郝才勇，錢寧鐵

（國家無線電監(jiān)測中心深圳監(jiān)測站，深圳　518120）

基于機器學習的衛(wèi)星干擾源定位系統(tǒng)

郝才勇，錢寧鐵

（國家無線電監(jiān)測中心深圳監(jiān)測站，深圳518120）

針對衛(wèi)星干擾源定位系統(tǒng)的自動化程度低，定位質(zhì)量依賴于操作者的經(jīng)驗，且系統(tǒng)定位性能難以優(yōu)化的問題，本文提出了基于機器學習的衛(wèi)星干擾源定位系統(tǒng)，利用定位過程對參數(shù)的調(diào)整和定位結(jié)果的質(zhì)量指標數(shù)據(jù)來訓練定位系統(tǒng)，學習定位規(guī)則和隱含在定位數(shù)據(jù)中的模式，從而在新的定位任務(wù)中具備較好的預(yù)測和決策能力，提高系統(tǒng)自動化水平和定位質(zhì)量。

衛(wèi)星干擾源；定位；機器學習；鄰星推薦

1　引言

機器學習研究的是通過計算手段從數(shù)據(jù)和經(jīng)驗中學習，提取數(shù)據(jù)中的重要規(guī)則和趨勢，從而揭示數(shù)據(jù)的真實含義并改善系統(tǒng)性能。機器學習在語音和圖像識別、垃圾郵件分類、基因診斷、股票預(yù)測、網(wǎng)頁搜索、商品推薦、異常檢測等方面有著廣泛的應(yīng)用［1］。

隨著衛(wèi)星定位技術(shù)的發(fā)展和衛(wèi)星定位系統(tǒng)產(chǎn)生和關(guān)聯(lián)數(shù)據(jù)量的增多，如何理解定位數(shù)據(jù)并從中提取出有價值的信息，是提高衛(wèi)星監(jiān)測和定位技術(shù)的關(guān)鍵。衛(wèi)星干擾源定位系統(tǒng)的定位質(zhì)量指標主要包括三個部分：定位成功率、定位準確率和定位速度。當前的衛(wèi)星干擾源定位系統(tǒng)采用的是傳統(tǒng)的雙星定位系統(tǒng)或三星定位系統(tǒng)，操作者根據(jù)干擾信號的特征，輸入或選擇定位參數(shù)來建立定位任務(wù)，定位系統(tǒng)根據(jù)定位幾何方程計算得出干擾源位置。定位系統(tǒng)的自動化程度較低，定位質(zhì)量在很大程度上依賴于操作者的經(jīng)驗。以鄰星選擇問題為例，當定位干擾信號時，首先需要選擇合適的鄰星，鄰星選擇的優(yōu)劣往往決定定位成功與否、定位精度的高低和定位結(jié)果是否穩(wěn)定。經(jīng)驗豐富的操作者根據(jù)已經(jīng)掌握的衛(wèi)星參數(shù)知識（如覆蓋范圍、轉(zhuǎn)發(fā)器頻段分配、可用參考源等），以及過去在完成類似定位任務(wù)時選擇鄰星經(jīng)驗，可以對新出現(xiàn)的干擾信號定位預(yù)測最適合鄰星；而對于經(jīng)驗欠缺的操作者，需要對滿足可用鄰星弧度范圍內(nèi)的多顆甚至數(shù)十顆衛(wèi)星都嘗試執(zhí)行定位任務(wù)，才能確定出可用鄰星，然后還要對不同主星-鄰星組合的定位質(zhì)量進行對比，才能選擇出最合適的鄰星?？梢姡l(wèi)星定位系統(tǒng)的鄰星選擇嚴重依賴于操作者的知識和經(jīng)驗，非常的耗時耗力。

衛(wèi)星參數(shù)知識和干擾定位經(jīng)驗?zāi)軌蛞詳?shù)據(jù)的形式存儲在定位系統(tǒng)中，通過機器學習算法，定位系統(tǒng)能夠從已經(jīng)定位的數(shù)據(jù)中歸納出各種定位規(guī)則，如鄰星選擇規(guī)則、參考源選擇規(guī)則、定位數(shù)據(jù)異常檢測規(guī)則、采樣帶寬/時間選擇規(guī)則、定位模式（雙星/三星定位）規(guī)則等。對于沒有出現(xiàn)過的干擾信號，定位系統(tǒng)能夠利用學習到的定位規(guī)則自動預(yù)測并為操作者推薦最適合定位參數(shù)。隨著對干擾信號定位訓練次數(shù)的增多，定位系統(tǒng)積累的數(shù)據(jù)和操作經(jīng)驗越來越多，系統(tǒng)學習的預(yù)測模型不斷進行調(diào)整和優(yōu)化，從而使定位質(zhì)量指標越來越高。

