(gè)特征；信號(hào)分類模塊用于利用預(yù)設(shè)的卷積神經(jīng)網(wǎng)絡(luò)模型，提取每種數(shù)字信號(hào)對(duì)應(yīng)的特征向量的深度特征，并根據(jù)深度特征將該數(shù)字信號(hào)分類為攻擊信號(hào)或非攻擊信號(hào)。

第三方面，本發(fā)明提供了一種衛(wèi)星信號(hào)檢測(cè)設(shè)備，其包括存儲(chǔ)器、處理器、以及信號(hào)分類裝置，所述信號(hào)分類裝置安裝于所述存儲(chǔ)器中并包括一個(gè)或多個(gè)由所述處理器執(zhí)行的軟件功能模塊。所述信號(hào)分類裝置包括衛(wèi)星信號(hào)接收模塊、信號(hào)轉(zhuǎn)換模塊、信號(hào)處理模塊及信號(hào)分類模塊。其中，衛(wèi)星信號(hào)接收模塊用于接收預(yù)定頻段的多種衛(wèi)星信號(hào)；信號(hào)轉(zhuǎn)換模塊用于將多種衛(wèi)星信號(hào)均轉(zhuǎn)換為對(duì)應(yīng)的多種數(shù)字信號(hào)，其中，每種衛(wèi)星信號(hào)對(duì)應(yīng)一種數(shù)字信號(hào)；信號(hào)處理模塊用于對(duì)每種數(shù)字信號(hào)均進(jìn)行向量處理，得到每種數(shù)字信號(hào)對(duì)應(yīng)的特征向量，其中，特征向量是多維矩陣，且每一維包含多個(gè)特征；信號(hào)分類模塊用于利用預(yù)設(shè)的卷積神經(jīng)網(wǎng)絡(luò)模型，提取每種數(shù)字信號(hào)對(duì)應(yīng)的特征向量的深度特征，并根據(jù)深度特征將該數(shù)字信號(hào)分類為攻擊信號(hào)或非攻擊信號(hào)。

相對(duì)現(xiàn)有技術(shù)，本發(fā)明具有以下有益效果：本發(fā)明提供的一種信號(hào)分類方法、裝置及衛(wèi)星信號(hào)檢測(cè)設(shè)備，通過(guò)將多種衛(wèi)星信號(hào)對(duì)應(yīng)的數(shù)字信號(hào)進(jìn)行向量處理，得到每種數(shù)字信號(hào)對(duì)應(yīng)的特征向量，該特征向量是多維矩陣，且每一維包含多個(gè)特征，解決了現(xiàn)有技術(shù)中檢測(cè)準(zhǔn)確度不高的問(wèn)題。另外，利用預(yù)設(shè)的卷積神經(jīng)網(wǎng)絡(luò)模型對(duì)數(shù)字信號(hào)進(jìn)行分類，降低了對(duì)訓(xùn)練集與機(jī)器性能的要求，具有良好的穩(wěn)定性，同時(shí)提升了信號(hào)分類的精度。

為使本發(fā)明的上述目的、特征和優(yōu)點(diǎn)能更明顯易懂，下文特舉較佳實(shí)施例，并配合所附附圖，作詳細(xì)說(shuō)明如下。

附圖說(shuō)明

為了更清楚地說(shuō)明本發(fā)明實(shí)施例的技術(shù)方案，下面將對(duì)實(shí)施例中所需要使用的附圖作簡(jiǎn)單地介紹，應(yīng)當(dāng)理解，以下附圖僅示出了本發(fā)明的某些實(shí)施例，因此不應(yīng)被看作是對(duì)范圍的限定，對(duì)于本領(lǐng)域普通技術(shù)人員來(lái)講，在不付出創(chuàng)造性勞動(dòng)的前提下，還可以根據(jù)這些附圖獲得其他相關(guān)的附圖。

圖1示出了本發(fā)明實(shí)施例提供的衛(wèi)星信號(hào)檢測(cè)設(shè)備的方框示意圖。

圖2示出了本發(fā)明較佳實(shí)施例提供的信號(hào)分類方法流程圖。

圖3為圖2示出的步驟s103的子步驟流程圖。

圖4為圖2示出的步驟s104的子步驟流程圖。

圖5為圖4示出的子步驟s1042的子步驟流程圖。

圖6示出了本發(fā)明實(shí)施例提供的信號(hào)分類裝置的方框示意圖。

圖7為圖6示出的信號(hào)分類裝置中信號(hào)轉(zhuǎn)換模塊的方框示意圖。

圖8為圖6示出的信號(hào)分類裝置中信號(hào)分類模塊的方框示意圖。

圖9為圖8示出的信號(hào)分類模塊中模型訓(xùn)練單元的方框示意圖。

圖標(biāo)：100-衛(wèi)星信號(hào)檢測(cè)設(shè)備；101-存儲(chǔ)器；102-處理器；103-通信單元；200-信號(hào)分類裝置；201-衛(wèi)星信號(hào)接收模塊；202-信號(hào)轉(zhuǎn)換模塊；203-信號(hào)處理模塊；2031-時(shí)域特征提取單元；2032-頻域特征提取單元；2033-向量處理單元；204-信號(hào)分類模塊；2041-模型構(gòu)建單元；2042-模型訓(xùn)練單元；20421-訓(xùn)練單元；20422-參數(shù)更改單元；2043-第一執(zhí)行單元；2044-第二執(zhí)行單元。

