基于时频特征增强与深度学习的导航干扰识别

吴传宇 ,  纪元法 ,  孙希延

科学技术与工程 ›› 2026, Vol. 26 ›› Issue (28) :12253-12263

PDF (11845KB)
科学技术与工程 ›› 2026, Vol. 26 ›› Issue (28) :12253-12263 DOI: 10.12404/j.issn.1671-1815.2600758
电子技术、通信技术

基于时频特征增强与深度学习的导航干扰识别

作者信息 +

GNSS Interference Recognition Method Based on Time-frequency Feature Enhancement and Deep Learning

Author information +
文章历史 +

摘要

针对复杂电磁环境下全球导航卫星系统(Global Navigation Satellite Systems,GNSS)易受压制与欺骗干扰,而传统识别方法在动态多变场景中性能受限的问题,提出一种融合深度特征增强与轻量化分类的新型识别框架。该框架首先系统构建七类典型干扰的数学模型与混合样本集,并提出基于长短期记忆网络与注意力机制(LSTM-Attention)的特征增强方法,能够从原始特征中自适应学习依赖关系并聚焦关键信息,生成判别性更强的20维深度特征。在此基础上,采用结构简洁的多层感知机(multi-layer perceptron,MLP)实现高效分类。实验结果表明:所提方法在独立测试集上取得了96.1%的准确率与96.0%的F1分数,性能显著优于多种传统机器学习与复杂深度学习模型,并通过混淆矩阵与特征重要性分析验证了其有效性与可解释性。研究证实,通过深度特征增强,中等复杂度的分类器可在保证高精度的同时提升运算效率,为GNSS抗干扰技术的实际应用提供了可行路径。

Abstract

Global Navigation Satellite Systems (GNSS) are vulnerable to both suppressive and spoofing interference in complex electromagnetic environments, while traditional identification methods exhibit limited performance in dynamic scenarios. To address this, a novel identification framework integrating deep feature enhancement with a lightweight classifier was proposed. First, mathematical models and a mixed sample set for seven typical interference types were systematically constructed. Then, a feature enhancement module based on a long short-term memory network with an Attention mechanism (LSTM-Attention) was proposed. This module adaptively learned dependencies from raw features, focused on key information, and generated more discriminative 20-dimensional deep features. Finally, a structurally simple multi-layer perceptron (MLP) was employed for efficient classification. Experimental results show that the proposed method achieves an accuracy of 96.1% and an F1-score of 96.0% on an independent test set, significantly outperforming various traditional machine learning and complex deep learning models. Its effectiveness and interpretability are further confirmed through confusion matrix analysis and feature importance evaluation. It demonstrates that, through deep feature enhancement, a classifier of moderate complexity can enhance computational efficiency while maintaining high accuracy, offering a feasible approach for the practical application of GNSS anti-jamming techniques.

Graphical abstract

关键词

全球导航卫星系统(GNSS)干扰识别 / LSTM-Attention / 特征增强 / 多层感知机(MLP) / 深度学习

Key words

Global Navigation Satellite Systems (GNSS) interference identification / LSTM-Attention / feature enhancement / multi-layer perceptron (MLP) / deep learning

引用本文

引用格式 ▾
吴传宇, 纪元法, 孙希延. 基于时频特征增强与深度学习的导航干扰识别[J]. 科学技术与工程, 2026, 26(28): 12253-12263 DOI:10.12404/j.issn.1671-1815.2600758
WU Chuan-yu, JI Yuan-fa, SUN Xi-yan. GNSS Interference Recognition Method Based on Time-frequency Feature Enhancement and Deep Learning[J]. Science Technology and Engineering, 2026, 26(28): 12253-12263 DOI:10.12404/j.issn.1671-1815.2600758