本文提出了基于機器學習的衛(wèi)星干擾源定位系統(tǒng)的設(shè)計思路，介紹了機器學習在定位系統(tǒng)的各個模塊中的具體應(yīng)用，并以鄰星推薦為例詳細介紹了一個典型應(yīng)用。

2　系統(tǒng)功能

衛(wèi)星干擾源定位系統(tǒng)需要多個功能模塊的組合才能完成定位，為了清晰的描述如何將機器學習應(yīng)用到衛(wèi)星干擾源定位系統(tǒng)中，按照功能將定位系統(tǒng)拆分為以下八個模塊，如表1所示，各個模塊均可用機器學習的方法來實現(xiàn)。

表1　功能分解表

3　系統(tǒng)設(shè)計

本文以鄰星推薦功能為例，具體介紹如何將機器學習應(yīng)用到定位系統(tǒng)中。在目前的定位系統(tǒng)中，定位參數(shù)配置嚴重依賴于定位操作者所掌握的衛(wèi)星知識和定位經(jīng)驗。定位系統(tǒng)通過一些基本的定位規(guī)則為主要的參數(shù)配置提供候選項，操作者根據(jù)以往的定位經(jīng)驗從候選項中選擇合適的參數(shù)來完成定位任務(wù)，不同的參數(shù)配置決定了定位結(jié)果的優(yōu)劣。

鄰星選擇是衛(wèi)星干擾源定位系統(tǒng)的參數(shù)配置中的一個關(guān)鍵功能和步驟。鄰星是與被干擾衛(wèi)星（主星）相鄰的衛(wèi)星，與主星同時接收干擾上行信號，然后利用經(jīng)過主星和鄰星轉(zhuǎn)發(fā)的兩路信號的相關(guān)性計算信號的到達時間差或頻率差，從而計算干擾源位置［2］。鄰星必須滿足非常嚴格的限制條件：在軌道位置上與主星位置間隔在一定弧度范圍內(nèi)；信號所在頻段、極化方式與主星上分配情況一致；該頻段上的衛(wèi)星在地面的上行覆蓋范圍與主星一致；在干擾信號對應(yīng)的頻段上沒有在用信號；已知鄰星轉(zhuǎn)發(fā)器的本振頻率等［3］。鄰星的選擇對完成定位非常重要，但是發(fā)現(xiàn)合適的鄰星卻非常困難。鄰星選擇的基本規(guī)則是鄰星與主星位置的弧度間隔要在一定范圍內(nèi)，處理增益為65dB時，C頻段要求間隔小于12度，Ku頻段要求間隔小于7度，從而保證鄰星能夠接收到足夠強的干擾信號旁瓣。定位系統(tǒng)列出滿足此間隔條件的所有鄰星（大約10幾顆），然后操作者從中選擇一顆衛(wèi)星進行定位。

鄰星選擇的問題在于并非所有滿足弧度間隔條件的鄰星都能夠成功定位，實際上只有少數(shù)鄰星能夠完成定位。在缺少衛(wèi)星參數(shù)知識和定位經(jīng)驗的情況下，事先并不知道使用哪幾顆衛(wèi)星能夠成功定位，因此操作者只能對所有候選的潛在鄰星依次嘗試定位以確定其可用性。但是，切換鄰星卻是一個非常耗時和復(fù)雜的工作，這需要發(fā)送指令給衛(wèi)星室外控制單元，驅(qū)動電機調(diào)整衛(wèi)星天線的俯仰角和極化角，重新配置和調(diào)整多個參考源。由于影響鄰星選擇的因素較多，其中有些參數(shù)如衛(wèi)星的頻段隨時間變化，因此，即使是具有豐富的衛(wèi)星知識和定位經(jīng)驗的操作者往往也無法準確的選擇最適合的鄰星。尤其是隨著定位系統(tǒng)采用高增益技術(shù)，顯著提高了可選鄰星的弧度范圍（C頻段擴展到±40度；Ku頻段擴展到±25度），候選鄰星的數(shù)量增加到到幾十多顆，操作員要掌握這么多衛(wèi)星的特征信息變得極其困難，更加難以選擇合適的鄰星。