具體實(shí)施方式

下面將結(jié)合本發(fā)明實(shí)施例中附圖，對(duì)本發(fā)明實(shí)施例中的技術(shù)方案進(jìn)行清楚、完整地描述，顯然，所描述的實(shí)施例僅僅是本發(fā)明一部分實(shí)施例，而不是全部的實(shí)施例。通常在此處附圖中描述和示出的本發(fā)明實(shí)施例的組件可以以各種不同的配置來(lái)布置和設(shè)計(jì)。因此，以下對(duì)在附圖中提供的本發(fā)明的實(shí)施例的詳細(xì)描述并非旨在限制要求保護(hù)的本發(fā)明的范圍，而是僅僅表示本發(fā)明的選定實(shí)施例。基于本發(fā)明的實(shí)施例，本領(lǐng)域技術(shù)人員在沒有做出創(chuàng)造性勞動(dòng)的前提下所獲得的所有其他實(shí)施例，都屬于本發(fā)明保護(hù)的范圍。

應(yīng)注意到：相似的標(biāo)號(hào)和字母在下面的附圖中表示類似項(xiàng)，因此，一旦某一項(xiàng)在一個(gè)附圖中被定義，則在隨后的附圖中不需要對(duì)其進(jìn)行進(jìn)一步定義和解釋。同時(shí)，在本發(fā)明的描述中，術(shù)語(yǔ)“第一”、“第二”等僅用于區(qū)分描述，而不能理解為指示或暗示相對(duì)重要性。

請(qǐng)參照?qǐng)D1，圖1示出了本發(fā)明實(shí)施例提供的衛(wèi)星信號(hào)檢測(cè)設(shè)備100的方框示意圖?，F(xiàn)目前，全球衛(wèi)星導(dǎo)航系統(tǒng)(globalnavigationsatellitesystem，gnss)被廣泛應(yīng)用于定位、導(dǎo)航和授時(shí)服務(wù)方面，該gnss系統(tǒng)主要包括全球定位系統(tǒng)(globalpositioningsystem，gps)、全球衛(wèi)星定位系統(tǒng)(globalnavigationsatellitesystem，glonass)、中國(guó)北斗衛(wèi)星導(dǎo)航系統(tǒng)(beidounavigationsatellitesystem，bds)。生活中，在很多場(chǎng)景下需要使用gnss系統(tǒng)獲取位置信息，以便于為人們導(dǎo)航或提供其他附加服務(wù)，如在陌生的環(huán)境中，需要依靠手機(jī)進(jìn)行或車載導(dǎo)航儀進(jìn)行導(dǎo)航；野外基礎(chǔ)設(shè)施傳感器或通信授時(shí)基站或金融服務(wù)器等需要依靠位置信息進(jìn)行分析判斷；甚至現(xiàn)在越來(lái)越普及的共享單車、外賣服務(wù)以及百度地圖等均需要采集位置信息以便于提供后續(xù)服務(wù)。

因此，依靠gnss系統(tǒng)獲取位置信息已經(jīng)成為人們生活中非常重要的一部分，但是衛(wèi)星信號(hào)的接收很容易面臨屏蔽和欺騙的危險(xiǎn)，因?yàn)樵谟玫娜驍?shù)十億臺(tái)設(shè)備已經(jīng)使用未加密的民用信號(hào)，一方面不可能更新所有設(shè)備的硬件以實(shí)現(xiàn)加密的功能，另一方面也不能實(shí)現(xiàn)對(duì)所有公共協(xié)議進(jìn)行加密，以保證衛(wèi)星信號(hào)的安全傳輸。一旦衛(wèi)星信號(hào)被攻擊，即衛(wèi)星信號(hào)被屏蔽或欺騙，將導(dǎo)致嚴(yán)重的后果。如，導(dǎo)航儀或智能手機(jī)上的地圖導(dǎo)航應(yīng)用被攻擊后，用戶將被誤導(dǎo)至危險(xiǎn)區(qū)域，人身或財(cái)產(chǎn)存在發(fā)生危險(xiǎn)的可能；游艇或其他交通工具依靠gnss系統(tǒng)進(jìn)行定位，一旦衛(wèi)星信號(hào)被攻擊，則整個(gè)游艇或其他交通工具將被誤導(dǎo)至錯(cuò)誤的路線；共享單車需要通過(guò)衛(wèi)星信號(hào)來(lái)定位車輛或進(jìn)行計(jì)費(fèi)服務(wù)，若衛(wèi)星信號(hào)被攻擊，則不能實(shí)時(shí)監(jiān)控車輛或不能正常計(jì)費(fèi)，將造成重大損失。

