در این مقاله ، ما یک روش مبتنی بر یادگیری ماشین را پیشنهاد می کنیم تا به طور خودکار ناهنجاری نوسان ساز ماهواره را تشخیص دهیم. یک چالش مهم تمایز یک ناهنجاری نوسان ساز از scintillation ionospheric است. اگرچه هر دو ناهنجاری و ناهنجاری های نوسان ساز باعث اختلال در فاز می شوند ، فیزیک اساسی آنها متفاوت است و بنابراین ، وابستگی فرکانس حامل مختلف را نشان می دهد. با استفاده از سیگنال های فرکانس سه گانه ، ویژگی های متمایز از سیگنال های آشفته استخراج می شوند و برای شناسایی ناهنجاری نوسان ساز ، طبقه بندی کننده دستگاه وکتور پشتیبانی (RBF) (SVM) طبقه بندی شده (RBF). نتایج نشان می دهد که RBF SVM پیشنهادی عملکرد برتر را نشان می دهد و از چندین روش طبقه بندی دیگر بهتر است. روش پیشنهادی برای انجام تشخیص ناهنجاری نوسان ساز ماهواره ای به یک پایگاه داده گسترده GNSS اعمال می شود. نتایج تشخیص اولیه اثربخشی روش پیشنهادی را تأیید می کند. به طور متوسط ، رویدادهای ناهنجاری نوسان ساز ماهواره ای یک به سه در هر مکان گیرنده روزانه تشخیص داده می شوند.
1. مقدمه
سیستم های ماهواره ای ناوبری جهانی (GNSS) نقش مهمی در زندگی روزمره ایفا کرده اند و کیفیت سیگنال قابل اعتماد پایه و اساس بسیاری از برنامه های مهم است (Fernholz ، 2018). بنابراین ، نظارت بر کیفیت سیگنال یک کار مهم برای تصحیح و هشدار به موقع به کاربران GNSS است (وزارت دفاع ایالات متحده ، 1993). جنبه های مختلف سیگنال ، از جمله قدرت سیگنال ، همبستگی متقابل ، ناهنجاری فاز حامل ، شتاب بیش از حد ، تغییر شکل سیگنال و غیره (هیوستون ، لیو ، و برنر ، 2001 ؛ پانل سیستم های ناوبری [NSP] ، 2016 ؛ RTCA DO-253D ،2017 ؛ ایالات متحده ، 2009) ، برای اطمینان از سطح تضمین شده عملکرد ، باید کنترل شود. در میان پارامترهای مختلف سیگنال ، ناهنجاری فاز حامل می تواند منجر به ناپیوستگی خدمات ، از دست دادن پوشش خدمات تصحیح یا حتی قطع خدمات ، به ویژه برای برنامه های با دقت بالا/یکپارچگی شود (Vary ، 2012). ناهنجاری اسیلاتور ماهواره ای یکی از دلایل اختلالات فاز حامل است و تمام کاربرانی را که به یکپارچگی سیگنال آن متکی هستند ، تأثیر می گذارد (ویس ، شومه ، و ریش ، 2006). بنابراین ، نظارت بر آن و پخش هشدارهای مربوط به ناهنجاری های احتمالی مهم است.
ناهنجاری اسیلاتور ماهواره ای در چندین مطالعه گذشته مشاهده شده است (به عنوان مثال ، بنتون و میچل ، 2012 ، 2014). در بنتون و میچل (2012) ، یک سیگنال GPS L1 از PRN 13 مشاهده شد که دارای پالس تغییرات فاز سریع ناشی از ناهنجاری نوسان ساز ماهواره است. در بنتون و میچل (2014) ، وقایع ناهنجاری نوسان ساز ماهواره ای از یک ماهواره IIF بلوک مدرن مشاهده شد (PRN 1). با این حال ، این وقایع ناهنجاری نوسان ساز ماهواره با بازرسی های بصری اندازه گیری های فاز حامل مشاهده شد. این بدیهی است که برای یک سیستم نظارت بر ناهنجاری نوسان ساز ماهواره ای جهانی غیر عملی است. علاوه بر این ، یک ناهنجاری نوسان ساز معمولاً برای سختگیرترین نیازهای خدمات مهم ایمنی مانند ناوبری هواپیما باید به موقع هشدار داده شود (Vioarsson ، Pullen ، Green ، & Enge ، 2001 ؛ Weiss ، Shome و Beard ، 2010)وادراه حل های اپراتور ماهواره ای مبتنی بر این مشکل در هشدار کاربران از ناهنجاری به موقع مشکل دارند. بنابراین ، تشخیص خودکار مورد نظر است.
در هائو ، چو و هائو (2012) ، نویسندگان پیشنهاد کردند که از اپراتور انرژی Teaper برای تشخیص تغییرات ناگهانی ناشی از ناهنجاری های نوسان ساز استفاده کنند. این روش فرض می کند که با استفاده از اندازه گیری های فرکانس دوگانه یا مدل Klobuchar ، اثر یونوسفر را می توان از بین برد. با این حال ، این فرضیات معتبر نیستند. ترکیب فرکانس دو فرکانس عاری از یونوسفر فقط می تواند اثر انکسار یونوسفر مرتبه اول را از بین ببرد (McCaffrey & Jayachandran ، 2017). پوسته پوسته شدن یونوسفر به طور معمول به دلیل ترکیبی از انکسار و پراکندگی یا پراش انتشار سیگنال از طریق ساختارهای پلاسما است. سهم پراکنده باعث ایجاد اختلال اضافی می شود و با اندازه گیری های فرکانس دوگانه یا مدل های یوسفری قابل حذف نیست (Carrano ، Groves ، McNeil ، & Doherty ، 2013 ؛ McCaffrey & Jayachandran ، 2019 ؛ Morton et al. ، 2020). بنابراین ، این رویکرد مؤثر نخواهد بود. حتی در صورت عدم وجود پوسته پوسته شدن یونوسفر ، رویکرد متفاوت فرکانس دوگانه نمی تواند ناهنجاری های نوسان ساز ماهواره را از ناهنجاری های نوسان ساز گیرنده متمایز کند. برای پرداختن به این موضوعات ، نویسندگان در (رامش ، اوگازیو ، و ون گراس ، 2017) با استفاده از دو گیرنده در این نزدیکی برای تشخیص ناهنجاری نوسان ساز ماهواره پیشنهاد کردند. فاصله بین دو گیرنده باید به اندازه کافی نزدیک باشد تا نمای مشترکی از همان ماهواره در آسمان داشته باشد ، اما به اندازه کافی برای اطمینان از اینکه خطاهای زیست محیطی دفع شده است. یک ناهنجاری اسیلاتور ماهواره ای هنگامی که هر دو گیرنده یک ناهنجاری یکسان را مشاهده می کنند ، مشخص می شود. کاستی اصلی این رویکرد این است که نیاز به دو گیرنده ، استقرار در سیستم های نظارتی موجود را دشوار می کند و هرگونه به روزرسانی این سیستم موجود پرهزینه خواهد بود.