登录浏览全文

4963

注册一个新账户 忘记密码

全球导航卫星系统(Global Navigation Satellite Systems,GNSS)已成为现代社会中不可或缺的时空信息基础设施,广泛应用于军事、交通、通信及金融等关键领域[1]。然而,由于GNSS信号在传输至地面接收机时功率极低,使其极易受到环境中各种有意或无意射频干扰的影响[2]。这些干扰会导致接收机信噪比下降、测量误差增大,轻则引起定位精度恶化,重则导致跟踪环路失锁,使导航功能完全失效[3-4]。因此,对GNSS干扰进行有效检测与识别,是实施针对性抑制策略、保障系统稳健运行的首要前提。
在我国,随着北斗卫星导航系统的全面建成及规模化应用,其在智能驾驶、精准农业以及电力授时等领域的支撑作用不断增强,对系统稳定性的依赖程度日益提高[5]。然而,近年来国内多地频发的GNSS干扰事件,凸显当前电磁环境的复杂性。2025年4月,宿州无线电管理局在某矿山修复项目现场查处一台违规设备,其发射的欺骗信号导致高新区大量通信基站信号失锁,严重影响该区域移动通信服务的稳定运行;同年12月,南京市部分区域因GNSS信号遭受强干扰,致使北斗及GPS民用信号无法被接收机有效捕获,引发手机导航、外卖配送及共享单车定位等多类应用功能大范围异常。上述事件表明,从民生服务到关键基础设施,均面临日益严峻的GNSS干扰风险。因此,开展高精度、智能化的GNSS干扰识别技术研究已成为保障国家时空信息基础设施安全的迫切需求。相关研究成果可广泛应用于民航机场、综合交通枢纽及电力授时网络等关键场景的干扰监测系统中,为北斗系统在复杂电磁环境下的稳定运行提供技术支撑,对构建中国时空信息安全保障体系具有重要的战略意义。
干扰信号根据其产生机理与特性可大致分为压制式干扰与欺骗式干扰两大类[6]。常见的压制式干扰包括调幅噪声干扰(amplitude modulated noise interference,AMI)、调频噪声干扰(frequency modulated noise interference,FMI)、连续波干扰(continuous wave interference,CWI)、脉冲干扰(pulse interference,PI)、啁啾干扰(chirp interference,CHI)及二进制相移键控干扰(binary phase shift keying interference,BPSKI)等[7-8],它们通过发射强功率信号在时域或频域上遮蔽真实GNSS信号。而欺骗式干扰(spoofing interference,SI)则更具隐蔽性与危害性,它通过模拟或转发虚假的导航信号,诱导接收机输出错误的定位与授时信息[9-10]。不同类型的干扰在时域、频域上呈现出显著差异的物理特征,这为基于信号处理的干扰识别提供了理论依据[11]。
传统的干扰识别方法主要依赖于对特定干扰的先验知识,通过设定阈值或提取手工设计的特征(如谱峰度、频谱平坦度等)进行判别[12-13]。这些方法对于特征明显的简单干扰(如单音CWI)通常有效,但在面对复杂多变的干扰环境,尤其是特征相互交叠或参数动态变化时,其稳健性与泛化能力往往不足[14]。近年来,机器学习与深度学习技术凭借其强大的特征自动提取与复杂模式识别能力,在雷达、通信等领域的信号分类任务中展现出巨大潜力[15-16]。一些研究尝试将卷积神经网络(convolutional neural network,CNN)、长短期记忆网络(long short-term memory,LSTM)等模型应用于GNSS干扰识别或欺骗检测,并取得了一定进展[17-18]。然而,现有研究多侧重于模型结构的复杂化,或直接对原始时域/频域数据进行处理,未能充分结合干扰信号的物理特性来构建判别性特征,也未系统性地比较不同模型架构在经物理特征增强后的数据上的性能优劣,导致模型效率有待提升。
为解决上述问题,提出一种融合时频特征工程与深度学习模型的GNSS干扰信号识别框架。首先系统性地建立七类典型压制干扰(CWI、CHI、PI、FMI、AMI、BPSK)及欺骗干扰(SI)的数学模型,并对比分析其独特的时频特性。在此基础上,构建一个融合真实场景欺骗干扰数据(TEXBAT数据集[19])与多参数仿真压制干扰数据的混合样本库。首先从信号的时域波形与功率谱中提取一组具有明确物理意义的统计特征(如幅度方差、频谱质心、谱峰度等),构成一个紧凑而信息丰富的原始特征集。随后,提出一种基于长短期记忆网络与自注意力机制(LSTM-Attention)的深度特征增强方法,能够学习特征间的时序依赖关系,并自适应地聚焦于对分类贡献最大的关键特征维度,从而将原始特征提炼为判别力更强的深度特征表示。最后,采用结构简洁、效率高的多层感知机(multilayer perceptron,MLP)作为分类器,实现对八类信号状态(包括干净信号与七类干扰)的精准分类。实验结果表明,所提出的方法取得了显著的识别性能提升。在经LSTM-Attention模块增强的深度特征基础上,MLP分类器在测试集上达到96.1%的总体准确率与96.0%的F1分数。这一性能表现显著优于支持向量机[20](support vector machine,SVM)、随机森林[21](random forest,RF)、极端梯度提升树[22](extreme gradient boosting,XGBoost)传统机器学习模型,也超越了CNN[23]、LSTM[24]、双向长短期记忆网络[25](bidirectional long short-term memory,BiLSTM)及其复合模型[26-27]等结构更复杂的深度学习架构。该结果验证了所提特征增强框架在提取高判别性信息方面的有效性,同时也揭示了一个重要发现:在获得高质量深度特征的前提下,结构相对简洁的模型(如MLP[28])能够实现更优的泛化性能与效率平衡。研究成果对构建时空信息基础设施安全防护体系、保障GNSS系统在复杂电磁环境下的稳定运行具有重要意义,可为GNSS干扰监测、识别与抑制技术的工程化应用提供理论依据和方法支撑。

1 干扰信号模型与特性分析

不同类型干扰信号在数学表达上具有独特性,在时域、频域对正常信号的影响各异,常表现为频谱扩展、波形畸变等现象。重点对七类常见干扰信号:调幅噪声干扰、调频噪声干扰、连续波干扰、脉冲干扰、啁啾干扰、二进制相移键控干扰及欺骗干扰的数学模型进行系统描述与分析。

1.1 干扰信号数学模型

(1)调幅噪声干扰JAMI。调幅噪声干扰由噪声信号对载波进行幅度调制而产生,可建模为

JAMI(t)=A[1+mn(t)]cos(2πfct+ϕ)

式(1)中:A为干扰幅度;m为调幅指数;n(t)为调制噪声;fc为载波频率;ϕ为初始相位;t为时间。

(2)调频噪声干扰JFMI。调频噪声干扰由噪声信号对载波进行频率调制而产生,可建模为

JFMI(t)=Acos[2πfct+2πkf${\int }_{0}^{t}\mathrm{ }$n(τ)dτ]

式(2)中:kf为调频系数;n(τ)为零均值平稳随机过程;τ为伪码延迟。

(3)连续波干扰。连续波干扰指一个或多个频率固定的正弦波干扰信号。根据同时存在的正弦波数量,可分为单音连续波干扰与多音连续波干扰。

单音连续波干扰${J}_{\mathrm{C}\mathrm{W}\mathrm{I}}^{\mathrm{s}\mathrm{i}\mathrm{n}\mathrm{g}\mathrm{l}\mathrm{e}}$由单一频率的正弦信号构成,其数学表达式为