本發(fā)明提供一種衛(wèi)星信號(hào)檢測(cè)設(shè)備100，該衛(wèi)星信號(hào)檢測(cè)設(shè)備100體積小、原料成本低，使用時(shí)，僅需要隨人體、車輛、船舶或其他設(shè)備攜帶，或放置于需要保護(hù)時(shí)間位置信息的地方，同時(shí)，信號(hào)分類方法應(yīng)用于該衛(wèi)星信號(hào)檢測(cè)設(shè)備100上，用戶通過(guò)連接該衛(wèi)星信號(hào)檢測(cè)設(shè)備100后，即可通過(guò)信號(hào)分類方法安全使用查看當(dāng)前所處的位置信息，以避免衛(wèi)星信號(hào)遭受攻擊的情況，保證了人身及財(cái)產(chǎn)安全。如，可將衛(wèi)星信號(hào)檢測(cè)設(shè)備100放在背包中或?qū)⑿l(wèi)星信號(hào)檢測(cè)設(shè)備100放置于車內(nèi)，以保證手機(jī)導(dǎo)航或車載導(dǎo)航儀正常工作。

請(qǐng)參照?qǐng)D1，圖1示出了本發(fā)明實(shí)施例提供的衛(wèi)星信號(hào)檢測(cè)設(shè)備100的方框示意圖，衛(wèi)星信號(hào)檢測(cè)設(shè)備100包括信號(hào)分類裝置200、存儲(chǔ)器101、處理器102以及通信單元103。

該存儲(chǔ)器101、處理器102以及通信單元103各元件相互之間直接或間接地電性連接，以實(shí)現(xiàn)數(shù)據(jù)的傳輸或交互。例如，這些元件相互之間可通過(guò)一條或多條通訊總線或信號(hào)線實(shí)現(xiàn)電性連接。所述信號(hào)分類裝置200包括至少一個(gè)可以軟件或固件(firmware)的形式存儲(chǔ)于存儲(chǔ)器101中或固化在衛(wèi)星信號(hào)檢測(cè)設(shè)備100的操作系統(tǒng)(operatingsystem，os)中的軟件功能模塊。處理器102用于執(zhí)行存儲(chǔ)器101中存儲(chǔ)的可執(zhí)行模塊，例如信號(hào)分類裝置200包括的軟件功能模塊及計(jì)算機(jī)程序等。

其中，存儲(chǔ)器101可以是，但不限于，隨機(jī)存取存儲(chǔ)器(randomaccessmemory，ram)，只讀存儲(chǔ)器(readonlymemory，rom)，可編程只讀存儲(chǔ)器(programmableread-onlymemory，prom)，可擦除只讀存儲(chǔ)器(erasableprogrammableread-onlymemory，eprom)，電可擦除只讀存儲(chǔ)器(electricerasableprogrammableread-onlymemory，eeprom)等。其中，存儲(chǔ)器101用于存儲(chǔ)程序，處理器102在接收到執(zhí)行指令后，執(zhí)行所述程序。通信單元103用于建立該衛(wèi)星信號(hào)檢測(cè)設(shè)備100與智能設(shè)備的通信連接，該智能設(shè)備可以是服務(wù)終端，如臺(tái)式電腦其他智能設(shè)備，也可以是，移動(dòng)終端，如手機(jī)或平板等其他智能設(shè)備，還可以是，服務(wù)終端和移動(dòng)終端，即移動(dòng)終端與服務(wù)終端通信連接，服務(wù)終端與該衛(wèi)星信號(hào)檢測(cè)設(shè)備100通信連接。

第一實(shí)施例

請(qǐng)參照?qǐng)D2，圖2示出了本發(fā)明較佳實(shí)施例提供的信號(hào)分類方法流程圖。信號(hào)分類方法包括以下步驟：

步驟s101，接收預(yù)定頻段的多種衛(wèi)星信號(hào)。

在本發(fā)明實(shí)施例中，多種衛(wèi)星信號(hào)可以是，但不限于，gps(全球定位系統(tǒng)，globalpositioningsystem)信號(hào)、glonass(全球衛(wèi)星導(dǎo)航系統(tǒng)，globalnavigationsatellitesystem)信號(hào)以及北斗信號(hào)，衛(wèi)星信號(hào)檢測(cè)設(shè)備100用于接收預(yù)定頻段的多種衛(wèi)星信號(hào)。

步驟s102，將多種衛(wèi)星信號(hào)均轉(zhuǎn)換為對(duì)應(yīng)的多種數(shù)字信號(hào)，其中，每種衛(wèi)星信號(hào)對(duì)應(yīng)一種數(shù)字信號(hào)。

在本發(fā)明實(shí)施例中，衛(wèi)星信號(hào)檢測(cè)設(shè)備100將接收到的每種衛(wèi)星信號(hào)由模擬信號(hào)均對(duì)應(yīng)轉(zhuǎn)換為數(shù)字信號(hào)，以便于后續(xù)對(duì)每種衛(wèi)星信號(hào)進(jìn)行分析。

步驟s103，對(duì)每種數(shù)字信號(hào)均進(jìn)行向量處理，得到每種數(shù)字信號(hào)對(duì)應(yīng)的特征向量，其中，特征向量是多維矩陣，且每一維包含多個(gè)特征。

在本發(fā)明實(shí)施例中，對(duì)每種數(shù)字信號(hào)均進(jìn)行向量處理，得到每種數(shù)字信號(hào)對(duì)應(yīng)的特征向量的方法可以是：首先，采用信號(hào)提取算法分別提取每種數(shù)字信號(hào)的時(shí)域特征、頻域特征；然后，將每種數(shù)字信號(hào)的時(shí)域特征和頻域特征進(jìn)行向量處理，得到多個(gè)64*64的特征向量。每種數(shù)字信號(hào)的時(shí)域特征可以是每種數(shù)字信號(hào)的時(shí)域功率和接收衛(wèi)星信號(hào)的方向角，每種數(shù)字信號(hào)的頻域特征可以是每種數(shù)字信號(hào)的頻域功率以及多普勒頻移。

