(19)国家知识产权局 (12)发明 专利申请 (10)申请公布号 (43)申请公布日 (21)申请 号 202210938061.7 (22)申请日 2022.08.05 (71)申请人 中国电子科技 集团公司第五十四研 究所 地址 050000 河北省石家庄市中山西路589 号 (72)发明人 刘亮　蔚保国　易卿武　赵精博　 杨建雷　贾诗雨　郎兴康　王彬彬　 李硕　惠沈盈　 (74)专利代理 机构 北京盛凡佳华专利代理事务 所(普通合伙) 11947 专利代理师 华小明 (51)Int.Cl. G01S 19/20(2010.01) G01R 19/04(2006.01)G06K 9/00(2022.01) G06K 9/62(2022.01) G06N 20/00(2019.01) (54)发明名称 一种基于机器学习的北斗B1C信号异常监测 方法 (57)摘要 本发明提供一种基于机器学习的北斗B1C信 号异常监测方法， 涉及信号异常监测技术领域。 一种基于机器学习的北斗B1C信号异常监测方 法， 包括以下步骤： 离线训练和在线监测， 采用多 相关器技术来监测北斗B1C信号的模拟失真、 副 载波失真和PN码失真三种失真类型， 在进行质量 监控时， 我们采用的判别方法为二次判别分析， 使得判别的准确率更高。 通过并采用QDA方法来 判别， 传统方法认为失真部分小于18.5％即可被 认为是无失真信号， 基于监督学习的基础上， 对 信号进行判别时采用QDA方法进行分类， 而不是 采用简单的阈值决策， 实验表明， 本文的方法不 仅能提高监测的准确率， 还能同时判别多种信号 失真类型。 权利要求书3页 说明书9页 附图5页 CN 115291254 A 2022.11.04 CN 115291254 A 1.一种基于 机器学习的北斗B1C信号异常监测方法， 其特 征在于： 包括以下步骤： 步骤一： 离线训练 S1.生成训练数据集： 训练的数据集是经过预处理的数据， 其中包括正常的和数字失真 北斗B1C信号， 第一步的特征向量 d为特征向量的维度， Xi( i＝1, 2,…,d)为一些检测的特征度量。 特征度量由简单比率度Mz和detla度量Mz‑z组成。 简单比率 度可由下式表示： 其中， I0代表即时相关器的测量值， 其主要作用是归一化相关测量值。 Iz则是同相相关 器的测量值在距离 即时相关器z处远的测量值。 Det la度量的主要作用是检测相关峰的不对 称情况， Detla度量可由下式描述： BOC信号发生失真时， 不仅仅主峰会收到影响， 副峰也会受到一定的影响， 上述两种特 征度量中， 当z＝ ‑0.05‑n1m:m:‑0.05,0.05:m:0.05 +n1m时， Mz和Mz‑z用于监测主峰的相关峰 不对称程度， z＝ ‑0.05‑n2m:m:‑0.05,0.05:m:0.05+n2m时， Mz和Mz‑z用于监测 副峰的相关峰 不对称程度， 其中， m为固定的代码延迟， 即相 邻两个相关器之间的距离， n1和n2则表示主峰 和副峰上相关器的数量的多少， 因此， 当z的值变化时， 这些特征度量的组合， 可以同时监测 主峰和副峰的相关峰畸变， 从而更加全面、 准确的监测信号失真。 用于训练的数据集由一组输入实例和需要的输出组成， 输入的实例可以表示为[x1, x2,...,xd]T， 其中xi(i＝1,2,...,d)表示检测度量的结果， 输出空间则由下式表达： Ω＝{ω1,ω2,ω3,ω4} 其中， ω1、 ω2、 ω3、 ω4分别代表输入信号无故障、 PN码失真、 副载波失真和模拟失真， S2.计算模型参数： 当模型的训练数据集给定之后， 下一步就是模型参数的计算， 热噪 声可以当做是均值为零的高斯过程， 因此相关测量值也可以被当做为高斯变量， 又因为两 个高斯过程之比往往也是高斯过程， 所以监测指标也是高斯变量， 因此， 由以上几个指标构 成的输入可以看做是一个服从多元高斯分布的变量， 因此， 我们的模型可以使用多元高斯 模型， 其参数有均值向量和协方差矩阵。 我们使用最大似然估计 计算模型的参数， 输入数据的条件概 率为： 其中， d代表输入矩阵的维度， 和∑ωi表示给定的模型参数， 表示对应于第j种失 真的第i个输入数据。 联合似然函数则可以表示成：权　利　要　求　书 1/3 页 2 CN 115291254 A 2模型参数则可以通过ML估计求得： 由式上式可知， 我们的模型参数包 含总共4个均值和4个协方差矩阵； 步骤二： 在线监测 输入的数据是经过多相关器处理后的数据， 根据离线训练训练好的模型参数， 整个在 线监控模块可以检测出信号是否产生畸变， 我们采用二次判别分析对测试数据进 行相关峰 畸变的识别， 二次判别分析将每个类的似然性建模为高斯分布， 然后采用后验分布来估计 测试数据所属的类别； 在线监测识别时， 判别函数可由测试数据和离线训练好的参数计算， 由贝叶斯公式可 得： 其中， p(ωi)表示ωi的先验概率， 可以表示为 ni表示对应于ωi的 样本数量， 由于 和ωi之间的独立性， 可以被视为一个常数。 本文的判别函数采 用的是最大后验准则概 率， 因此可以描述 为: 将判别函数 取对数可得： 其中， 是常数项， 对于各个判别函数来说， p(ωi)也是不变的。 因此， 判别函数权　利　要　求　书 2/3 页 3 CN 115291254 A 3