由眼睛模式驱动的GNSS干扰识别特征:ICOA-CNN-ResNet-BiLSTM优化深度学习架构
Chuanyu Wu1,2, Yuanfa Ji1,3, Xiyan Sun1,4
1Information and Communication School, Guilin University of Electronic Technology, Guilin 541004, China.
Entropy (Basel, Switzerland)
|September 27, 2025
概括
这项研究引入了一个AI框架,使用眼睛图来分类全球导航卫星系统 (GNSS) 的干扰,增强安全性. 这种新的方法在识别各种干扰类型方面取得了很高的准确性.
科学领域:
- 信号处理 信号处理
- 人工智能的人工智能
- 网络安全 网络安全
背景情况:
- 全球导航卫星系统 (GNSS) 面临来自信号干扰的重大安全挑战.
- 现有的干扰检测和分类方法往往缺乏效率和准确性.
研究的目的:
- 为GNSS干扰类型的智能分类提出一个新的深度学习框架.
- 通过先进的信号分析,提高GNSS操作的安全性和可靠性.
主要方法:
- 将GNSS信号转换为2D眼图以进行视觉表示.
- 利用以为中心的特征分析来进行干扰歧视.
- 设计用于信号分析的混合深度学习架构 (CNN,ResNet,BiLSTM).
- 采用改进的coati优化算法 (ICOA) 进行超参数调整.
主要成果:
- 提出的方法实现了高性能指标:98.02%的准确性,97.09%的精度,97.24%的回忆,97.14%的F1得分和99.65%的特异性.
- 在各种干扰数据集上,与现有模型相比,表现出显著的改进.
- 与主流方法相比,ICOA算法在趋同准确度上显示了30%以上的改进.
结论:
- 开发的基于眼睛图的深度学习框架为GNSS干扰识别提供了高效和准确的解决方案.
- 意识到的特征提取和混合网络架构是该方法成功的关键.
- 这项研究提供了一种实际可行的方法,以加强GNSS安全,防止各种干扰威胁.