در این مقاله ، ما یک روش مبتنی بر یادگیری ماشین را برای تشخیص ناهنجاری های نوسانگر ماهواره ای با استفاده از اندازه گیری های فرکانس سه گانه از یک گیرنده واحد پیشنهاد می کنیم. این شامل یک فرآیند سه مرحله ای است. اول ، وقایع آشفتگی فاز با استفاده از الگوریتم یادگیری ماشین مبتنی بر دستگاه پشتیبانی خطی (SVM) که در Jiao ، Hall و Morton (2017) ارائه شده است. بخش های اندازه گیری فاز فرکانس سه گانه بر اساس خروجی های تشخیص خطی SVM مشخص می شوند. سپس ، ویژگی ها از سیگنال های فرکانس سه گانه استخراج می شوند و به یک عملکرد پایه شعاعی (RBF) SVM اعمال می شوند تا بین اسکینتلاسیون یونوسفر و ناهنجاری نوسان ساز تفاوت قائل شوند. سرانجام ، اگر ناهنجاری نوسان ساز تشخیص داده شده در اندازه گیری از ماهواره های متعدد ارائه شود ، ناهنجاری به عنوان ناهنجاری نوسان ساز گیرنده طبقه بندی می شود. در غیر این صورت ، آن را به عنوان ناهنجاری نوسان ساز ماهواره طبقه بندی می کند.
بقیه مقاله به شرح زیر سازماندهی شده است: بخش 2 مفاهیم خطی و RBF SVM مبتنی بر ماشین را معرفی می کند ، و به دنبال آن روش تشخیص ناهنجاری نوسان ساز ماهواره ای در بخش 3. عملکرد عملکرد تشخیص ناهنجاری نوسان ساز را ارزیابی می کند. نتایج تشخیص اولیه در بخش 5 ارائه شده است. سرانجام ، نتیجه گیری و کار در آینده در بخش 6 ارائه شده است. توجه داشته باشید که ما از اصطلاحات scintillation و فاز به طور متناوب در این مقاله استفاده می کنیم ، جایی که هر دو اصطلاح به scintillation فاز حامل اشاره دارند.
2 دستگاه بردار پشتیبانی
SVM یک الگوریتم یادگیری تحت نظارت است که به مشکلات طبقه بندی می پردازد (اسقف ، 2006 ؛ Cortes & Vapnik ، 1995 ؛ Jiao et al. ، 2017). شناخته شده است که یکی از بهترین الگوریتم ها برای حل وظایف طبقه بندی است که به صورت خطی از هم جدا نیستند. فرض کنید که ما یک مجموعه داده آموزشی با نمونه های M D = داریم<( x (1) , y (1) ), ( x (2) , y (2) ), …, ( x ( m ) , y ( m ) )>، جایی که x (i) ∈ ℝ n ، i = 1 ،… ، m نشان دهنده بردار ویژگی و y (i) ∈ ℝ ، i = 1 ،… ، m برچسب مربوطه است. شکل اولیه عملکرد هدف SVM است
جایی که ω ∈ ℝ n و b ∈ in به ترتیب وزن و تعصب هستند. ξمن∈ ℝ ، i = 1 ،… ، m متغیرهای شلخته برای هر نمونه در مجموعه داده های آموزش هستند ، و C یکپرپارامتر است که اهمیت اصطلاح دوم را در عملکرد هدف تعیین می کند. مقدار Hyperparameter قبل از شروع روند آموزش تعیین شده است. معمولاً هاپرپارامتر بهینه را می توان با اعتبارسنجی متقابل بدست آورد (اسقف ، 2006). به طور کلی ، هدف از آموزش یک طبقه بندی کننده SVM ، یافتن یکپرپلن است که مسافت را به نزدیکترین نقاط نمونه در هر برچسب حداکثر می کند (اصطلاح اول در معادله (1)) و فاصله نمونه های نادرست را به حداقل می رساند (اصطلاح دوم در معادله (1)) (اسقف ، 2006). با حل این تابع هدف ، متغیرهای بهینه ω ∗ ، b ∗ ، ، i = 1 ،… ، m را می توان بدست آورد. برای تصمیم گیری در مورد نمونه غیب با ویژگی های X ′ ، می توانیم عملکرد تصمیم را اجرا کنیم
یک برچسب مثبت در زمان و برعکس اختصاص داده می شود.
عملکرد تصمیم در معادله (2) خطی است و بنابراین ، اگر مشکل به صورت خطی از هم جدا نباشد ، ممکن است رفتار ضعیفی داشته باشد. برای غلبه بر این ، از خاصیت محدب SVM برای تبدیل شکل اولیه عملکرد هدف (معادله (1)) به یک شکل دوگانه معادل استفاده می شود:
که در آن ⟨⋅ ، ⋅⟩ محصول داخلی و α ∈ ℝ m است.
