一种基于深度卷积神经网络的导航卫星微弱信号捕获方法
技术领域
本发明涉及一种基于深度卷积神经网络的导航卫星微弱信号捕捉方法，更具体的说，尤其涉及一种采用相关峰值分类和相关峰值定位的深度卷积神经网络框架，将其应用于导航卫星微弱信号的捕获检测，通过对深度卷积神经网络进行数据训练，确定优化网络参数并输出最优值，提高了捕获导航卫星微弱信号性能的方法。
背景技术
由于深度卷积神经网络对微弱的导航卫星信号捕获具有较高的精度，卷积神经网络(Convolutional Neural Networks，CNNs)技术得到了工业界和学术界的广泛关注。在衰落环境下，卫星导航信号非常微弱，采用传统的捕获算法对接收机的检测概率非常低。在GPS这种卫星导航系统中，采用了码分多址技术，其在地球表面的扩频信号功率约为-128.5dBm。接收机通过扩频增益使相关峰值大于噪声功率来获取信号。在城市峡谷、植被或室内等衰落环境中，GPS信号进一步衰减。典型的GPS信号衰减在植被下约为5～15dB，城市峡谷中约为10～30dB，地下超过25dB，因此可用GPS接收机的采集阈值至少优于-145dBm。传统的导航卫星信号捕获算法主要采用额外的硬件成本来提高捕获概率。在文献“Researchof Weak GPS Signal Acquisition Algorithm”(S.Tian,and Y.Pi,2008InternationalConference on Communications,Circuits and Systems Communications,Circuits andSystems,2008.pp.793-796May,2008.)和文献“A Double Dwell High Sensitivity GPSAcquisition Scheme Using Binarized Convolution Neural Network”(Z.Wang,Y.Zhuang,J.Yang,H.Zhang,J.Yang,H.Zhang,W.Dong,M.Wang,L.Hua,B.Liu,B.Liu,andL.Shi,Sensors 18 1482,2018)中，采用差分相关算法、空间天线分集来实现微弱GPS信号的捕获，但带来更多的计算、内存或其他硬件成本。目前的基于深度卷积神经网络的导航卫星微弱信号捕获方法，通常涉及了一种图像相关峰值分类和相关峰值定位的深度卷积神经网络框架，深度卷积神经网络包括一个峰值分类(Peak Classification，PC)和一个峰值定位(Peak Position，PP)，分别对相关图像进行相关峰值的分类和绝对位置的识别，提高了获得微弱卫星导航信号的性能。
但是，在目前的基于深度卷积神经网络的导航卫星微弱信号捕获方法中，能够充分利用深度卷积神经网络的方法还缺乏成功的先例。没有充分利用深度卷积神经网络来捕获信号，现有的导航卫星微弱信号捕获方法，所取得的系统可靠性较差且捕获效率较低。
在本发明中，发明人针对导航卫星微弱信号的捕获提出了一种基于深度卷积神经网络的导航卫星微弱信号捕获方法。在本发明的方法中，建立了一种图像相关峰值分类和相关峰值定位的深度卷积神经网络框架，将其应用于导航卫星微弱信号检测，通过对深度卷积神经网络进行数据训练，确定优化网络参数并输出最优值，提高了捕获导航卫星微弱信号性能的方法。
发明内容
本发明为了克服上述技术问题的缺点，提出了一种基于深度卷积神经网络的导航卫星微弱信号捕获方法。
本发明的基于深度卷积神经网络的导航卫星微弱信号捕获方法，其特征在于，通过如下步骤来实现：步骤一，导航卫星信号接收机获得微弱的导航卫星信号，经过射频电路处理，接收到中频信号r(t)并产生本地生成信号s(t)，通过对中频信号r(t)和本地生成信号s(t)之间进行相关运算，获得其相关信号R(t)；步骤二，采用绝对位置卷积神经网络对信号的相关值进行检测；步骤三，采用区域编码的方法提高相关峰值的绝对位置精度，训练数据集，得出PC-CNNS和PP-CNNS的最优模型。
本发明的基于深度卷积神经网络的导航卫星微弱信号捕获方法，所述步骤一通过以下分步骤来实现：
a)获取中频信号r(t)；对于一个深度卷积神经网络的导航卫星信号捕获系统，经过射频电路处理，接收到中频信号为：
r(t)＝ADr(t)Cr(t-τ)×cos[2π(fIF+fd)t+φ0]+n(t) (1)
在公式(1)中，A是信号振幅，Dr(t)是调制的数据，fd是多普勒频移，φ0是原始相位，Cr(t-τ)是具有延迟时间的伪随机码；