${J}_{\mathrm{C}\mathrm{W}\mathrm{I}}^{\mathrm{s}\mathrm{i}\mathrm{n}\mathrm{g}\mathrm{l}\mathrm{e}}$(t)=Acos(2πfjt+ϕ)

式(3)中:fj为干扰频率。

多音连续波干扰${J}_{\mathrm{C}\mathrm{W}\mathrm{I}}^{\mathrm{m}\mathrm{u}\mathrm{l}\mathrm{t}\mathrm{i}}$由N(N>1)个不同频率的正弦波叠加形成,其一般表达式为

${J}_{\mathrm{C}\mathrm{W}\mathrm{I}}^{\mathrm{m}\mathrm{u}\mathrm{l}\mathrm{t}\mathrm{i}}$(t)=$\sum _{i=1}^{N}$Aicos(2πfj,it+ϕi)

式(4)中:Ai、fj,i和ϕi分别为第i个干扰分量的幅度、频率与初始相位。

(4)脉冲干扰。脉冲干扰以周期性或随机方式在时域上间歇发射,其模型可表示为

JPI(t)=Am0(t)cos(2πfjt+ϕ)

式(5)中:m0(t)为脉冲调制函数。

(5)啁啾干扰。啁啾干扰是一种频率随时间按特定规律连续变化的扫频信号,其核心特征在于瞬时频率f(t)是时间t的函数。根据频率变化的规律,主要可分为线性扫频、二次扫频与对数扫频三种类型,在时频平面上分别呈现不同的轨迹特征。上述三种模型覆盖了工程中常见的扫频干扰形式,具有一定的普遍性。

线性扫频干扰${J}_{\mathrm{C}\mathrm{H}\mathrm{I}}^{\mathrm{l}\mathrm{i}\mathrm{n}\mathrm{e}\mathrm{a}\mathrm{r}}$的瞬时频率随时间呈线性变化,其数学模型为

${J}_{\mathrm{C}\mathrm{H}\mathrm{I}}^{\mathrm{l}\mathrm{i}\mathrm{n}\mathrm{e}\mathrm{a}\mathrm{r}}$(t)=Acos$\left[2\mathrm{\pi }\left({f}_{0}t+\frac{1}{2}{k}_{1}{t}^{2}\right)+\varphi \right]$

式(6)中:f0为初始频率;k1为线性调频率。

二次扫频干扰${J}_{\mathrm{C}\mathrm{H}\mathrm{I}}^{\mathrm{q}\mathrm{u}\mathrm{a}\mathrm{d}\mathrm{r}\mathrm{a}\mathrm{t}\mathrm{i}\mathrm{c}}$的瞬时频率随时间呈二次曲线变化,其相位包含时间的三次项,表达式为

${J}_{\mathrm{C}\mathrm{H}\mathrm{I}}^{\mathrm{q}\mathrm{u}\mathrm{a}\mathrm{d}\mathrm{r}\mathrm{a}\mathrm{t}\mathrm{i}\mathrm{c}}$(t)=Acos$\left[2\mathrm{\pi }\left({f}_{0}t+\frac{1}{2}{k}_{1}{t}^{2}+\frac{1}{3}{k}_{2}{t}^{3}\right)+\varphi \right]$

式(7)中:k2为二次调频率。

对数扫频干扰${J}_{\mathrm{C}\mathrm{H}\mathrm{I}}^{\mathrm{l}\mathrm{o}\mathrm{g}}$的频率随时间呈对数关系变化,其数学模型为

${J}_{\mathrm{C}\mathrm{H}\mathrm{I}}^{\mathrm{l}\mathrm{o}\mathrm{g}}$(t)=Acos$\left[2\mathrm{\pi }{f}_{0}\frac{\mathrm{l}\mathrm{n}(1+\alpha t)}{\alpha }+\varphi \right]$

式(8)中:α为控制扫频速率的参数。

(6)BPSK干扰模型。二进制相移键控干扰采用伪随机序列调制载波相位,生成具有类似噪声宽谱特性的压制信号,其数学模型为

JBPSK(t)=ACj(t)cos(2πfjt+ϕ)

式(9)中:JBPSK(t)为BPSK干扰;Cj(t)为调制用的伪随机二进制序列。

(7)欺骗干扰。欺骗干扰JSI(t)通过模拟GNSS信号结构与导航电文,生成与真实信号高度相关的伪造信号,其数学模型为

JSI(t)=AD[t-τ(t)]C[t-τ(t)]×cos[2π(fIF+fd)t+ϕ]

式(10)中:D(·)为伪造导航电文;C(·)为伪随机码;fd为多普勒频移;fIF为中心频率。

1.2 时频特征分析

不同干扰信号在时域与频域中具有各异的特征模式。为直观对比其差异,并为后续特征提取与分类提供直观依据,基于1.1节所建立的数学模型,仿真生成了无干扰信号及七类典型干扰信号的时域波形与功率谱密度图。如图1和图2所示,在时域波形中,大部分干扰类型形态相似,均呈现类噪声特性,难以直接区分;而在频域中,虽然不同干扰的谱结构具有较明显的区别,但特征的具体表现形式仍受参数影响,存在一定复杂性。因此,为实现稳健、准确的干扰识别,需系统性地构建能够刻画其本质差异的特征体系。

基于上述时频图像中蕴含的丰富模式信息,采用以特征工程与机器学习相结合的方法,首先从时频图像中设计并提取具有物理意义和判别力的特征,进而利用机器学习模型完成干扰信号的分类识别。

