一种基于注意力特征融合的卫星信号特征提取方法及系统

本发明涉及卫星通信、信号处理与人工智能，特别涉及一种基于注意力特征融合的卫星信号特征提取方法及系统，适用于 cospas-sarsat 全球卫星搜救系统在406 mhz 频段复杂电磁环境下的“一维频域信号 + 二维时频图”异构特征融合场景的干扰信号识别。

背景技术：

1、cospas-sarsat 国际卫星搜救系统是全球最重要的应急通信基础设施之一，自1985 年正式投入运行以来已协助救援超过 50000 名遇险人员。该系统的核心终端设备为第二代信标（second-generation beacon，sgb），该信标工作于 406.0 mhz 至 406.1 mhz频段，采用 oqpsk-dsss 调制，符合国际规范 c/s t.018，扩频码片率为 38.4 kchips/s，数据率为 300 bps，突发持续时间为 1000 ms。随着 406 mhz 频段电磁环境日趋复杂，sgb信号面临雷达脉冲、跳频通信、单音/多音、宽带噪声、相位调制等多种干扰，部分干扰功率已超过 sgb 信号 10 db 以上，显著降低搜救信号的解调成功率，进而导致遇险位置上报延迟或漏报。在卫星载荷或地面接收终端中实时识别上述干扰类别并采取相应抗干扰策略（如频谱避让、自适应滤波、上报告警等），已成为提升 cospas-sarsat 系统可靠性的关键技术之一。

2、现有技术之一是基于能量检测与谱分析的传统识别方法，通过手工特征结合阈值或浅层分类器进行识别。该方法在低信噪比条件下性能急剧下降，且对复合干扰识别能力较弱。

3、现有技术之二是基于单模态深度学习的识别方法，使用单一时域、频域或时频图作为输入，经一维卷积神经网络或二维卷积神经网络进行端到端学习。该方法难以同时表征所有干扰类别的物理特征：例如线性扫频信号在时频图上呈对角线结构而适合二维网络，而单音信号在频谱上呈尖峰结构而适合一维网络，单一模态难以兼顾两类特征。

4、现有技术之三是基于简单多模态拼接或加权平均的融合方法。该方法的融合权重固定不变，无法根据输入信号的物理特征自适应调整，且不具备物理可解释性。

5、现有技术之四是基于通用注意力特征融合（attentional feature fusion，aff）的融合方法（参见 dai 等于 2021 年提出的 aff 模块）。该方法已在通用图像分类领域验证有效，但其设计针对同质二维图像特征（即两个分支均输出尺寸相同的 2d 特征图），不能直接迁移到一维频域信号 + 二维时频图"异构特征融合场景；且该方法未针对长序列一维卫星信号（点数达 8192）设计浅层感受野结构，对低采样信号特征提取能力受限；该方法亦未在卫星搜救 sarsat 干扰识别场景下验证物理可解释性。

技术实现思路

1、针对上述的问题，本发明的目的在于提供一种基于注意力特征融合的卫星信号特征提取方法及系统，适用于“一维频域信号 + 二维时频图”异构特征融合场景，通过双分支神经网络分别提取频域特征与时频域特征，并通过 aff 模块自适应融合，从而在低信噪比条件下保持高识别准确率，并使融合权重具有按类别自适应选择最优模态的物理可解释性。

2、为了实现上述目的，本发明的方案是：

3、一种基于注意力特征融合的卫星信号特征提取方法，用于实现卫星干扰信号的识别，包括接收卫星信号，其中，所述卫星信号特征提取的步骤包括：

4、s1、对接收的卫星信号进行双模态预处理，得到频域单边谱和时频图；

5、s2、通过1d-resnet网络从所述频域单边谱提取频域特征，通过2d-resnet 网络从所述时频图提取时频域特征；

6、s3、通过注意力特征融合aff模块计算融合权重并输出融合特征，所述注意力特征融合aff模块包括局部注意力子网络和全局注意力子网络，所述计算融合权重并输出融合特征具体步骤包括：