請(qǐng)參照?qǐng)D3，步驟s103可以包括以下子步驟：

子步驟s1031，提取每種數(shù)字信號(hào)的時(shí)域特征，時(shí)域特征包括數(shù)字信號(hào)的時(shí)域功率和接收衛(wèi)星信號(hào)的方向角。

在本發(fā)明實(shí)施例中，可以根據(jù)信號(hào)提取算法來(lái)提取每種數(shù)字信號(hào)的時(shí)域特征，可以根據(jù)式子來(lái)實(shí)現(xiàn)，其中，in表示待提取時(shí)域特征的數(shù)字信號(hào)，avg表示時(shí)域功率的平均值，rms表示時(shí)域功率的均方根。通過(guò)所述數(shù)字信號(hào)的時(shí)域功率以及數(shù)字信號(hào)的達(dá)到時(shí)間計(jì)算出所述數(shù)字信號(hào)對(duì)應(yīng)的衛(wèi)星信號(hào)的方向角。

子步驟s1032，提取每種數(shù)字信號(hào)的頻域特征，頻域特征包括數(shù)字信號(hào)的頻域功率以及多普勒頻移。

在本發(fā)明實(shí)施例中，提取每種數(shù)字信號(hào)的頻域特征的方法可以是；第一，將提取的每種數(shù)字信號(hào)的時(shí)域特征經(jīng)過(guò)傅氏變換轉(zhuǎn)換為頻域特征；第二，將第一步中得到的頻域特征，通過(guò)算法計(jì)算每種數(shù)字信號(hào)的頻譜能量分布，也就是計(jì)算每種數(shù)字信號(hào)的頻域功率以及多普勒頻移。

子步驟s1033，將每種數(shù)字信號(hào)的時(shí)域特征和頻域特征進(jìn)行向量處理，得到多個(gè)64*64的特征向量。

在本發(fā)明實(shí)施例中，提取到每種數(shù)字信號(hào)的時(shí)域特征和頻域特征之后，對(duì)每種數(shù)字信號(hào)的時(shí)域特征和頻域特征進(jìn)行融合，得到二進(jìn)制文件，將該二進(jìn)制文件轉(zhuǎn)換為十進(jìn)制文件，并進(jìn)行向量處理，就得到了每種數(shù)字信號(hào)對(duì)應(yīng)的特征向量，該特征向量是一個(gè)64維，每一維64個(gè)特征的矩陣，64*64的特征向量在后續(xù)卷積神經(jīng)網(wǎng)絡(luò)模型訓(xùn)練中，既可以保證模型訓(xùn)練的準(zhǔn)確率，還可以保證訓(xùn)練的時(shí)間不致過(guò)長(zhǎng)。

步驟s104，利用預(yù)設(shè)的卷積神經(jīng)網(wǎng)絡(luò)模型，提取每種數(shù)字信號(hào)對(duì)應(yīng)的特征向量的深度特征，并根據(jù)深度特征將該數(shù)字信號(hào)分類為攻擊信號(hào)或非攻擊信號(hào)。

在本發(fā)明實(shí)施例中，預(yù)設(shè)的卷積神經(jīng)網(wǎng)路模型是利用預(yù)設(shè)的訓(xùn)練數(shù)據(jù)集和測(cè)試數(shù)據(jù)集，對(duì)構(gòu)建的卷積神經(jīng)網(wǎng)絡(luò)模型進(jìn)行訓(xùn)練得到的，也就是說(shuō)，對(duì)大量已知的衛(wèi)星信號(hào)對(duì)應(yīng)的64*64的特征向量進(jìn)行訓(xùn)練，根據(jù)訓(xùn)練結(jié)果提取新接收的每種衛(wèi)星信號(hào)對(duì)應(yīng)的特征向量的深度特征，并根據(jù)深度特征將該數(shù)字信號(hào)分類為攻擊信號(hào)或非攻擊信號(hào)。

請(qǐng)參照?qǐng)D4，步驟s104可以包括以下子步驟：

子步驟s1041，構(gòu)建一個(gè)包含第一網(wǎng)絡(luò)和第二網(wǎng)絡(luò)的卷積神經(jīng)網(wǎng)絡(luò)模型，其中，第一網(wǎng)絡(luò)包括3層卷積層及3層池化層，第二網(wǎng)絡(luò)包括1層全連接層。