2 数据来源与数据处理

2.1 数据来源

为系统评估干扰分类方法性能,构建一个包含8 000个样本的混合数据集。该数据集由两部分构成:公开的真实场景欺骗干扰数据与仿真生成的压制干扰数据。具体来源与构成如图3所示。

(1)欺骗干扰数据。采用德克萨斯大学奥斯汀分校开发的TEXBAT数据集。该数据集专为全球导航卫星系统欺骗干扰研究设计,共包含10个典型场景,从中提取1 000个样本,涵盖静态与动态条件下的无干扰场景、功率匹配与压制攻击、载波及码相位锁定/非锁定、多普勒频率匹配,以及信号结构复制攻击(包括码估计与重放时序攻击)等多种欺骗模式。

(2)仿真数据。通过GNSS信号仿真软件生成。数据包括六大类压制干扰及干净无干扰信号。具体干扰类型为调幅噪声干扰、调频噪声干扰、单音/多音连续波干扰、脉冲干扰、线性/二次/对数啁啾干扰以及BPSK调制干扰。为模拟真实干扰环境的不确定性,每个样本均为时长100 ms的独立信号片段,其干信比在3~10 dB范围内随机设定,各类干扰的其他关键参数(如频率、带宽、调制指数等)也在合理范围内随机变化。此生成方式保障了样本间的完全独立性。

上述混合数据源同时涵盖了高隐蔽性的欺骗式干扰与多样化的压制式干扰,为GNSS信号威胁的检测、识别与分类研究提供了一个全面、均衡且贴近实战的数据基础。数据集的规模与多样性足以支持后续进行复杂的特征工程与数据驱动模型(如深度学习)的训练与验证。

2.2 数据处理

为获得适用于深度学习模型训练的有效输入,基于2.1节所述信号源,对原始信号进行系统的分析与特征提取。具体流程如下:针对每个时长为100 ms的信号片段,分别从其时域波形与功率谱中提取统计特征;共计获得8 000个有效样本,且所有样本在时序上互不重叠,在统计上完全独立。

所提取的特征从不同物理维度表征干扰信号的特性,分为时域特征与频域特征两大类。如表1所示,时域特征包括幅度方差、幅度偏度、幅度峰度、峰均比、峰值因子与包络方差;频域特征包括频谱质心、频谱通量、频谱峰度与频谱平坦度。如图4所示,以TEXBAT数据集中的一个典型欺骗干扰场景为例,展示了信号从无干扰状态过渡到受干扰状态的全过程,以及其时域与频域特征的动态演变。

基于上述特征构建特征样本集,为每个样本标注干扰类型,具体映射关系如表2所示。为保障模型训练与评估的有效性,采用随机划分方式将全体样本按8∶1∶1的比例划分为训练集(6 400个样本)、验证集(800个样本)与测试集(800个样本),以分别用于模型参数学习、调参和选择最佳模型及最终性能评估。

3 研究方法

为提升复杂电磁环境下GNSS干扰信号的识别精度,提出一种基于时频特征增强与深度学习的GNSS干扰识别。该方法首先从GNSS信号的时域波形与功率谱中提取多维度统计特征,构建原始特征集;随后,通过LSTM-Attention模块对特征进行深度提炼与增强,转化为判别性更强的高维表示;最后,采用结构简洁的多层感知机(multi-layer perceptron,MLP)完成分类,实现对七类干扰信号与干净信号的准确识别,方法流程如图5所示。该方法从原始信号中挖掘深层判别信息,兼顾模型效率与泛化性能。将围绕特征增强与分类模型两个核心环节展开具体阐述。

3.1 LSTM-Attention深度特征增强

提出的基于LSTM-Attention的特征增强方法,能够从原始低维特征中自动学习并提炼出判别性更强的高维深度特征。具体而言,模型首先接收原始的10维特征输入,随后通过一个长短期记忆层捕获特征在时间维度上的长期依赖关系与动态演化模式。在此基础上,引入一个多头自注意力机制,该机制能够自适应地权衡不同时间步与不同特征维度的重要性,从而聚焦于关键信息。网络进一步通过全连接层进行非线性变换与特征空间的映射,最终在指定的特征表达层输出增强后的20维高级抽象特征。训练过程中,采用随机丢弃策略以提升模型泛化能力,并利用验证集监控训练过程以防止过拟合。模型训练完成后,通过提取该特征表达层的激活值,将原有的10维输入特征稳定地增强为20维的深度特征,该增强特征集成了时序上下文信息与注意力加权表示,提升后续分类或回归任务的性能。

深度特征增强网络的核心架构包含三个主要组件:特征编码器、注意力机制和特征提取器。设输入特征序列为X=x∈R1×din,其中din=10为原始特征维度。由于每个样本为单时间步特征向量,网络将其视为序列长度为1的特殊情况进行处理。

首先,LSTM层作为特征编码器,通过以下门控机制对输入进行编码。对于输入x,LSTM单元计算过程为

i=σ(WxixT+Whih0+bi)
f=σ(WxfxT+Whfh0+bf)
o=σ(WxoxT+Whoh0+bo)
$\tilde{c}$=tanh(WxcxT+Whch0+bc)
c=f☉c0+i☉$\tilde{c}$
h=o☉tanh(c)

式中:i为输入门;f为遗忘门;o为输出门;$\tilde{c}$为候选细胞状态;c为细胞状态;h为隐藏状态,h∈Rdh,其中dh=32为隐藏层维度;Wxi、Wxf、Wxo、Wxc为各门控单元的输入权重矩阵;Whi、Whf、Who、Whc为各门控单元的循环权重矩阵;bi、bf、bo、bc为偏置向量;σ为sigmoid激活函数;☉表示逐元素相乘;h0和c0分别为初始隐藏状态和细胞状态。