7、s3.1、计算初步融合特征：

8、； 为频域特征；为时频域特征；

9、s3.2、计算局部注意力子网络权重，计算公式为：

10、；

11、其中：为局部注意力子网络；为初步融合特征；

12、s3.3，计算全局注意力子网络权重，计算公式为：

13、；

14、其中：为全局注意力子网络；为初步融合特征；

15、s3.4，计算融合权重：

16、；

17、s3.5，输出融合特征：

18、；

19、其中： 为融合特征；  为逐元素乘法，为各元素均为1的向量；为频域特征；为时频域特征；

20、s4、将所述融合特征输入神经网络的分类器，分类器输出干扰类别识别结果；

21、其中：所述局部注意力子网络与所述全局注意力子网络具有相同结构，均包含两层全连接层和一层 batchnorm 层，所述局部注意力子网络与所述全局注意力子网络的参数各自独立。

22、方案进一步是：所述 1d-resnet网络在浅层包含双级大核stem结构，所述双级大核stem结构依次包括第一级卷积层、第二级卷积层  和池化层 。

23、方案进一步是：所述局部注意力子网络与全局注意力子网络依次由以下层构成：

24、第一层为：

25、；

26、其中： 为通道缩减比，；c为融合特征通道数；

27、第二层为：

28、；

29、第三层为：

30、relu 激活函数；

31、第四层为：

32、；

33、第五层为：

34、。

35、方案进一步是：所述频域单边谱通过快速傅里叶变换 fft 取模获得，长度为8192；所述时频图是通过短时傅里叶变换stft获得，其参数为窗长nperseg=512、重叠noverlap=256，输出尺寸为 224×224；所述特征维度数 。

36、方案进一步是：所述分类器由全连接层和softmax 函数级联构成，其中：

37、全连接层为：

38、；

39、其中：为全连接层的输出向量；为融合特征向量；为全连接层的权重矩阵；为全连接层的偏置向量；为分类器输出维度； 为融合特征通道数；

40、所述softmax 函数为：

41、；

42、其中： 为干扰信号类别数；  为全连接层输出向量  中的第  个元素；为全连接层输出向量  中的第  个元素。

43、方案进一步是：所述干扰信号类别包括有11种，11种干扰信号类别包括：clean、single_tone、multi_tone、chirp、pulse、wideband_noise、narrowband_noise、bpsk_modulated、comb_spectrum、frequency_hopping、composite 。

44、方案进一步是：所述频域特征由一维频域单边谱经含双级大核的 1d-resnet 网络提取，所述一维频域单边谱长度 ；所述时频域特征由二维时频图经 2d-resnet 网络提取，所述二维时频图尺寸不小于 128×128；所述频域特征与所述时频域特征构成一维与二维异构特征的逐通道注意力加权融合。

45、方案进一步是：所述 2d-resnet网络采用imagenet预训练权重初始化，并去掉原始imagenet 1000 类分类头，仅保留至全局平均池化层后的维特征输出。

46、一种实现上述任一项的基于注意力特征融合的卫星干扰信号识别系统，所

47、述系统包括信号预处理模块、频域特征提取模块、时频域特征提取模块、aff融合模块和分类输出模块，其中：

48、所述信号预处理模块用于计算卫星信号的频域单边谱和时频图；

49、所述频域特征提取模块含有1d-resnet 网络，用于提取频域特征；

50、所述时频域特征提取模块含有2d-resnet 网络，用于提取时频域特征；

51、所述aff融合模块包含局部注意力子网络、全局注意力子网络，用于计算融合权重并输出融合特征；

52、所述分类输出模块用于输出干扰类别识别结果。

53、方案进一步是：所述系统部署于以下计算平台中的至少一种：服务器端 gpu 平台、工作站 cpu 平台、嵌入式边缘设备和卫星载荷板载处理器，其中所述嵌入式边缘设备包括 stm32h7 系列微控制器、esp32-s3 物联网芯片以及 nvidia jetson nano 边缘计算模块。

54、本发明的有益效果是：

55、（1）通过双分支异构特征提取与 aff 自适应融合，在 11 类干扰识别任务上top-1 准确率较单模态频域 + cbam 基线提升 1.72 个百分点，较传统随机森林基线提升19.91个百分点；

56、（2）在低信噪比条件下（snr<0 db），top-1 准确率达到 85.54%，较单模态基线提升 2.47 个百分点，鲁棒性显著；

57、（3）3 个独立随机种子的标准差为 0.24%，远小于单模态基线的 0.82%，证明本发明具有良好的可复现性；

58、（4）aff 融合权重具有按类别自适应选择最优模态的物理可解释性，这是已有融合方法（包括拼接、加权平均、通用 aff）所不具备的有益效果。

59、下面结合附图说明和具体实施例对发明做进一步详细阐释。