به عنوان خاصیت محدب ، فرم اولیه و فرم دوگانه معادل است و راه حل یک فرم را می توان از راه حل دیگری بدست آورد (Boyd & Vandenberghe ، 2004). در نتیجه ، ما می توانیم عملکرد تصمیم را از طریق معادله (3) به جای معادله (1) پیدا کنیم. این یک عملکرد تصمیم معادل را به ما می دهد
جایی که تعصب B را می توان از α بدست آورد (جزئیات را می توان در اسقف ، 2006 یافت). این عملکرد تصمیم گیری معادل معادله (2) است زیرا شرایط Karush-Kuhn-Tucker (Boyd & Vandenberghe ، 2004) نشان می دهد که با این عملکرد تصمیم گیری معادل ، یک ترفند هسته را می توان با جایگزینی محصول داخلی با یک محصول دوگانه پخش کردعملیات هسته:
جایی که φ (⋅) یک تابع نقشه برداری ویژگی است. به عنوان مثال ، عملکرد اصلی تصمیم گیری از یک تابع نقشه برداری ویژگی خطی φ (x) = x استفاده می کند.
معرفی ترفند هسته در محصول داخلی ویژگی های اصلی را بر روی فضای ویژگی های بعدی بالاتر نقشه می کند. این نقشه برداری به طور بالقوه می تواند یک مشکل غیر خطی جداگانه را به یک مشکل قابل جدا شدن خطی تبدیل کند. بگذارید فرض کنیم که ما در یک فضای ویژگی 2D همانطور که در شکل 1A نشان داده شده است ، یک مشکل غیر خطی از هم جدا داریم. هر نقطه/دایره یک نمونه داده را نشان می دهد و رنگ نمونه نشان دهنده برچسب آن است. در فضای ویژگی ، هر نمونه توسط یک بردار ویژگی x = (x) نشان داده شده است1، ایکس2) 2 ℝ 2. واضح است که این یک مشکل غیر خطی است زیرا پیدا کردن یک خط مستقیم برای جدا کردن این دو کلاس غیرممکن است. یک هسته چند جمله ای را می توان با استفاده از یک تابع نقشه برداری ویژگی φ (x) = (x) استفاده کرد1، ایکس2، ایکس1ایکس2) برای نقشه برداری هر نمونه به یک فضای سه بعدی همانطور که در شکل 1B نشان داده شده است. در این فضای ویژگی سه بعدی ، مشکل به صورت خطی قابل جدا شدن است ، که توسط هایپرپلن خاکستری نشان داده شده است.
تصویری از ترفند هسته. داده ها به صورت خطی در فضای ویژگی های دو بعدی اصلی (سمت چپ) قابل جداسازی نیستند، اما در فضای سه بعدی نقشه برداری شده (راست) به صورت خطی قابل جداسازی هستند.
در عمل، طراحی یک هسته چند جمله ای بهینه برای یک کار خاص ساده نیست. برای مقابله با مشکل غیرخطی قابل تفکیک، یک هسته رایج مورد استفاده، هسته RBF است:
که γ یک فراپارامتر و ‖⋅‖ هنجار اقلیدسی است. در تئوری، این هسته فضای ویژگی اصلی را با ابعاد محدود به فضای ویژگی با ابعاد بی نهایت نگاشت می کند. این به SVM توانایی طبقه‌بندی نمونه‌ها را در فضای ویژگی‌های ابعادی نامتناهی می‌دهد، که جداسازی بهتری را بین کلاس‌ها ارائه می‌دهد. بنابراین، یک هسته RBF می تواند برای بهبود عملکرد طبقه بندی استفاده شود. در بخش بعدی نشان خواهیم داد که تشخیص ناهنجاری اسیلاتور یک مسئله غیرخطی قابل تفکیک است. از این رو، هسته RBF را می توان اعمال کرد.
3 تشخیص ناهنجاری اسسیلاتور ماهواره ای
برای شناسایی یک رویداد ناهنجاری اسیلاتور ماهواره ای، سه مرحله درگیر است. ابتدا یک SVM خطی (SVM #1) برای تشخیص اختلالات فاز پیاده سازی می شود. دوم، یک RFB SVM (SVM #2) به اختلالات فاز شناسایی شده برای شناسایی یک ناهنجاری نوسانگر اعمال می شود. در نهایت، تمایز بین ناهنجاری نوسانگر ماهواره و ناهنجاری نوسانگر گیرنده انجام شده است. یک بلوک دیاگرام در شکل 2 نشان داده شده است تا فرآیند را نشان دهد.
بلوک دیاگرام تشخیص ناهنجاری اسیلاتور ماهواره ای
3. 1 مرحله 1: تشخیص اختلال فاز
هدف این مرحله اول شناسایی رویدادهای اختلال فاز در اندازه‌گیری‌های فاز است. برای انجام این کار، SVM #1 با استفاده از ویژگی های حوزه فرکانس سیگنال L1 استفاده می شود. خوانندگان به Jiao و همکاران ارجاع داده می شوند.(2017) برای توصیف کامل و تجزیه و تحلیل عملکرد تشخیص اختلال فاز. توجه داشته باشید که داده های اندازه گیری فاز به پنجره های سه دقیقه ای تقسیم می شوند تا اطمینان حاصل شود که نمونه های کافی برای ثبت نوسان فاز وجود دارد. بنابراین، هر رویداد اختلال فاز شناسایی شده نیز سه دقیقه طول می کشد. بازرسی‌های بصری بعدی، مدت زمان اختلال واقعی را از مجموعه رویدادهای طولانی سه دقیقه‌ای شناسایی می‌کند.
3. 2 مرحله 2: تشخیص ناهنجاری اسیلاتور
از آنجایی که هم ناهنجاری نوسانگر و هم سوسوزن یونوسفر باعث ایجاد اختلال در فاز می شوند، تشخیص اختلال فاز در مرحله اول هر دو نوع رویداد را ثبت می کند. مرحله دوم با هدف تمایز ناهنجاری های نوسانگر از رویدادهای سوسوزن یونوسفر است. ابتدا با استفاده از مهندسی ویژگی برای به دست آوردن ویژگی های مناسب برای الگوریتم یادگیری ماشین، به هدف دست می یابد. سپس، یک SVM مبتنی بر RFB به عنوان طبقه‌بندی کننده استفاده می‌شود.