随后,自注意力机制对编码特征进行重要性加权。对于每个注意力头k有

Qk=hWQk, Kk=hWKk, Vk=hWVk
αk=softmax$\left(\frac{{Q}_{k}{{K}^{\mathrm{T}}}_{k}}{\sqrt{{d}_{k}}}\right)$
h'k=αkVk

式中:Qk、Kk、Vk分别为查询、键、值矩阵;WQk,WKk∈Rdh×dk,WVk∈Rdh×dv为可学习参数;dk=2为键维度;αk为注意力权重;h'k为单头注意力输出。

多头输出拼接后通过线性变换可得

h'=Concat(h'1,h'2,…,h'4)WO

式(20)中:WO∈R4dv×dh为输出投影矩阵,注意力头数k设为4;h'为拼接后的隐藏状态。

特征提取层将注意力输出映射为新增特征,可表示为

z=ReLU(Wfh'+bf)

式(21)中:Wf∈R10×dh为权重矩阵;bf∈R10为偏置项;输出z∈R10即为新增的10维深度特征。

网络训练采用交叉熵损失函数,可表示为

L=-$\frac{1}{N}\sum _{i=1}^{N}\sum _{c=1}^{C}$yi,cln${\widehat{y}}_{i,c}$

式(22)中:N为样本数;C为类别数;yi,c为i样本,c类别的真实标签;${\widehat{y}}_{i,c}$为i样本,c类别的预测概率。

优化过程使用Adam算法,可表示为

$ \boldsymbol{m}_{t}=\beta_{1} \boldsymbol{m}_{t-1}+\left(1-\beta_{1}\right) \nabla \mathcal{L}_{t}$
$ \boldsymbol{v}_{t}=\beta_{2} \boldsymbol{v}_{t-1}+\left(1-\beta_{2}\right)\left(\nabla \mathcal{L}_{t}\right)^{2}$
Wt=Wt-1-η$\frac{{m}_{t}}{\sqrt{{v}_{t}}+ε }$

式中:mt为一阶动量;vt为二阶动量;Wt为参数更新;$ \nabla \mathcal{L}_{t}$为损失梯度(矢量);η=0.001为学习率;动量系数β1=0.9,β2=0.999;ε为数值稳定项。

最终增强特征通过拼接获得

$ \boldsymbol{x}_{\text {enhanced }}=[\boldsymbol{x} \| \boldsymbol{z}] \in \mathbf{R}^{20}$

该特征集融合了原始特征的物理意义与深度特征的抽象表示,为后续分类任务提供了更丰富的信息基础。

3.2 基于MLP模型的选择与构建

选取MLP作为核心分类器,主要因其理论上的通用逼近能力与任务特征的高度适配性。MLP作为一种经典的前馈神经网络,能够通过多层非线性变换逼近任意复杂的连续函数,这为其学习从深度特征到干扰类别的复杂映射提供了理论基础。具体而言,对于经过LSTM-Attention模块提取并增强后的20维特征向量x∈R20,一个具有L层的MLP可表示为

h1=σ(W1x+b1)
hl=σ(Wlxl-1+bl)
$\widehat{y}$=softmax(WL+1hL+bL+1)

式中:h1为MLP第1层的输出;W1为MLP第1层的权重矩阵;b1为MLP第1层的偏置向量;x为输入特征向量;Wl和bl为第l层的权重与偏置;σ(·)为非线性激活函数;$\widehat{y}$为模型最终输出的类别预测概率分布;softmax为激活函数。

该结构不预设输入数据具有局部或时序关联,因而特别适合处理本研究中已由上游模块充分提炼、具有强判别性的固定维度特征。相较于CNN、RNN等依赖结构先验的架构,MLP能够以更简洁的全连接方式高效学习特征间的高阶交互,避免引入不必要的模型复杂性与优化负担。

基于上述考虑,构建的MLP包含一个输入层(对应20维特征)、两个隐藏层(神经元数分别为32和16)及一个输出层(8个神经元对应类别数)。隐藏层采用ReLU激活函数,输出层采用Softmax函数,并以交叉熵损失和Adam优化器进行训练。该设计在保证模型容量的同时,力求简洁、稳定,从而与增强特征的判别力及分类任务的复杂度形成良好匹配。因此,MLP与LSTM-Attention特征增强模块共同构成了一个由特征深化到分类决策的完整框架。

4 干扰信号分类性能验证

4.1 评价指标

为全面、多维度评估结合LSTM-Attention深度特征增强的机器学习混合模型性能,选取准确率(Accuracy)、精确率(Precision)、召回率(Recall)和F1分数(F1)四项核心指标构成综合评估体系。

(1)准确率。准确率衡量模型整体预测正确的样本比例,是模型综合性能的基础性指标。

Accuracy =$\frac{\mathrm{T}\mathrm{P}+\mathrm{T}\mathrm{N}}{\mathrm{T}\mathrm{P}+\mathrm{T}\mathrm{N}+\mathrm{F}\mathrm{P}+\mathrm{F}\mathrm{N}}$×100%

式(30)中:TP(true positive)为真正例;TN(true negative)为真负例;FP(false positive)为假正例;FN(false negative)代表假负例。

(2)精确率。精确率关注模型预测为正例的结果中,真正为正例的比例,衡量了预测结果的“可靠性”。

Precision=$\frac{\mathrm{T}\mathrm{P}}{\mathrm{T}\mathrm{P}+\mathrm{F}\mathrm{P}}$×100%