一種鄰星推薦算法采用的決策樹方法［4］。該方法根據(jù)衛(wèi)星干擾源定位原理和衛(wèi)星參數(shù)知識，事先嚴格地定義鄰星選擇的各項規(guī)則，通過信息檢索的方式逐步篩選和縮小鄰星選擇范圍，最后剩下的衛(wèi)星滿足所有的規(guī)則，即為合適的鄰星。圖1表示的是鄰星選擇決策樹。

圖1　鄰星選擇決策樹

然而，鄰星選擇決策樹僅利用了衛(wèi)星參數(shù)的部分知識，無法利用操作者的經(jīng)驗，不足以選擇最合適的鄰星。某些定位因素無法通過顯式的規(guī)則來定義和描述，例如，很難定義導(dǎo)致某些主星-鄰星組合定位產(chǎn)生定位點漂移的因素；很難定義導(dǎo)致有些鄰星對干擾信號的信噪比要求較高的因素。但是，這些影響因素可以通過定位數(shù)據(jù)或操作經(jīng)驗反應(yīng)出來。在實際定位中，有時候即使?jié)M足所有的鄰星選擇規(guī)則也無法完成定位；有時候不滿足某些鄰星選擇條件也能完成定位，使用鄰星選擇決策樹定義的規(guī)則并不具備準確性和完備性。

為了解決鄰星選擇決策樹不具備鄰星推薦的準確性和完備性的問題，采用綜合信息推薦方法［5］，充分利用衛(wèi)星參數(shù)知識和操作者定位經(jīng)驗，為新出現(xiàn)的干擾信號預(yù)測最合適的定位鄰星。在實際的衛(wèi)星干擾信號定位中，操作者的經(jīng)驗往往比定位規(guī)則更能反映出有價值的信息。根據(jù)定位經(jīng)驗，鄰星的選擇傾向于采用過去對該主星信號定位時經(jīng)常能成功定位的那些衛(wèi)星。若有多顆鄰星可以使用，我們往往會選擇那些使得可用參考源多、定位結(jié)果的精度高和穩(wěn)定性強的鄰星。

為了反映鄰星選擇對定位結(jié)果的影響，需要量化評估定位結(jié)果，建立定位性能評分表，如表2所示，將定位結(jié)果表現(xiàn)分為6檔。

表2　定位性能評分表

每完成一次定位任務(wù)，操作者對該次定位結(jié)果做一次評分，并記錄到定位系統(tǒng)中。在做了多次定位任務(wù)之后，可以得到該主星上不同頻段所對應(yīng)的鄰星評分表（初始值），如表3所示，在實際定位中選擇鄰星時，往往并不是嘗試了所有潛在鄰星，對于沒有選擇的鄰星在表3中用？表示。

為了充分的評估鄰星選擇對定位結(jié)果性能的影響，我們需要得到完整的鄰星評分表，這要求對未選擇定位的鄰星表現(xiàn)評分進行預(yù)測，即預(yù)測表3中的？數(shù)值。根據(jù)經(jīng)驗，如果兩個鄰星的參數(shù)特征之間具有較高的相似性，則其定位表現(xiàn)基本一致。因此，如果確定了鄰星之間的相似性，就可以通過已知鄰星的評分來預(yù)測未知鄰星的評分。在機器學習中，相似性計算的常用方法有以下兩種［6］：

表3　鄰星評分表（初始值）

（1）基于內(nèi)容的相似性。根據(jù)影響定位結(jié)果表現(xiàn)的衛(wèi)星特征參數(shù)，如衛(wèi)星位置、極化方式、覆蓋范圍、頻譜分配、衛(wèi)星傾角等，歸納出衛(wèi)星的特征向量x，然后計算衛(wèi)星特征向量x（衛(wèi)星1）到x（衛(wèi)星2）…x（衛(wèi)星n） n≥2之間的距離，選擇距離最近的k個衛(wèi)星，則使用這k個衛(wèi)星作為鄰星的定位表現(xiàn)相近，可用k個已知衛(wèi)星的評分的平均值來預(yù)測剩余的那個未知衛(wèi)星的評分。