3. 2. 1 مهندسی ویژگی
مهندسی ویژگی فرآیند استفاده از دانش دامنه از داده ها برای ایجاد ویژگی هایی است که باعث می شود الگوریتم های یادگیری ماشین امکان پذیر باشد. در اینجا ، ویژگی هایی که منعکس کننده تفاوت بین ناهنجاری نوسان ساز و پوسته پوسته شدن هستند مورد نظر هستند. اگرچه هر دو نوع رویداد باعث اختلال در فاز می شوند ، اما فیزیک اساسی آنها متفاوت است. انحراف فاز ناشی از ناهنجاری نوسان ساز متناسب با فرکانس حامل است ، در حالی که اسکینتلاسیون یونوسفر نتیجه اثرات انکسار و پراکندگی ترکیبی است زیرا سیگنال از طریق بی نظمی های پلاسما یونوسفر پخش می شود (کارانو و همکاران ، 2013). میزان قیچی فاز یونوسفر تقریباً معکوس با فرکانس حامل برای حوادث اسکینتیلاسیون ضعیف و متوسط متناسب است (سهم پراکنده در قیچی قوی حاکم است و بنابراین رابطه نسبت معکوس را می شکند) (مک کافری و جیچندران ، 2019). این خصوصیات مختلف اختلالات فاز در فرکانس های حامل مختلف می تواند به عنوان ویژگی هایی برای تمایز دو نوع رویداد مورد استفاده قرار گیرد.
هنگامی که سیگنال های فرکانس سه گانه در دسترس هستند ، می توان نسبت انحراف فاز بین باندهای مختلف سیگنال را به عنوان ویژگی های مجزا بدست آورد. به عنوان مثال ، یک نقشه پراکنده از انحراف فاز L1 در مقابل L2 در همان زمان در شکل 3 نشان داده شده است. در این کار ، L2 سیگنال L2C را نشان می دهد. انحراف فاز ناشی از ناهنجاری نوسان ساز متناسب با فرکانس است ، همانطور که توسط خط سیاه با شیب 0. 7792 نشان داده شده است. انحراف فاز ناشی از اسکینتیلاسیون یونوسفر تقریباً معکوس متناسب با فرکانس است ، بنابراین باید خط قرمز را دنبال کند که شیب آن 1. 2833 است. بنابراین ، این شیب (یا نسبت) می تواند به عنوان یک ویژگی برای تمایز بین ناهنجاری نوسان ساز و پوسته پوسته شدن استفاده شود. در اینجا ، فرض می کنیم که گیرنده هر باند فرکانس را به طور مستقل ردیابی می کند. اگر ردیابی به کمک L1 در L2 و L5 اعمال شود ، تغییرات اضافی در انحراف فاز L2 و L5 ممکن است برای مبهم کردن پویایی ناهنجاری یا ناهنجاری نوسان ساز معرفی شود ، و بنابراین ممکن است وابستگی فرکانس را بشکند (مک کافری ، جیاچندران ، لانگلی ، و Sleewaegen ،2018). برای محاسبه نسبت ، ما انحراف فاز دو فرکانس را با زمان مربوطه مانند شکل 3 قرار می دهیم و یک تناسب خطی را انجام می دهیم. شیب خط نصب شده به عنوان نسبت بدست می آید.
ScatterPlot از انحراف فاز L1 در مقابل L2 ؛نمونه ای از ناهنجاری نوسان ساز به عنوان حلقه های سیاه نشان داده شده است. نسبت انحراف فاز برای یک رویداد ناهنجاری نوسان ساز (خط سیاه) است. نمونه ای از scintillation به عنوان صلیب سرخ نشان داده شده است. نسبت انحراف فاز برای یک رویداد scintillation تقریباً (خط قرمز) است
برای استفاده کامل از تنوع فرکانس ، از سه نسبت به عنوان ویژگی استفاده می شود: L1 در مقابل L2 ، L1 در مقابل L5 و L2 در مقابل L5. در این مقاله ، سه مجموعه ویژگی ارائه شده است. ما همچنین می توانیم از اندازه گیری فرکانس دوگانه برای دستیابی به هدف استفاده کنیم. ما انتظار داریم عملکردهای زیر بهینه از اندازه گیری های فرکانس دوگانه به دلیل کاهش مشاهده آنها در مقایسه با اندازه گیری فرکانس سه گانه. در این مطالعه ، از داده های اندازه گیری فاز حامل با سرعت بالا در 100 هرتز برای آموزش و آزمایش الگوریتم ها استفاده می شود. یک ارزیابی جامع عملکرد با استفاده از اندازه گیری های فرکانس دوگانه و سه گانه و همچنین داده های نرخ پایین تر موضوع یک پروژه در حال انجام است و نتایج در مقاله بعدی ارائه می شود.
مجموعه ویژگی های شماره 1: هر سه نسبت سیگنال های فرکانس سه گانه به طور مستقیم به عنوان ویژگی ها استفاده می شوند.
مجموعه ویژگی های شماره 2: محاسبه مستقیم نسبت ها ممکن است تحت تأثیر حضور نویز باشد. اگرچه هر رویداد سه دقیقه طول دارد ، اما رویداد واقعی فقط برای ده ثانیه حضور دارد. زمان باقی مانده فقط حاوی نویز است که از رابطه وابستگی فرکانس پیروی نمی کند. یک مثال در شکل 4 نشان داده شده است. برای کاهش این تأثیر نویز ، انحراف فاز زیر یک آستانه خاص نویز در نظر گرفته می شود و از محاسبه نسبت خارج می شود. در این مجموعه ویژگی ، از آستانه برش 0. 05 چرخه استفاده می شود. آستانه برش را می توان برای هر دو باند فرکانس اعمال کرد. به عنوان مثال ، ما می توانیم هنگام محاسبه نسبت بین L1 و L2 ، آستانه L1 یا L2 را اعمال کنیم. برای استفاده کامل از تمام اطلاعات ، ما آستانه را در هر دو باند فرکانس اعمال کردیم ، در نتیجه شش نسبت: L1 vs L2 با آستانه L1 ، L1 vs L2 با آستانه L2 ، L1 vs L5 با آستانه L1 ، L1 vs L5با آستانه L5 ، L2 vs L5 با آستانه L2 و L2 vs L5 با آستانه L5.