b)接收机产生本地生成信号为s(t)；对于一个深度卷积神经网络的导航卫星信号捕获系统，接收机产生的本地生成信号为：
在公式(2)中，是具有延迟时间的本地伪随机码，是本地频移，φ1是初相位；
c)获得相关信号R(t)；对中频信号r(t)和本地生成信号s(t)进行相关处理，获得的相关信号为：
在公式(3)中，Δφ＝φ0-φ1，ncor是包括高斯噪声和互相关输出的等效噪声。
本发明的基于深度卷积神经网络的导航卫星微弱信号捕获方法，所述步骤二通过以下分步骤来实现：
d)相关器处理信号，获得相关图像，并输入卷积神经网络；采用M个相关器对信号进行并行处理，以减少采集时间，将整个相关图像分割为多幅相关子图像，并输入卷积神经网络；
e)PC-CNNS识别图像中的相关峰值；绝对位置卷积神经网络中的相关峰值分类有S1个卷积层，一个A×A内核，M1个最大池化层和E1个全连接层，用于识别图像中的相关峰值，由于在整个相关图像中只有一幅分割图像具有相关峰值，PC-CNNS的高识别精度可以减少其分割图像的数量；
f)PP-CNNS对分割图像的相关峰值进行绝对位置识别；PP-CNNS中有N2个最大池化层，S2个卷积层和E2个全连接层，每一层背后都有一个修正线性单元(Rectified LinearUnit,ReLU)作为非线性激活函数，峰值分类后，PP-CNNS对有相关峰值的分割图像进行绝对位置识别，没有相关峰的分割图像仅用于协助计算。
本发明的基于深度卷积神经网络的导航卫星微弱信号捕获方法，所述步骤三通过以下分步骤来实现：
g)为了提高相关峰值的绝对位置精度，采用区域编码的方法；像素绝对位置的分辨率随图像尺寸的增大而减小，与图像尺寸的倒数呈线性关系，当二维坐标是卷积神经网络的训练目标时，随着图像尺寸的增大，会影响定位精度，例如，当图像大小为X1×X1时，根据归一化的结果，任意两个像素的坐标分辨率比为1/X1，对于X2×X2的图像，任意两个像素的坐标分辨率比为1/X2，在相同的卷积神经网络中，图像尺寸越大，坐标识别精度越低，采用区域编码的方法将输入图像分割为若干具有各自X1×X1坐标的区域，所有区域的坐标范围都被限制在X1到X2之间；
h)得出PC-CNNS的最优模型；相关峰值图像被分为多幅相关子图像，其中只有一个具有相关峰值的图像和多个含有噪声的图像，可以在PC-CNNS中以精度检测不具有相关峰的图像，具有相关峰值的图像分类精度较高，得出PC-CNNS的最优模型；
i)得出PP-CNNS的最优模型；更改PP-CNNS框架的卷积层数S2，可以找到最佳的绝对位置精度，根据不同模型的识别率和绝对定位精度，得出了PP-CNNS模型具有最高的位置精度，确定了PP-CNNS模型，整个相关图像的绝对定位精度为得出最终相关峰绝对位置精度。
本发明的有益效果是：本发明的基于深度卷积神经网络的导航卫星微弱信号捕获方法，建立了一种图像相关峰值分类和相关峰值定位的深度卷积神经网络框架，将其应用于导航卫星微弱信号检测，通过对深度卷积神经网络进行数据训练，确定优化网络参数并输出最优值，提高了捕获导航卫星微弱信号性能。
附图说明
图1为卷积神经网络导航卫星信号采集框架系统的示意图；
图2为绝对位置卷积神经网络的框架模块结构示意图；
图3为区域编码坐标示意图；
图4为不同模型在PC-CNNs中的相关峰值分类精度仿真图；
图5为具有不同层数的模型在PP-CNNs中的绝对位置精度仿真图。
具体实施方式
下面结合附图与实施例对本发明作进一步说明。
由于深度卷积神经网络广泛存在导航卫星微弱信号捕获系统中，针对导航卫星微弱信号捕获传输，本发明提出一种基于深度卷积神经网络导航卫星微弱信号捕获的具体实现方法。为了提高信号捕获的性能，本发明建立一种图像相关峰值分类和相关峰值定位的深度卷积神经网络框架，通过对深度卷积神经网络进行数据训练，确定优化网络参数并输出最优值，提高了获得导航卫星微弱信号性能的方法。
本发明提出了一种基于深度卷积神经网络的导航卫星微弱信号捕获方法，通过建立一种用于相关峰值分类以及相关峰值绝对位置识别的深度卷积神经网络框架，分析了不同卷积层数和不同训练数据集对卷积神经网络检测精度的影响，确定优化网络参数并输出最优值，提高了卷积神经网络捕获导航卫星微弱信号的性能。
如图1所示，卷积神经网络导航卫星信号采集框架系统的示意图，对于一个深度卷积神经网络导航卫星信号捕获系统，同时有M个相关信道来获取不同初始相位的导航卫星微弱信号，经过射频电路处理，接收到中频信号r(t)，接收机产生本地生成信号为s(t)，通过对中频信号r(t)和本地生成信号s(t)之间进行相关运算，获得其相关信号R(t)。