在本發(fā)明實(shí)施例中，構(gòu)建的卷積神經(jīng)網(wǎng)絡(luò)模型的第一網(wǎng)絡(luò)包括：

第一層卷積層c1：卷積核大小為3*3，設(shè)定生成32張?zhí)卣鲌D；

第二層池化層s1：接受域大小為2*2，設(shè)定生成32張?zhí)卣鲌D；

第三層卷積層c2：卷積核大小為5*5，設(shè)定生成64張?zhí)卣鲌D；

第四層池化層s2：接受域大小為2*2，設(shè)定生成64張?zhí)卣鲌D；

第五層卷積層c3：卷積核大小為8*8，設(shè)定生成128張?zhí)卣鲌D；

第六層池化層s3：接受域大小為2*2，設(shè)定生成128張?zhí)卣鲌D；以及，

設(shè)置于每層卷積層和每層池化層之后，隨機(jī)丟失值為0.8的隨機(jī)丟失層，該隨機(jī)丟失層可以在卷積神經(jīng)網(wǎng)絡(luò)模型訓(xùn)練時(shí)隨機(jī)讓網(wǎng)絡(luò)中某些隱含層節(jié)點(diǎn)的權(quán)重不工作，不工作的那些節(jié)點(diǎn)可以暫時(shí)認(rèn)為不是網(wǎng)絡(luò)結(jié)構(gòu)的一部分，但是它的權(quán)重得保留下來(lái)，換句話說(shuō)，隨機(jī)丟失層可以在卷積神經(jīng)網(wǎng)絡(luò)模型訓(xùn)練時(shí)隨機(jī)讓3層卷積層及3層池化層中某些節(jié)點(diǎn)的權(quán)重不工作，但是保留權(quán)重，這樣可以防止出現(xiàn)過(guò)擬合的情況。

在本發(fā)明實(shí)施例中，構(gòu)建的卷積神經(jīng)網(wǎng)絡(luò)模型的第二網(wǎng)絡(luò)包括1層全連接層，該全連接層包含1024個(gè)神經(jīng)元。全連接層與第六層池化層s3的特征圖相連，全連接層神經(jīng)元個(gè)數(shù)就是深度特征個(gè)數(shù)，其直接影響卷積神經(jīng)網(wǎng)絡(luò)的擬合效果和訓(xùn)練速度。

作為一種實(shí)施方式，卷積神經(jīng)網(wǎng)絡(luò)的最終輸出層為多類邏輯回歸層，可輸出0到1之間數(shù)值，代表著每個(gè)深度特征分別屬于攻擊信號(hào)和非攻擊信號(hào)的概率值，根據(jù)概率值將每個(gè)數(shù)字信號(hào)分類為攻擊信號(hào)或非攻擊信號(hào)。

子步驟s1042，利用預(yù)設(shè)的訓(xùn)練數(shù)據(jù)集和測(cè)試數(shù)據(jù)集，對(duì)構(gòu)建的卷積神經(jīng)網(wǎng)絡(luò)模型進(jìn)行訓(xùn)練。

在本發(fā)明實(shí)施例中，利用包含15000個(gè)訓(xùn)練數(shù)據(jù)集和包含4000個(gè)特征向量的測(cè)試數(shù)據(jù)集，對(duì)構(gòu)建的卷積神經(jīng)網(wǎng)絡(luò)模型進(jìn)行2000步訓(xùn)練。對(duì)構(gòu)建的卷積神經(jīng)網(wǎng)絡(luò)模型進(jìn)行訓(xùn)練的過(guò)程可以是：

第一，將訓(xùn)練數(shù)據(jù)集作為輸入，用不同卷積層的多個(gè)卷積核進(jìn)行卷積求和操作、外加偏置，再將結(jié)果并經(jīng)過(guò)relu激勵(lì)函數(shù)輸出，形成當(dāng)前層的神經(jīng)元。

第二，對(duì)第i層特征圖的每一個(gè)神經(jīng)元采用最大池化法，用固定大小窗口進(jìn)行下采樣，降低特征圖對(duì)于平移、縮放和旋轉(zhuǎn)的敏感度。最大池化法可以表示為其中，u(n,1)是采用的窗口函數(shù)，aj是鄰域中的最大值。

第三，利用隨機(jī)丟失層(也稱dropout層)隨機(jī)選擇卷積神經(jīng)網(wǎng)絡(luò)的某些隱含層節(jié)點(diǎn)的權(quán)重不工作，設(shè)置隨機(jī)丟失的比例為0.8，則每次訓(xùn)練隨機(jī)丟棄80％隱含層的節(jié)點(diǎn)來(lái)進(jìn)行訓(xùn)練，避免每次訓(xùn)練時(shí)所有的濾波器都共同作用放大或者縮小某些特征，防止過(guò)擬合。

第四，利用全連接層和邏輯回歸層將每個(gè)數(shù)字信號(hào)分類為攻擊信號(hào)或非攻擊信號(hào)。

第五，卷積神經(jīng)網(wǎng)絡(luò)參數(shù)訓(xùn)練分為前向傳播和后向傳播階段，前向傳播過(guò)程為給定待推斷的輸入計(jì)算輸出，將訓(xùn)練樣本送入網(wǎng)絡(luò)，逐層變換，提取特征，得到激勵(lì)響應(yīng)。在后向傳播過(guò)程中，卷積神經(jīng)網(wǎng)絡(luò)根據(jù)損失來(lái)計(jì)算梯度進(jìn)行學(xué)習(xí)，將得到的損失函數(shù)，利用梯度下降法對(duì)權(quán)重和偏置進(jìn)行更新，自動(dòng)求導(dǎo)并反向組合每一層梯度來(lái)計(jì)算整個(gè)網(wǎng)絡(luò)的梯度，損失函數(shù)可以根據(jù)下式計(jì)算：

其中，式中m為訓(xùn)練數(shù)據(jù)集的個(gè)數(shù)，k為類別個(gè)數(shù)，1{·}是示性函數(shù)，其取值規(guī)則為：1{值為真的表達(dá)式}＝1，1{值為假的表達(dá)式}＝0。