تصویر انحراف فاز یک رویداد ناهنجاری نوسان ساز. ناهنجاری نوسان ساز فقط برای 10 ثانیه ظاهر می شود. بقیه فقط حاوی سر و صدا هستند
مجموعه ویژگی های شماره 3: مشابه مجموعه ویژگی شماره 2 ، از آستانه برش پایین تر 0. 02 چرخه برای محاسبه نسبت استفاده می شود.
3. 2. 2 دستگاه بردار پشتیبانی شماره 2
از ویژگی های فوق به عنوان ورودی SVM #2 برای تشخیص ناهنجاری نوسان ساز استفاده می شود. در حالت ایده آل ، این ویژگی ها به صورت خطی از هم جدا هستند زیرا اختلاف قابل توجهی بین نسبت این دو رویداد وجود دارد. به عنوان مثال ، شکل 5 مکان های پوسته پوسته شدن ایده آل (الماس سیاه) و ناهنجاری نوسان ساز (ستاره سیاه) را در یک فضای ویژگی 2D نشان می دهد. در اینجا ، فقط دو ویژگی از شش به منظور تصویر نشان داده شده است. اگر نمونه های واقعی در اطراف مکان های ایده آل مربوطه خوشه بندی شوند ، بسیار ساده است که یکپرپلن را برای جدا کردن این دو کلاس جدا کنید. با این حال ، در واقعیت ، وقایع شستشو ممکن است از رابطه نسبت معکوس پیروی نکند. نویز در سیگنال و اثرات به دلیل سایر فرآیندهای و منابع خطا تصادفی را معرفی می کند و منجر به انحراف اندازه گیری از رابطه می شود. علاوه بر این ، اسکیتلاسیون قوی ممکن است منجر به از بین رفتن قفل و لغزش چرخه حامل و انحراف فاز غیر جسمی در اندازه گیری های فاز شود. این انحرافات مشکل تشخیص را چالش برانگیزتر می کند. از شکل 5 مشخص است که حوادث Scintillation نه تنها در سمت راست بالایی ناهنجاری نوسان ساز قرار دارد بلکه تا سمت چپ پایین نیز گسترش می یابد. این باعث می شود طبقه بندی یک مشکل غیر خطی باشد. حتی با داشتن یک فضای ویژگی 6D (به جای 2D) ، هنوز هم یک مشکل غیر خطی است. به همین دلیل است که ما برای مقابله با این مشکل غیر خطی جداگانه نیاز به استفاده از هسته RBF در SVM #2 داریم.
تظاهرات SCINTILLATION و ناهنجاری نوسان ساز در فضای ویژگی. در اینجا ، آستانه = 0. 02 برای محاسبه نسبت استفاده می شود. برای اهداف تصویر ، دو نسبت در اینجا ارائه شده است (L1 vs L5 با آستانه L1 و L1 vs L5 با آستانه L1). مکان های ایده آل از Scintillation و ناهنجاری نوسان ساز در فضای ویژگی به ترتیب به عنوان یک الماس سیاه و ستاره سیاه نشان داده شده است. نمونه هایی از مکان های آنومالی واقعی و نوسان ساز به ترتیب به عنوان دایره های آبی و نارنجی نشان داده شده است
3. 3 مرحله 3: تشخیص ناهنجاری نوسان ساز ماهواره
ناهنجاری نوسان ساز از طریق الگوریتم مرحله 2 می تواند به دلیل ناهنجاری های نوسان ساز ماهواره یا گیرنده باشد. این مرحله سوم با هدف تمایز ناهنجاری نوسان ساز ماهواره ای از ناهنجاری نوسان ساز گیرنده. ناهنجاری نوسان ساز گیرنده باید به طور همزمان از نظر اندازه گیری از ماهواره های متعدد نشان دهد ، در حالی که یک ناهنجاری نوسان ساز ماهواره فقط در اندازه گیری های آن ماهواره خاص وجود دارد. در نتیجه ، از اندازه گیری ماهواره های متعدد استفاده می شود. ناهنجاری نوسان ساز گیرنده اگر ماهواره های متعدد همزمان ناهنجاری نوسان ساز را مشاهده کنند ، مشخص می شود. در غیر این صورت ، یک ناهنجاری اسیلاتور ماهواره ای است. البته ، اگر همزمان توسط گیرنده های متعدد مشاهده شود ، می توانیم یک ناهنجاری نوسان ساز ماهواره را تأیید کنیم (رامش و همکاران ، 2017).
4 ارزیابی عملکرد الگوریتم مرحله در تشخیص ناهنجاری نوسان ساز
ارزیابی گسترده عملکرد تشخیص اختلال فاز (مرحله 1) را می توان در Jiao و همکاران یافت.(2017). این دقت 92 ٪ گزارش شده است. تمایز بین ناهنجاری های نوسان ساز ماهواره و گیرنده (مرحله 3) یک فرآیند بی اهمیت است. بنابراین ، ما بر ارزیابی عملکرد تشخیص ناهنجاری نوسان ساز (مرحله 2) در این بخش تمرکز می کنیم.
4. 1 توضیحات داده و روش ارزیابی
در این کار ، ما از اندازه گیری های GPS PRN1 و PRN25 جمع آوری شده در چندین ایستگاه در سراسر جهان (آلاسکا ، جزیره Ascension ، گرینلند ، هنگ کنگ ، پرو ، پورتوریکو ، سنگاپور) استفاده کردیم. این امر به این دلیل است که این دو ماهواره سیگنال های فرکانس سه گانه را پخش می کنند. گیرنده های Septentrio polarx5s برای جمع آوری 100 هرتز به عنوان مشاهدات مستقر می شوند. اندازه گیری های فاز به بلوک های متوالی سه دقیقه ای بدون همپوشانی تقسیم می شوند ، جایی که هر بلوک به عنوان یک رویداد در نظر گرفته می شود (Jiao et al. ، 2017). در کل ، ما 602 رویداد Scintillation و 126 ناهنجاری نوسان ساز را از مجموعه داده تشخیص دادیم. در این مطالعه ، برچسب های رویداد شناسایی شده با بازرسی بصری مشخص می شوند.