(3)召回率。召回率关注所有实际为正例的样本中,被模型正确预测出来的比例,衡量了模型对正类样本的“覆盖能力”。

Recall=$\frac{\mathrm{T}\mathrm{P}}{\mathrm{T}\mathrm{P}+\mathrm{F}\mathrm{N}}$×100%

(4)F1分数。F1分数是精确率与召回率的调和平均数,提供一个综合的单指标评价值。

F1=$\frac{2{P}_{\mathrm{r}\mathrm{e}\mathrm{c}\mathrm{i}\mathrm{s}\mathrm{i}\mathrm{o}\mathrm{n}}{R}_{\mathrm{e}\mathrm{c}\mathrm{a}\mathrm{l}\mathrm{l}}}{{P}_{\mathrm{r}\mathrm{e}\mathrm{c}\mathrm{i}\mathrm{s}\mathrm{i}\mathrm{o}\mathrm{n}}+{R}_{\mathrm{e}\mathrm{c}\mathrm{a}\mathrm{l}\mathrm{l}}}$×100%=$\frac{2\mathrm{T}\mathrm{P}}{2\mathrm{T}\mathrm{P}+\mathrm{F}\mathrm{P}+\mathrm{F}\mathrm{N}}$×100%

4.2 深度特征增强性能验证

为系统评估所提出的LSTM-Attention深度特征增强方法的有效性,将其与多种特征提取方法进行对比。所有方法均采用结构一致的MLP作为下游分类器,以确保性能差异源于特征质量本身。实验结果如表3所示,可得出以下主要结论。

(1)原始10维特征已构成较高的性能基线(F1=95.0%),表明简单的特征维度扩展并不必然带来性能增益。例如,单向LSTM(Recall=94.1%)与CNN(Recall=93.3%)的表现均未超越该基线,这说明前者可能未能充分捕捉特征间的复杂依赖,而后者基于局部卷积的提取方式在本任务中效能有限。与之相对,BiLSTM通过双向时序建模获得了更全面的上下文信息,生成了判别力更强的特征表示(F1=95.3%),实现了稳健提升。

(2)所提出的LSTM-Attention方法在BiLSTM的基础上取得了进一步的显著提升,其核心优势在于注意力机制的引入。该机制能够对LSTM在各特征维度上生成的中间状态进行自适应权重分配,从而自动聚焦于判别性最强的关键频谱特征,并抑制冗余或噪声信息。经过LSTM-Attention增强生成的20维深度特征,相比仅利用LSTM或BiLSTM的特征,具有更高的信息密度与类别区分度。

为进一步解释该机制的贡献,结合SHAP进行特征重要性分析。如图6所示,在重要性排名前10的特征中,由 LSTM-Attention 生成的增强特征(如LSTM-Att-F5、LSTM-Att-F1等)占据主导地位,其SHAP值与平均|SHAP|普遍高于多数原始特征。这表明该机制成功地从原始时序数据中提炼出具有更高预测贡献度的深层模式与交互信息。同时,部分原始特征(如 Feature 10、Feature 6)仍保持较高重要性,说明增强过程并未丢失关键信息,而是通过注意力与序列建模对其进行了补充与升华,整体上提升了模型对复杂时序依赖的捕捉能力与可解释性。

综上所述,有效的特征增强并非源于维度的简单扩充,而在于能否从原始特征中提炼出更本质的判别信息。LSTM-Attention 模块通过“序列依赖建模”与“注意力聚焦”的协同机制,克服了单向模型的局限性,超越了双向模型的均匀信息利用方式,借助动态权重分配实现了对关键特征的智能筛选与增强,从而在高性能基线上实现了有效突破,为下游分类任务提供了判别力更强、可解释性更优的特征输入。

4.3 综合性能验证

本实验在配备 Intel Core i5-12500 处理器、16 GB DDR4 内存及 NVIDIA RTX 3070 Ti 显卡的 Windows 11 工作站上进行。为全面评估模型性能,构建涵盖3个层次的对比模型体系:经典机器学习模型(SVM、RF及XGBoost)、基础深度学习模型(CNN、LSTM、BiLSTM)以及复合深度学习模型(CNN-LSTM与CNN-BiLSTM)。为确保对比公平,所有模型均以经LSTM-Attention模块增强后的20维特征作为统一输入,并采用ICOA算法[29]进行超参数优化。优化过程中,设定种群规模为5,进化代数为5,每个模型最多训练100轮,每轮进行70次迭代,累计完成约17.5万次权重更新。所得最优超参数配置如表4所示。所有模型均在最优配置下完成训练与验证,并基于独立测试集进行最终性能评估。

各模型在测试集上的性能指标如图7所示。总体而言,MLP 在准确率(96.1%)与F1(95.9%)上均表现最佳,显著优于其余模型,较表现次优的随机森林(准确率89.8%)提升超过6个百分点。值得注意的是,部分结构更为复杂的深度学习模型(如 CNN、LSTM 及其复合模型)性能并未超越经典机器学习方法,这可能源于其在当前数据规模下参数过多、易于过拟合,而本任务所使用的特征已具备较强判别性,使得 MLP 这类结构简洁、易于优化的模型能够更好地学习特征间的非线性交互,从而在精度与泛化能力之间取得最优平衡。这一结果再次印证了“模型并非越复杂越好”的原则,说明在特征判别性较强的任务中,匹配任务复杂度的中等容量模型往往具有更好的实用表现。