請(qǐng)參照?qǐng)D5，步驟s1042可以包括以下子步驟：

子步驟s10421，利用包含15000個(gè)訓(xùn)練數(shù)據(jù)集和包含4000個(gè)特征向量的測(cè)試數(shù)據(jù)集，對(duì)構(gòu)建的卷積神經(jīng)網(wǎng)絡(luò)模型進(jìn)行2000步訓(xùn)練。

子步驟s10422，每步訓(xùn)練后，根據(jù)訓(xùn)練結(jié)果更改該卷積神經(jīng)網(wǎng)絡(luò)模型的預(yù)設(shè)參數(shù)。

在本發(fā)明實(shí)施例中，預(yù)設(shè)參數(shù)可以是，但不限于卷積神經(jīng)網(wǎng)絡(luò)每一層的權(quán)重和偏置。

子步驟s1043，將每個(gè)特征向量輸入訓(xùn)練好的卷積神經(jīng)網(wǎng)絡(luò)模型，利用卷積神經(jīng)網(wǎng)絡(luò)的第一網(wǎng)絡(luò)進(jìn)行深度特征學(xué)習(xí)并提取每個(gè)特征向量的深度特征。

子步驟s1044，將深度特征作為第二網(wǎng)絡(luò)的輸入，得到輸出結(jié)果，根據(jù)輸出結(jié)果將每個(gè)特征向量對(duì)應(yīng)的數(shù)字信號(hào)分類為攻擊信號(hào)或非攻擊信號(hào)。

在本發(fā)明實(shí)施例中，通過(guò)將多種衛(wèi)星信號(hào)對(duì)應(yīng)的數(shù)字信號(hào)進(jìn)行向量處理，得到每種數(shù)字信號(hào)對(duì)應(yīng)的64*64的特征向量，解決了現(xiàn)有技術(shù)中檢測(cè)準(zhǔn)確度不高的問(wèn)題；同時(shí)，使用三個(gè)卷積層與三個(gè)池化層來(lái)提取每種數(shù)字信號(hào)對(duì)應(yīng)的特征向量的深度特征，并根據(jù)深度特征對(duì)數(shù)字信號(hào)進(jìn)行分類，降低了對(duì)訓(xùn)練集與機(jī)器性能的要求，具有良好的穩(wěn)定性，同時(shí)提升了信號(hào)分類的精度。

第二實(shí)施例

請(qǐng)參照?qǐng)D6，圖6示出了本發(fā)明實(shí)施例提供的信號(hào)分類裝置200的方框示意圖。信號(hào)分類裝置200包括衛(wèi)星信號(hào)接收模塊201、信號(hào)轉(zhuǎn)換模塊202、信號(hào)處理模塊203及信號(hào)分類模塊204。

衛(wèi)星信號(hào)接收模塊201，用于接收預(yù)定頻段的多種衛(wèi)星信號(hào)。

在本發(fā)明實(shí)施例中，衛(wèi)星信號(hào)接收模塊201可以用于執(zhí)行步驟s101。

信號(hào)轉(zhuǎn)換模塊202，用于將多種衛(wèi)星信號(hào)均轉(zhuǎn)換為對(duì)應(yīng)的多種數(shù)字信號(hào)，其中，每種衛(wèi)星信號(hào)對(duì)應(yīng)一種數(shù)字信號(hào)。

在本發(fā)明實(shí)施例中，信號(hào)轉(zhuǎn)換模塊202可以用于執(zhí)行步驟s102。

信號(hào)處理模塊203，用于對(duì)每種數(shù)字信號(hào)均進(jìn)行向量處理，得到每種數(shù)字信號(hào)對(duì)應(yīng)的特征向量，其中，特征向量是多維矩陣，且每一維包含多個(gè)特征。

在本發(fā)明實(shí)施例中，信號(hào)處理模塊203可以用于執(zhí)行步驟s103。

請(qǐng)參照?qǐng)D7，圖7為圖6示出的信號(hào)分類裝置200中信號(hào)處理模塊203的方框示意圖。信號(hào)處理模塊203包括時(shí)域特征提取單元2031、頻域特征提取單元2032及向量處理單元2033。

時(shí)域特征提取單元2031，用于提取每種數(shù)字信號(hào)的時(shí)域特征，時(shí)域特征包括數(shù)字信號(hào)的時(shí)域功率和接收衛(wèi)星信號(hào)的方向角。

在本發(fā)明實(shí)施例中，時(shí)域特征提取單元2031可以用于執(zhí)行步驟s1031。

頻域特征提取單元2032，用于提取每種數(shù)字信號(hào)的頻域特征，頻域特征包括數(shù)字信號(hào)的頻域功率以及多普勒頻移。

在本發(fā)明實(shí)施例中，頻域特征提取單元2032可以用于執(zhí)行步驟s1032。

向量處理單元2033，用于將每種數(shù)字信號(hào)的時(shí)域特征和頻域特征進(jìn)行向量處理，得到多個(gè)64*64的特征向量。

在本發(fā)明實(shí)施例中，向量處理單元2033可以用于執(zhí)行步驟s1033。

信號(hào)分類模塊204，用于利用預(yù)設(shè)的卷積神經(jīng)網(wǎng)絡(luò)模型，提取每種數(shù)字信號(hào)對(duì)應(yīng)的特征向量的深度特征，并根據(jù)深度特征將該數(shù)字信號(hào)分類為攻擊信號(hào)或非攻擊信號(hào)。