برای ارزیابی عملکرد ، 70 ٪ از نمونه ها در مجموعه داده ها به طور تصادفی برای آموزش انتخاب می شوند و بقیه برای آزمایش استفاده می شوند. بهترین هایپرپارامترها از طریق اعتبارسنجی متقابل بدست می آیند (اسقف ، 2006). لازم به ذکر است که تصادفی در انتخاب داده های آموزش/آزمایش نیز تأثیر آن بر عملکرد دارد. برای کاهش این تأثیر ، ده ترتیب مختلف برای آموزش/آزمایش تقسیم داده ها به صورت جداگانه بدست می آید و ارزیابی می شود. میانگین و انحراف استاندارد از دقت در این ده کارآزمایی به عنوان متریک ارزیابی استفاده می شود. معیارهای زیر نیز برای ارزیابی کامل عملکرد بدست می آید:
نرخ مثبت واقعی (TPR). TPR درصد نمونه های مثبت واقعی (ناهنجاری نوسان ساز در مورد ما) را اندازه گیری می کند که به درستی به عنوان مثبت طبقه بندی می شوند. TPR همچنین به عنوان فراخوان شناخته می شود.
نرخ مثبت کاذب (FPR). FPR نسبت نمونه های غیر آنوموالی را که به اشتباه به عنوان یک ناهنجاری طبقه بندی می شوند ، اندازه گیری می کند.
ارزش پیش بینی مثبت (PPV). PPV نسبت نمونه های مثبت پیش بینی شده که نمونه های مثبت واقعی هستند را اندازه گیری می کند. PPV همچنین به عنوان Precision شناخته می شود.
f1نمره. این یک متریک است که TPR (فراخوان) و PPV (دقت) را ترکیب می کند و به عنوان میانگین هارمونیک هر دو اصطلاح تعریف می شود:
f1امتیاز به بهترین ارزش خود در یک و بدترین در صفر می رسد. این تعادل بین فراخوان و دقت را منتقل می کند و معمولاً برای ارزیابی عملکرد مدل با توجه به یک مجموعه داده عدم تعادل ، همانطور که در این مطالعه وجود دارد ، استفاده می شود.
4. 2 ارزیابی عملکرد RBF SVM پیشنهادی
در جدول 1 ، عملکرد تشخیص با استفاده از RBF SVM پیشنهادی (SVM #2) با مجموعه ویژگی های مختلف ارائه شده است. مجموعه ویژگی های شماره 3 بهترین عملکرد را برای همه معیارها نشان می دهد. مجموعه ویژگی های شماره 1 عملکرد کمی بدتر در مقایسه با مجموعه ویژگی شماره 3 دارد زیرا شماره 3 از آستانه قطع معقول برای کاهش تأثیر نویز در محاسبه نسبت استفاده می کند. آستانه برش بزرگتر که توسط مجموعه ویژگی های شماره 2 استفاده می شود ، عملکرد تشخیص را به طرز چشمگیری تخریب می کند. این امر به این دلیل است که یک آستانه برش بزرگ همچنین اطلاعات مفیدی را برای محاسبه نسبت حذف نمی کند.
ارزیابی عملکرد RBF SVM پیشنهادی. از ده شکاف مختلف آموزش/آزمایش استفاده می شود. میانگین و انحراف استاندارد (SD) معیارها نشان داده شده است. TPR نشان دهنده نرخ مثبت واقعی است. FPR نشان دهنده نرخ مثبت کاذب است. PPV ارزش پیش بینی مثبت را نشان می دهد
برای مجموعه ویژگی شماره 3 ، میانگین دقت تشخیص 98. 4 ٪ بدست می آید. انحراف استاندارد مربوطه 0. 5 ٪ است ، نشان می دهد که عملکرد الگوریتم تحت شکاف های مختلف آموزش/آزمایش بسیار پایدار است. این همچنین تأیید می کند که مجموعه داده به اندازه کافی بزرگ است تا عملکردی قوی ارائه دهد. TPR 93. 8 ٪ است ، که نشان می دهد احتمال تشخیص از دست رفته ناهنجاری ساعت 6. 2 ٪ است. FPR 0. 7 ٪ است ، که احتمال بسیار کم هشدار کاذب را نشان می دهد. PPV 97. 1 ٪ است ، نشان می دهد که 2. 9 ٪ ناهنجاری های ساعت شناسایی شده در واقع حوادث اسکیت هستند. سرانجام ، f1نمره 95. 3 ٪ است و عملکرد طبقه بندی خوبی را در این مجموعه داده نامتعادل نشان می دهد.
4. 3 مقایسه عملکرد
RBF SVM پیشنهادی همچنین با روش آستانه ، SVM خطی ، رأی آستانه و رگرسیون لجستیک مقایسه شده است. خلاصه ای از این چهار روش در زیر ذکر شده است:
روش آستانه: این روش از نسبت انحراف فاز بین L1 و L2 با آستانه L1 به عنوان تنها ویژگی استفاده می کند. آستانه ای به گونه ای تنظیم شده است که هر رویدادی با نسبت بالاتر از آستانه به عنوان scintillation و برعکس مشخص می شود. در مرحله آموزش ، از یک الگوریتم جستجوی بی رحمانه برای یافتن آستانه بهینه استفاده می شود. در اینجا ، آستانه بهینه همان عملکردی است که بهترین عملکرد را در مجموعه داده های آموزش ارائه می دهد. پس از آن ، داده های موجود در مجموعه داده های تست بر اساس این آستانه بهینه طبقه بندی می شوند. توجه داشته باشید که فقط نسبت بین L1 و L2 در مجموعه ویژگی های پیشنهادی استفاده می شود.
SVM خطی: این روش از یک هسته خطی برای SVM استفاده می کند. مرز تصمیم گیری آن خطی است.
رأی گیری آستانه: روش آستانه در 1) فقط آستانه را روی یک نسبت واحد اعمال می کند. رأی گیری آستانه آستانه را در هر شش نسبت اعمال می کند ، که در آن شش طبقه بندی مستقل با استفاده از روش آستانه بر روی هر نسبت انجام می شود. تصمیم نهایی با رای گیری اکثریت گرفته می شود. کراوات به طور تصادفی شکسته می شود.