进一步地,通过混淆矩阵对 MLP 在测试集上的分类结果进行细粒度分析。如图8所示,模型在八类信号上取得了 96.0% 的平均分类准确率,其中六类准确率超过 94%,调幅噪声干扰与欺骗干扰的识别率分别达到 99.0% 与 100.0%,表明 LSTM-Attention 所提取的深度特征具备优秀的类间可分性与模型泛化能力。主要错误集中在“干净信号”(类1)与“调频噪声干扰”(类3)之间的混淆,以及“Chirp 干扰”(类6)与“BPSK 干扰”(类7)之间的少量误判,这些现象反映了不同干扰信号在特定参数下的物理特征层面存在相似性,而非模型缺陷,也为后续特征解耦与优化指明了方向。此外,模型在训练集、验证集和测试集上表现一致,混淆模式稳定,未出现过拟合现象,说明其具有良好的泛化可靠性。

综上所述,通过系统的性能对比与错误分析表明,在经 LSTM-Attention 增强的特征基础上,MLP 能够以相对简单的结构实现最佳的识别性能,其表现显著优于传统机器学习模型与更复杂的深度学习架构。该结果不仅验证了所提特征增强方法的有效性,也提示在实际工程应用中,应优先根据数据特性选择模型复杂度,避免因过度追求结构复杂而引入不必要的优化负担与泛化风险。

5 结论

针对复杂电磁环境下GNSS干扰识别面临的精度与效率挑战,本研究提出并验证了一种融合物理特征、深度特征增强与轻量化分类器的混合框架。得到以下主要结论。

(1)所提出的LSTM-Attention特征增强模块能有效提升特征判别力。该模块通过自适应学习原始时频特征间的复杂依赖关系并聚焦关键信息,成功将10维原始特征转化为判别性更强的20维深度特征,为后续高效分类奠定了坚实基础。

(2)“深度特征增强+轻量分类器”的框架在精度与效率上取得了最佳平衡。实验表明,采用该框架(配合MLP分类器)在独立测试集上取得了96.1%的准确率与96.0%的F1,性能显著优于多种传统机器学习及复杂深度学习模型,验证了框架的有效性。

(3)模型兼具良好的可解释性与工程应用潜力。通过混淆矩阵与特征重要性分析,揭示了模型的决策依据与主要混淆来源,增强了结果的可信度。研究证实,在获得高质量深度特征后,中等复杂度的分类器即可实现高精度识别,为资源受限的实际工程应用提供了高效、可靠的解决方案。

参考文献

原文顺序 | 出版日期 | 本文引用
[1]

Shang X Y, Sun F P, Wang D M, et al. GNSS spoofing detection based on multicorrelator distortion monitoring[J]. GPS Solutions, 2023, 27(2): 94.
[2]

靳睿敏, 郭艺, 杨会贇, 等. 基于导航接收机的GNSS弱干扰检测识别技术[J]. 全球定位系统, 2022, 47(6): 91-95.
[3]

Jin Ruimin, Guo Yi, Yang Huiyun, et al. GNSS weak interference detection and recognition technology based on navigation receiver[J]. Global Positioning System, 2022, 47(6): 91-95.
[4]

徐亚军, 高田露, 郝博扬, 等. 基于随机矩阵理论的自适应GNSS干扰盲检测方法[J]. 科学技术与工程, 2025, 25(29): 12691-12698.
[5]

Xu Yajun, Gao Tianlu, Hao Boyang, et al. Adaptive GNSS interference blind detection method based on random matrix theory[J]. Science Technology and Engineering, 2025, 25(29): 12691-12698.
[6]

Fang J X T, Yue J, Xu B, et al. A post-correlation graphical way for continuous GNSS spoofing detection[J]. Measurement, 2023, 216: 112974.
[7]

吉宁. GNSS欺骗信号检测方法研究[D]. 北京: 中国科学院大学, 2024.
[8]

Ji Ning. Research on GNSS spoofing signal detection methods[D]. Beijing: University of Chinese Academy of Sciences, 2024.
[9]

Van der Merwe J R, Franco D C, Feigl T, et al. Optimal machine learning and signal processing synergies for low-resource GNSS interference classification[J]. IEEE Transactions on Aerospace and Electronic Systems, 2024, 60(3): 2705-2721.
[10]

Raghuvanshi A, Bisnath S, Bond J. Analysis of GNSS radio frequency interference and impacts on GNSS receiver parameters[J]. GPS Solutions, 2025, 29(4): 196.
[11]

张通. 卫星导航系统压制干扰检测与识别技术研究[D]. 济南: 山东大学, 2023.
[12]

Zhang Tong. Research on suppression jamming detection and recognition technologyfor satellite navigation systems[D]. Jinan: Shandong University, 2023.
[13]

Wang Y W, Kou Y H, Zhao Y, et al. Detection of synchronous spoofing on a GNSS receiver using weighted double ratio metrics[J]. GPS Solutions, 2022, 26(3): 91.
[14]

庄学彬, 牛犇, 林子健, 等. 基于门控机制的并行CNN-Transformer神经网络的多参数欺骗干扰检测方法[J]. 电子与信息学报, 2025, 47(6): 2005-2014.
[15]

Zhuang Xuebin, Niu Ben, Lin Zijian, et al. Multi-parameter spoofing interference detection method based on gated parallel CNN-Transformer neural network[J]. Journal of Electronics & Information Technology, 2025, 47(6): 2005-2014.
[16]

Chen X, He D, Yan X Y, et al. GNSS interference type recognition with fingerprint spectrum DNN method[J]. IEEE Transactions on Aerospace and Electronic Systems, 2022, 58(5): 4745-4760.
[17]