在本發(fā)明實(shí)施例中，信號(hào)分類模塊204可以用于執(zhí)行步驟s104。

請(qǐng)參照?qǐng)D8，圖8為圖6示出的信號(hào)分類裝置200中信號(hào)分類模塊204的方框示意圖。信號(hào)分類模塊204包括模型構(gòu)建單元2041、模型訓(xùn)練單元2042、第一執(zhí)行單元2043及第二執(zhí)行單元2044。

模型構(gòu)建單元2041，用于構(gòu)建一個(gè)包含第一網(wǎng)絡(luò)和第二網(wǎng)絡(luò)的卷積神經(jīng)網(wǎng)絡(luò)模型，其中，第一網(wǎng)絡(luò)包括3層卷積層及3層池化層，第二網(wǎng)絡(luò)包括1層全連接層。

在本發(fā)明實(shí)施例中，模型構(gòu)建單元2041可以用于執(zhí)行步驟s1041。

模型訓(xùn)練單元2042，用于利用預(yù)設(shè)的訓(xùn)練數(shù)據(jù)集和測(cè)試數(shù)據(jù)集，對(duì)構(gòu)建的卷積神經(jīng)網(wǎng)絡(luò)模型進(jìn)行訓(xùn)練。

在本發(fā)明實(shí)施例中，模型訓(xùn)練單元2042可以用于執(zhí)行步驟s1042。

請(qǐng)參照?qǐng)D9，圖9為圖8示出的信號(hào)分類模塊204中模型訓(xùn)練單元2042的方框示意圖。模型訓(xùn)練單元2042包括訓(xùn)練單元20421及參數(shù)更改單元20422。

訓(xùn)練單元20421，用于利用包含15000個(gè)訓(xùn)練數(shù)據(jù)集和包含4000個(gè)特征向量的測(cè)試數(shù)據(jù)集，對(duì)構(gòu)建的卷積神經(jīng)網(wǎng)絡(luò)模型進(jìn)行2000步訓(xùn)練訓(xùn)練。

在本發(fā)明實(shí)施例中，訓(xùn)練單元20421可以用于執(zhí)行步驟s10421。

參數(shù)更改單元20422，用于每步訓(xùn)練后，根據(jù)訓(xùn)練結(jié)果更改該卷積神經(jīng)網(wǎng)絡(luò)模型的預(yù)設(shè)參數(shù)。

在本發(fā)明實(shí)施例中，參數(shù)更改單元20422可以用于執(zhí)行步驟s10422。

第一執(zhí)行單元2043，用于將每個(gè)特征向量輸入訓(xùn)練好的卷積神經(jīng)網(wǎng)絡(luò)模型，利用卷積神經(jīng)網(wǎng)絡(luò)的第一網(wǎng)絡(luò)進(jìn)行深度特征學(xué)習(xí)并提取每個(gè)特征向量的深度特征。

在本發(fā)明實(shí)施例中，第一執(zhí)行單元2043可以用于執(zhí)行步驟s1043。

第二執(zhí)行單元2044，用于將深度特征作為第二網(wǎng)絡(luò)的輸入，得到輸出結(jié)果，根據(jù)輸出結(jié)果將每個(gè)特征向量對(duì)應(yīng)的數(shù)字信號(hào)分類為攻擊信號(hào)或非攻擊信號(hào)。

在本發(fā)明實(shí)施例中，第二執(zhí)行單元2044可以用于執(zhí)行步驟s1044。

綜上所述，本發(fā)明提供的一種信號(hào)分類方法、裝置及衛(wèi)星信號(hào)檢測(cè)設(shè)備，所述方法包括：接收預(yù)定頻段的多種衛(wèi)星信號(hào)；將多種衛(wèi)星信號(hào)均轉(zhuǎn)換為對(duì)應(yīng)的多種數(shù)字信號(hào)，其中，每種衛(wèi)星信號(hào)對(duì)應(yīng)一種數(shù)字信號(hào)；對(duì)每種數(shù)字信號(hào)均進(jìn)行向量處理，得到每種所述數(shù)字信號(hào)對(duì)應(yīng)的特征向量，其中，特征向量是多維矩陣，且每一維包含多個(gè)特征；利用預(yù)設(shè)的卷積神經(jīng)網(wǎng)絡(luò)模型，提取每種數(shù)字信號(hào)對(duì)應(yīng)的特征向量的深度特征，并根據(jù)深度特征將該數(shù)字信號(hào)分類為攻擊信號(hào)或非攻擊信號(hào)。本發(fā)明通過(guò)將多種衛(wèi)星信號(hào)對(duì)應(yīng)的數(shù)字信號(hào)進(jìn)行向量處理，得到每種數(shù)字信號(hào)對(duì)應(yīng)的64*64的特征向量，解決了現(xiàn)有技術(shù)中檢測(cè)準(zhǔn)確度不高的問(wèn)題；同時(shí)，使用三個(gè)卷積層與三個(gè)池化層來(lái)提取每種數(shù)字信號(hào)對(duì)應(yīng)的特征向量的深度特征，并根據(jù)深度特征對(duì)數(shù)字信號(hào)進(jìn)行分類，降低了對(duì)訓(xùn)練集與機(jī)器性能的要求，具有良好的穩(wěn)定性，同時(shí)提升了信號(hào)分類的精度。