رگرسیون لجستیک: این روش از یک عملکرد لجستیک برای انجام کارهای طبقه بندی باینری استفاده می کند. مرز تصمیم نیز خطی است.
همانطور که در جدول 2 نشان داده شده است ، روش آستانه به طور کلی بدترین عملکرد را انجام می دهد. این امر به این دلیل است که روش آستانه فقط از اطلاعات یک نسبت واحد استفاده می کند و از این رو نتوانسته از تنوع نسبت بهره مند شود. بر اساس متریک دقت ، SVM خطی ، رأی گیری آستانه و رگرسیون لجستیک به همان اندازه عملکرد خوبی دارد. با این حال ، رگرسیون لجستیک کمترین احتمال تشخیص از دست رفته ناهنجاری ساعت (بالاترین TPR) و به دنبال آن SVM خطی است. رأی گیری آستانه بدترین عملکرد را در تشخیص از دست رفته ناهنجاری ساعت دارد. در عوض ، بهترین FPR (1. 8 ٪) و PPV (90. 3 ٪) دارد. این مشاهدات نشان می دهد که رأی گیری آستانه تعداد کمتری از مثبت کاذب (رویدادهای scintillation که به اشتباه به عنوان ناهنجاری ساعت طبقه بندی می شوند) با توجه به همان تعداد نمونه هایی که طبقه بندی می شوند. اگر نرخ زنگ خطر کاذب پایین تر مورد نظر باشد ، رأی گیری آستانه ارجح است.
مقایسه عملکرد بین RBF SVM پیشنهادی ، SVM خطی ، روش آستانه ، رأی گیری آستانه و رگرسیون لجستیک. از ده شکاف مختلف آموزش/آزمایش استفاده می شود. میانگین و انحراف استاندارد (SD) معیارها نشان داده شده است. TPR نشان دهنده نرخ مثبت واقعی است. FPR نشان دهنده نرخ مثبت کاذب است. PPV ارزش پیش بینی مثبت را نشان می دهد
سرانجام ، روش پیشنهادی SVM مبتنی بر RBF با مجموعه ویژگی شماره 3 بهترین عملکرد را در تمام معیارها به جز TPR نشان می دهد. TPR برای رگرسیون لجستیک کمی بدتر است. با این حال ، این یک دقت بهتر ، FPR ، PPR و F1 با حاشیه های قابل توجه دارد. در نتیجه ، RBF SVM پیشنهادی بهترین طبقه بندی کننده در بین این الگوریتم ها است.
5 نتایج تشخیص اولیه با استفاده از روش SVM مبتنی بر RBF با مجموعه ویژگی #3
عملکرد دقیق تشخیص نشان می دهد که روش پیشنهادی می تواند برای تشخیص خودکار ناهنجاری نوسان ساز ماهواره اعمال شود. در این مطالعه ، ما رویکرد پیشنهادی را به یک پایگاه داده به دست آمده توسط شبکه جهانی ایستگاه های نظارت بر GNSS در سال 2017 و 2018 ، که در آن گیرنده های Septentrio Polarx5s برای جمع آوری 100 هرتز فاز مستقر شده اند ، اعمال می کنیم (Jiao ، 2017). مکان های ایستگاه شامل آلاسکا ، گرینلند ، کره جنوبی ، پورتوریکو و شیلی است. تمام ماهواره های بلوک GPS IIF پردازش می شوند ، از جمله PRN1 ، PRN3 ، PRN6 ، PRN8 ، PRN9 ، PRN10 ، PRN24 ، PRN25 ، PRN26 ، PRN27 ، PRN30 و PRN32. جدول 3 در دسترس بودن داده ها در این ایستگاه ها را نشان می دهد. لازم به ذکر است که ما با بررسی اینکه آیا ناهنجاری نوسان ساز یکسان توسط همه ماهواره ها در همان زمان مشاهده می شود ، بین ناهنجاری نوسان ساز گیرنده تمایز قائل می شویم. اعتبار سنجی متقاطع توسط چندین گیرنده در نزدیکی در یک مطالعه قبلی انجام شد و استحکام این روش را نشان داد (لیو و مورتون ، 2019). یک ارزیابی جامع تر با استفاده از اعتبار سنجی متقاطع چندین گیرنده در نزدیکی در یک کار آینده انجام خواهد شد. علاوه بر این ، هدف از این نتایج تشخیص اولیه نشان دادن این است که روش SVM مبتنی بر RBF پیشنهادی قادر به انجام خودکار تشخیص ناهنجاری نوسان ساز ماهواره ای با توجه به حجم زیادی از داده ها است. یک شخصیت جامع جهانی از ناهنجاری نوسان ساز ماهواره GPS (از جمله هر دو بلوک IIRM و بلوک IIF) در حال حاضر در حال انجام است و موضوع یک انتشار آینده است.
در دسترس بودن داده های پردازش شده
نمونه ای از ناهنجاری نوسان ساز شناسایی شده در شکل 6 نشان داده شده است. به دلیل خاصیت وابستگی به فرکانس ، باند L1 بزرگترین انحراف فاز را نشان می دهد ، در حالی که باند L5 کوچکترین را نشان می دهد. حداکثر انحراف فاز در باند L1 به بزرگی تقریباً 0. 18 چرخه می رسد.
نمونه ای از ناهنجاری نوسان ساز ماهواره
برای به دست آوردن آمار حداکثر انحراف فاز در L1 ، یک هیستوگرام برای همه ناهنجاری های نوسان ساز شناسایی شده در شکل 7 نشان داده شده است. مشخص است که بیشتر ناهنجاری های نوسان ساز شناسایی شده حداکثر انحراف فاز را در L1 از حدود 0. 2 چرخه دارند. با توجه به بزرگی انحراف فاز ، اینها ناهنجاری های نوسان ساز کوچک در نظر گرفته می شوند.
