XAI GNSS-使用可解释的人工智能技术对GNSS中断信号质量评估的综合研究

科学领域:

• 导航和定位系统 导航和定位系统
• 信号处理 信号处理
• 人工智能的人工智能

背景情况:

• 全球导航卫星系统 (GNSS) 容易受到干扰和伪造攻击,降低信号质量.
• 有效的GNSS信号后处理需要在干扰和多路径条件下仔细分析.
• 识别信号中断对于保持GNSS接收器性能和可靠性至关重要.

研究的目的:

• 确定影响时间和光谱域特征,用于分析受各种干扰影响的GNSS信号.
• 评估可解释AI (XAI) 模型在GNSS信号分析特征选择中的有效性.
• 将基于XAI的特征选择与传统方法进行比较,以提高GNSS信号预测中的分类准确性.

主要方法:

• 在各种干扰场景下检查GNSS信号记录 (纯,CWI,MCWI,MP,伪造,脉冲,声).
• 应用机器学习 (ML) 技术来评估特征的重要性.
• 使用夏普利增量解释 (SHAP) 和局部可解释的模型不可知解释 (LIME) 进行特征分析和模型可解释性.

主要成果:

• XAI模型确定了关键的时间和光谱域特征,这些特征对于分类GNSS信号中断至关重要.
• 与传统的特征选择相比,使用SHAP和LIME选择的重要特征提高了分类准确性.
• 基于个体特征贡献的XAI模型为ML模型预测提供了明确的解释.

结论:

• XAI模型,特别是SHAP和LIME,为GNSS信号分析提供了卓越的特征选择,提高了分类准确性.
• 这些模型有效地揭示了黑子ML模型的决策过程,用于识别信号中断.
• 应用XAI有助于在GNSS的故障检测和弹性诊断,用于地面站的后处理.