在本申請(qǐng)所提供的幾個(gè)實(shí)施例中，應(yīng)該理解到，所揭露的裝置和方法，也可以通過(guò)其它的方式實(shí)現(xiàn)。以上所描述的裝置實(shí)施例僅僅是示意性的，例如，附圖中的流程圖和框圖顯示了根據(jù)本發(fā)明的多個(gè)實(shí)施例的裝置、方法和計(jì)算機(jī)程序產(chǎn)品的可能實(shí)現(xiàn)的體系架構(gòu)、功能和操作。在這點(diǎn)上，流程圖或框圖中的每個(gè)方框可以代表一個(gè)模塊、程序段或代碼的一部分，所述模塊、程序段或代碼的一部分包含一個(gè)或多個(gè)用于實(shí)現(xiàn)規(guī)定的邏輯功能的可執(zhí)行指令。也應(yīng)當(dāng)注意，在有些作為替換的實(shí)現(xiàn)方式中，方框中所標(biāo)注的功能也可以以不同于附圖中所標(biāo)注的順序發(fā)生。例如，兩個(gè)連續(xù)的方框?qū)嶋H上可以基本并行地執(zhí)行，它們有時(shí)也可以按相反的順序執(zhí)行，這依所涉及的功能而定。也要注意的是，框圖和/或流程圖中的每個(gè)方框、以及框圖和/或流程圖中的方框的組合，可以用執(zhí)行規(guī)定的功能或動(dòng)作的專用的基于硬件的系統(tǒng)來(lái)實(shí)現(xiàn)，或者可以用專用硬件與計(jì)算機(jī)指令的組合來(lái)實(shí)現(xiàn)。

另外，在本發(fā)明各個(gè)實(shí)施例中的各功能模塊可以集成在一起形成一個(gè)獨(dú)立的部分，也可以是各個(gè)模塊單獨(dú)存在，也可以兩個(gè)或兩個(gè)以上模塊集成形成一個(gè)獨(dú)立的部分。

所述功能如果以軟件功能模塊的形式實(shí)現(xiàn)并作為獨(dú)立的產(chǎn)品銷售或使用時(shí)，可以存儲(chǔ)在一個(gè)計(jì)算機(jī)可讀取存儲(chǔ)介質(zhì)中?；谶@樣的理解，本發(fā)明的技術(shù)方案本質(zhì)上或者說(shuō)對(duì)現(xiàn)有技術(shù)做出貢獻(xiàn)的部分或者該技術(shù)方案的部分可以以軟件產(chǎn)品的形式體現(xiàn)出來(lái)，該計(jì)算機(jī)軟件產(chǎn)品存儲(chǔ)在一個(gè)存儲(chǔ)介質(zhì)中，包括若干指令用以使得一臺(tái)計(jì)算機(jī)設(shè)備(可以是個(gè)人計(jì)算機(jī)，服務(wù)器，或者網(wǎng)絡(luò)設(shè)備等)執(zhí)行本發(fā)明各個(gè)實(shí)施例所述方法的全部或部分步驟。而前述的存儲(chǔ)介質(zhì)包括：u盤、移動(dòng)硬盤、只讀存儲(chǔ)器(rom，read-onlymemory)、隨機(jī)存取存儲(chǔ)器(ram，randomaccessmemory)、磁碟或者光盤等各種可以存儲(chǔ)程序代碼的介質(zhì)。需要說(shuō)明的是，在本文中，諸如第一和第二等之類的關(guān)系術(shù)語(yǔ)僅僅用來(lái)將一個(gè)實(shí)體或者操作與另一個(gè)實(shí)體或操作區(qū)分開來(lái)，而不一定要求或者暗示這些實(shí)體或操作之間存在任何這種實(shí)際的關(guān)系或者順序。而且，術(shù)語(yǔ)“包括”、“包含”或者其任何其他變體意在涵蓋非排他性的包含，從而使得包括一系列要素的過(guò)程、方法、物品或者設(shè)備不僅包括那些要素，而且還包括沒有明確列出的其他要素，或者是還包括為這種過(guò)程、方法、物品或者設(shè)備所固有的要素。在沒有更多限制的情況下，由語(yǔ)句“包括一個(gè)……”限定的要素，并不排除在包括所述要素的過(guò)程、方法、物品或者設(shè)備中還存在另外的相同要素。

以上所述僅為本發(fā)明的優(yōu)選實(shí)施例而已，并不用于限制本發(fā)明，對(duì)于本領(lǐng)域的技術(shù)人員來(lái)說(shuō)，本發(fā)明可以有各種更改和變化。凡在本發(fā)明的精神和原則之內(nèi)，所作的任何修改、等同替換、改進(jìn)等，均應(yīng)包含在本發(fā)明的保護(hù)范圍之內(nèi)。應(yīng)注意到：相似的標(biāo)號(hào)和字母在下面的附圖中表示類似項(xiàng)，因此，一旦某一項(xiàng)在一個(gè)附圖中被定義，則在隨后的附圖中不需要對(duì)其進(jìn)行進(jìn)一步定義和解釋。