王晓燕, 杨晶晶, 黄铭, 等. GNSS干扰和欺骗检测研究现状与展望[J]. 信号处理, 2023, 39(12): 2131-2152.
[18]

Wang Xiaoyan, Yang Jingjing, Huang Ming, et al. Research status and prospects of GNSS interference and spoofing detection[J]. Journal of Signal Processing, 2023, 39(12): 2131-2152.
[19]

Chen F Q, Liu Z, Huang L, et al. GNSS interference mitigation method based on deep learning[J]. Frontiers in Physics, 2025, 13: 1535906.
[20]

Wang X Y, Yang J J, Peng Z X, et al. Hilbert signal envelope-based multi-features methods for GNSS spoofing detection[J]. Computers & Security, 2024, 144: 103959.
[21]

Chen Z K, Li J Z, Li J, et al. GNSS multiparameter spoofing detection method based on support vector machine[J]. IEEE Sensors Journal, 2022, 22(18): 17864-17874.
[22]

Iqbal A, Aman M N, Sikdar B. A deep learning based induced GNSS spoof detection framework[J]. IEEE Transactions on Machine Learning in Communications and Networking, 2024, 2: 457-478.
[23]

Ferre R M, De La Fuente A, Lohan E S. Jammer classification in GNSS bands via machine learning algorithms[J]. Sensors, 2019, 19(22): 4841.
[24]

Mohammad N, Li Y C, Al K S, et al. Machine learning modeling of GPS features with applications to UAV location spoofing detection and classification[J]. Computers & Security, 2023, 126:103085.
[25]

奚玲, 谷旭冉, 王毅. TEXBAT场景下导航欺骗信号特征分析[J]. 全球定位系统, 2024, 49(6): 89-94.
[26]

Xi Ling, Gu Xuran, Wang Yi. Analysis of navigation deception signal characteristics in TEXBAT scenarios[J]. Global Positioning System, 2024, 49(6): 89-94.
[27]

Zhu X F, Hua T, Yang F, et al. Global positioning system spoofing detection based on support vector machines[J]. IET Radar, Sonar & Navigation, 2022, 16(2): 224-237.
[28]

Jiang Y, Zhang R, Sun B, et al. GNSS-IR soil moisture retrieval using multi-satellite data fusion based on random forest[J]. Remote Sensing, 2024, 16(18): 3428.
[29]

Li Z, Lu T D, Yu K G, et al. Interpolation of GNSS position time series using GBDT, XGBoost, and RF machine learning algorithms and models error analysis[J]. Remote Sensing, 2023, 15(18): 4374.
[30]

Zanjani N M M, Sedighy H S. Hybrid CNN architectures for detecting and classification of GNSS jamming attacks[J]. GPS Solutions, 2025, 29(3): 115.
[31]

向汶强, 邵伟, 罗少辉, 等. 基于LSTM模型的青藏高原冻土区土壤水分模拟[J]. 科学技术与工程, 2025, 25(31): 13236-13245.
[32]

Xiang Wenqiang, Shao Wei, Luo Shaohui, et al. Simulation of soil moisture in permafrost region of the Qinghai-Tibet Plateau based on LSTM model[J]. Science Technology and Engineering, 2025, 25(31): 13236-13245.
[33]

杨仁峥, 黄艳国, 何烜. 基于SSA-BiLSTM和奇异谱分析的短期风电功率预测[J]. 科学技术与工程, 2024, 24(22): 9392-9399.
[34]

Yang Renzheng, Huang Yanguo, He Xuan. Short-term wind power prediction based on SSA-BiLSTM and singular spectrum analysis[J]. Science Technology and Engineering, 2024, 24(22): 9392-9399.
[35]

Lu C X, Wang Z, Wu Z L, et al. Global ocean wind speed retrieval from GNSS reflectometry using CNN-LSTM network[J]. IEEE Transactions on Geoscience and Remote Sensing, 2023, 61: 3276173.
[36]

Su Z G, Zheng G Q, Wang G D, et al. An IDBO-optimized CNN-BiLSTM model for load forecasting in regional integrated energy systems[J]. Computers & Electrical Engineering, 2025, 123:110013.
[37]

Nguyen L T, Hocking D T. Penalty learning for optimal partitioning using multilayer perceptron[J]. Statistics and Computing, 2025, 35(5): 153.
[38]

Wu C Y, Ji Y F, Sun X Y. GNSS interference identification driven by eye pattern features: ICOA-CNN-ResNet-BiLSTM optimized deep learning architecture[J]. Entropy, 2025, 27(9): 938.

基金资助

国家重点研发计划(2025YFE0115800)

广西科技计划(桂科AA24263029)

广西科技计划(桂科AD25069103)

国家自然科学基金(U23A20280)

国家自然科学基金(62471153)

国家自然科学基金(U25A20397)

南宁市科学研究与技术开发计划(20231029)

南宁市科学研究与技术开发计划(20231011)

桂林电子科技大学产研计划(CYY-HT2023-JSJJ-0023-1)

桂林电子科技大学产研计划(CYY-HT2023-JSJJ-0024-1)

广西壮族自治区重大人才项目(C24QTR30GA01)

北斗位置服务及边海防安全应用广西高校工程研究中心项目(C26KYS01GA02)

PDF (11845KB)

58

访问

0

被引

详细
导航
相关文章

/

〈 〉

京ICP备05035734号-4
版权所有 © 《科学技术与工程》编辑部
地址： 北京市海淀区学院南路86号 《科学技术与工程》编辑部　邮编：100081
电话：(010)62118920 　E-mail：stae@vip.163.com
技术支持：北京玛格泰克科技发展有限公司 　
网站管理员登录