摘要：在各种压制式和欺骗式干扰随机存在的全球卫星导航系统(Global navigation satellite system,GNSS)复杂应用环境下,传统先估计干扰信号参数再抵消的干扰抑制方法需要针对不同类型的干扰设计专门的参数估计和抵消算法,设计工作量大且缺乏通用性。为此本文提出了一种基于深度残差神经网络的干扰抑制方案。首先,针对典型的GNSS干扰类型搭建和训练了相应的残差神经网络,实现从受扰接收信号中直接提取有用卫星信号。然后,结合干扰分类识别结果,将对一维接收信号进行短时傅里叶变换(Short⁃time fourier transform,STFT)预处理后的时频谱二维信号送入与干扰类型相对应的残差网络,网络输出消除了干扰信号影响的有用卫星信号的时频二维谱。该方案无需对不同类型的干扰采用不同的参数估计和干扰抵消方法,对各类压制干扰和欺骗信号均采用相同的处理流程。实验结果表明相比于先估计干扰信号参数再进行抵消的干扰抑制方案,所提方案对各种GNSS干扰类型均具有较好的抑制效果,具备一定的通用性。

摘要：电能质量扰动(PQDs)可能会引发电力设备故障,导致能源浪费。使用传统的机器学习方法识别多种类型的PQDs往往需要人工设计不同的特征提取器或分类器,耗时费力。而采用深度学习模型能够同时处理多种类型的扰动,具有较强的适应性。文章将深度残差神经网络ResNet18与坐标注意力(CA)模块相结合,构建了一个用于PQDs分类任务的Res-CA模型。首先,通过ResNet18骨干网络提取时间嵌入特征,然后采用CA模块进一步捕获重要性更高的深层时间特征,最后通过Softmax分类器实现PQDs信号类型的识别。在20 dB和30 dB两种信噪比条件下对16种PQDs信号进行实验,实验结果表明:Res-CA网络可以有效地对PQDs信号进行分类,在两种信噪比下的识别准确率分别为99.41%和99.78%。