（2）基于聯(lián)合過濾的相似性。假設(shè)某顆主星上的干擾信號使用鄰星A定位成功時，使用鄰星B也常常能定位成功，則說明鄰星A和鄰星B具有相似性，可以用鄰星A的評分表現(xiàn)來預(yù)測鄰星B上針對某個信號的評分。

相似性計算是機器學習的過程，積累的衛(wèi)星特征參數(shù)越多，定位操作的次數(shù)越多，通過相似性對未知鄰星定位性能預(yù)測結(jié)果越準確。經(jīng)過相似性計算后得到學習的鄰星評分表，如表4所示，用評分值代替了其中的？，并新增加了全局評分，表示為每顆鄰星定位結(jié)果的累加值。

表4　鄰星評分表（學習值）

對于不同的主星，分別計算其對應(yīng)鄰星的全局評分，則可以得到所有衛(wèi)星選擇鄰星的定位結(jié)果表現(xiàn)的全局矩陣，如表5所示。

表5　衛(wèi)星評分矩陣

在為干擾信號推薦鄰星時，使用衛(wèi)星評分矩陣，按照評分排名選擇分值最大的k個鄰星推薦為該干擾所在主星的最佳鄰星。例如：在表5的示例中，主星1推薦鄰星2和鄰星4；主星2推薦鄰星4和鄰星5.衛(wèi)星評分矩陣綜合利用了衛(wèi)星參數(shù)特征和操作者的經(jīng)驗，反映出實際的選擇鄰星對定位結(jié)果的影響，隨著定位操作次數(shù)的增多，衛(wèi)星評分矩陣動態(tài)調(diào)整趨向于更優(yōu)化的推薦。

4　結(jié)束語

基于機器學習的衛(wèi)星干擾源定位系統(tǒng)綜合利用各種信息，包括衛(wèi)星知識、定位規(guī)則、定位操作者的經(jīng)驗和歷史定位數(shù)據(jù)等，對定位系統(tǒng)的各種相關(guān)參數(shù)不斷的做出調(diào)整和更新，隨著定位次數(shù)的積累，定位性能不斷的加強，從而實現(xiàn)快速穩(wěn)定的發(fā)現(xiàn)干擾、提高定位成功率、減少定位時間、增加定位精度等系統(tǒng)優(yōu)化。通過機器學習訓練出性能良好的定位模型需要大量的定位數(shù)據(jù)積累，數(shù)據(jù)量的不足是該應(yīng)用的主要限制因素，這也是目前機器學習在某些應(yīng)用中面臨的挑戰(zhàn)。

［1］周志華.機器學習［M］.北京：清華大學出版社，2016

［2］David Haworth， Nigel Smith， Riccardo Bardelli， et al. Interference localization for EUTELSAT satellites-the first European transmitter location system［J］. International Journal of Satellite Communications， 1997， 15（3）: 155-183.

［3］郝才勇，劉恒.采用空間稀疏性的單星無源定位方法［J］.電信科學，2016（4）

［4］楊善林，倪志偉.機器學習與智能決策支持系統(tǒng)［M］.科學出版社，2006

［5］Alpaydin， Ethem. Introduction to machine learning［M］. MIT press， 2014.

［6］Mcfee B， Lanckriet G. Learning Multi-modal Similarity［J］. Journal of Machine Learning Research， 2011: 491-523.

Satellite Interference Geolocation System Based on Machine Learning

Hao Caiyong， Qian Ningtie
（Shenzhen Station of State Radio Monitoring Center， Shenzhen， 518120）

To address the problem of low automation level in satellite interference geolocation system，geolocation quality depends on the operator's experience， and the difficult of system performanceoptimization，proposed satellite interference geolocation system based on machine learning. Leverages the parameters adjustment in geolocation procedure and the quality indicators of location result to train geolocation system， learn geolocation rules and potential patterns from the location data. Then the system achieves better prediction and decision-making capacity for the new geolocation tasks， and improves the automation degree and geolocation quality.

satellite interference； geolocation； machine leaning； adjacent satelliterecommendation

10.3969/J.ISSN.1672-7274.2016.10.015

TN927文獻標示碼：A

1672-7274（2016）10-0052-04

郝才勇，男，1985年生，碩士，國家無線電監(jiān)測中心深圳監(jiān)測站工程師，主要研究衛(wèi)星定位與無線電監(jiān)測。錢寧鐵，男，1970年生，碩士，國家無線電監(jiān)測中心深圳監(jiān)測站副站長，主要研究無線電監(jiān)測與管理。