在本发明所提的方法中，对于一个基于深度卷积神经网络导航卫星微弱信号捕获系统，经过射频电路处理，接收到中频信号为
r(t)＝ADr(t)Cr(t-τ)×cos[2π(fIF+fd)t+φ0]+n(t) (1)
在公式(1)中，A是信号振幅，Dr(t)是调制的数据，Cr(t-τ)是具有延迟时间的伪随机码，fd是多普勒频移，φ0是原始相位。在另一方面，接收机产生本地生成信号为s(t)，对于一个基于深度卷积神经网络导航卫星微弱信号捕获系统，经过信号采集处理，接收机产生本地生成信号为
在公式(2)中，是具有延迟时间的本地伪随机码，是本地频移，φ1是初相位。通过运算，中频信号r(t)和本地生成信号s(t)之间进行了相关处理获得相关信号为
在公式(3)中，Δφ＝φ0-φ1，ncor是包括高斯噪声和互相关输出等效噪声。
图2给出了绝对位置卷积神经网络的框架模块结构示意图。绝对位置卷积神经网络有两个深度网络，一个是相关峰值分类，另一个是相关峰值定位。PC-CNNS有2个卷积层，一个3×3内核，2个最大池化层和2个全连接层，用于识别图像中的相关峰值。由于在整个相关图像中只有一幅相关图像具有相关峰值，PC-CNNS的高识别精度可以减少其分割图像的数量。峰值分类后，PP-CNNS对有相关峰值的分割图像进行绝对位置识别，没有相关峰的分割图像仅用于协助计算。PP-CNNS中有N个最大池化层，S个卷积层和2个全连接层。对于绝对位置来说，在每一层中都有一个零填充过程是非常重要的。每一层背后都有一个ReLU作为非线性激活函数。
图3给出区域编码坐标示意图。为了提高相关峰值的绝对位置精度，采用区域编码的方法，像素绝对位置的分辨率随图像尺寸的增大而减小，与图像尺寸的倒数呈线性关系。当二维坐标是卷积神经网络的训练目标时，随着图像尺寸的增大，会影响定位精度。例如，当图像大小为8×8时，根据归一化的结果，任意两个像素的坐标分辨率比为1/8＝0.125。对于32×32的图像，任意两个像素的坐标分辨率比为1/32＝0.03125。在相同的卷积神经网络中，图像尺寸越大，坐标识别精度越低。采用区域编码的方法将输入图像分割为若干具有各自8×8坐标的区域，所有区域的坐标范围都被限制在0到7之间。
图4给出了不同模型在PC-CNNS中的相关峰值分类精度仿真图。相关峰值图像被分为832幅32×32像素的图像，其中只有一个具有相关峰值的图像和831个有噪声的图像。可以在PC-CNNS中以精度检测不具有相关峰的图像，具有相关峰值的图像分类精度较高。相关峰值分类的模型，通过改变最大池化层数和卷积层数可以得到模型1和模型2以及模型3，模型1是具有2个最大池化层和2个卷积层的相关峰值分类模型，模型2是具有4个最大池化层和4个卷积层的相关峰值分类模型，模型3是具有3个最大池化层和3个卷积层的相关峰值分类模型。在信号功率较弱时，模型1和模型2的分类精度会有显著的降低，模型3的分类精度高于模型1和模型2，确定了PC-CNNS的最优模型是模型3。
图5给出了具有不同层数的模型在PP-CNNS中的绝对位置精度仿真图。分析具有不同最大池化层和卷积层的绝对位置模型，更改了PP-CNNS框架的卷积层数S，得到四种不同的绝对位置模型，以找到最佳的绝对位置精度，得出具有最高位置精度的PP-CNNS模型。模型1是具有4个最大池化层和4个卷积层的绝对位置模型，模型2是具有10个最大池化层和4个卷积层的绝对位置模型，模型3是具有13个最大池化层和4个卷积层的绝对位置模型，模型4是具有14个最大池化层和4个卷积层的绝对位置模型。在信号功率较弱时，模型1和模型2以及模型4的绝对位置精度会有显著的降低，模型3的绝对位置精度高于模型1和模型2以及模型4，根据不同模型的识别率和绝对定位精度，确定了模型3是PP-CNNS的最优模型。整个相关图像的绝对定位精度为得出最终相关峰绝对位置精度。
综上可知，本发明的一种基于深度卷积神经网络的导航卫星微弱信号捕获方法，通过建立一种图像相关峰值分类和相关峰值定位的深度卷积神经网络框架，通过对深度卷积神经网络进行数据训练，确定优化网络参数并输出最优值，提高了捕获导航卫星微弱信号性能的方法。
上述技术方案只是本发明的一种实施方式，对于本领域内的技术人员而言，在本发明公开了应用方法和原理的基础上，很容易做出各种类型的改进或变形，而不仅限于本发明上述具体实施方式所描述的方法，因此前面描述的方式只是优选的，而并不具有限制性的意义。