هیستوگرام L1 حداکثر انحراف فاز
آمار ایستگاه به ایستگاه وقایع ناهنجاری نوسان ساز شناسایی شده در ماهواره های بلوک GPS در جدول 4 نشان داده شده است. حدود دو رویداد ناهنجاری نوسان ساز روزانه از هر ایستگاه مشاهده می شود. ایستگاه آلاسکا بالاترین تعداد مشاهدات (3. 4 در روز) را دارد و ایستگاه های کره جنوبی و شیلی کمترین تعداد مشاهدات (1. 7 در روز) را نشان می دهد.
آمار عاقلانه ایستگاه وقایع ناهنجاری نوسان ساز شناسایی شده در ماهواره های IIF بلوک GPS
برای بررسی بیشتر نحوه رفتار ماهواره های مختلف ، یک هیستوگرام برای هر یک از مشاهدات ناهنجاری نوسان ساز هر روز در هر ایستگاه در هر ایستگاه در شکل 8 نشان داده شده است. در اینجا ، یک روز قابل مشاهده به یک دوره 24 ساعته اشاره دارد که در طی آن ماهواره مربوطه با ارتفاع در معرض دید استبالاتر از 20 درجه در ایستگاه. به طور کلی ، شایع ترین ناهنجاری نوسان ساز از PRN 10 مشاهده می شود و پس از آن PRN 26 ، PRN 1 ، PRN 3 ، PRN6 و PRN9. تعداد بسیار کمی از ناهنجاری های نوسان ساز از PRN 8 ، PRN 24 ، PRN 25 ، PRN 27 ، PRN 30 و PRN 32 مشاهده می شود. ایستگاه آلاسکا معمولاً وقایع ناهنجاری نوسان ساز مکرر را از PRN1 ، PRN9 ، PRN10 و PRN 26 مشاهده می کند. تقریباً پنج ناهنجاری نوسان ساز در هر روز قابل مشاهده را می توان از PRN10 در آلاسکا مشاهده کرد.
میانگین ماهواره ای از وقایع ناهنجاری نوسان ساز شناسایی شده در هر روز قابل مشاهده در هر ایستگاه
ما همچنین سری زمانی وقوع ناهنجاری نوسان ساز ماهواره را بررسی می کنیم. ناهنجاری های نوسان ساز روزانه بر سر گرینلند در شکل 9 نشان داده شده است. الگوهای وقوع تصادفی از هر دو ماهواره بدست می آید. این مشاهدات نشان می دهد که وقایع ناهنجاری نوسان ساز به صورت دوره ای رخ نمی دهد.
ناهنجاری های نوسان ساز ماهواره ای در روزهای گرینلند. الف) PRN1 ؛ب) PRN10
نتایج فوق نشان می دهد که روش پیشنهادی قادر به تشخیص ناهنجاری های نوسان ساز کوچک است. برای بررسی چگونگی عملکرد این روش بر روی وقایع ناهنجاری نوسان ساز بزرگ ، ما روش پیشنهادی را برای پردازش داده ها در 26 اکتبر 2012 اعمال می کنیم ، که در آن روز نویسندگان در بنتون و میچل (2014) چندین رویداد بزرگ نوسان ساز ماهواره ای را مشاهده کردند. همانطور که در جدول 5 نشان داده شده است ، هشت رویداد ناهنجاری نوسان ساز بزرگ با روش ما تشخیص داده می شود ، که با مشاهدات در بنتون و میچل (2014) مطابقت دارد. نمونه ای از ناهنجاری نوسان ساز بزرگ در شکل 10 نشان داده شده است. حداکثر انحراف فاز در باند L1 به بزرگی تقریبا 1. 5 چرخه می رسد. این نتیجه نشان می دهد که روش پیشنهادی همچنین می تواند ناهنجاری های نوسان ساز بزرگ را تشخیص دهد. دلیل اینکه روش پیشنهادی می تواند ناهنجاری های نوسان ساز کوچک و بزرگ را تشخیص دهد ، به این دلیل است که این ویژگی ها بر اساس نسبت انحراف فاز بین نوارهای فرکانس مختلف و نه بزرگی است.
خلاصه ناهنجاری اسیلاتور ماهواره ای شناسایی شده
نمونه ای از ناهنجاری نوسان ساز ماهواره ای در 26 اکتبر 2012 از PRN1 مشاهده شد
6 نتیجه گیری و کار آینده
ما یک RBF SVM را برای تمایز ناهنجاری نوسان ساز از scintillation ionospheric در یک مجموعه داده که دارای اختلال فاز حامل است ، طراحی کردیم. هسته RBF SVM را قادر می سازد تا یک مرز تصمیم گیری غیرخطی ایجاد کند و بنابراین بهترین عملکرد را نشان می دهد. سه مجموعه ویژگی مختلف ارائه شده است ، و مجموعه ویژگی های شماره 3 عملکرد برتر را نشان می دهد زیرا تأثیر نویز را در محاسبه نسبت کاهش می دهد. RBF SVM با این مجموعه ویژگی دارای دقت تشخیص 98. 4 ٪ است. علاوه بر این ، با ترکیب این RBF SVM ، روش پیشنهادی در یک پایگاه داده برای انجام تشخیص خودکار نوسان ساز ماهواره ای اعمال می شود. نتایج تشخیص اولیه تأیید می کند که رویکرد پیشنهادی پتانسیل مستقر در سیستم های نظارت بر ناهنجاری نوسان ساز ماهواره ای را دارد.
در آینده ، روش پیشنهادی می تواند برای تشخیص ناهنجاری نوسان ساز ماهواره ای در ماهواره های GNSS با سیگنال های فرکانس دوگانه و با داده های جمع آوری شده با نرخ پایین تر گسترش یابد. علاوه بر این ، تشخیص جهانی و توصیف وقایع ناهنجاری نوسان ساز ماهواره می تواند انجام شود.
روش تشخیص پیشنهادی در مرحله 2 فقط می تواند بین ناهنجاری نوسان ساز و پوسته پوسته تمایز قائل شود. به عنوان یک منبع خطای مشترک دیگر ، Multipath نیز می تواند باعث ایجاد اختلال شود. ماسک ارتفاع (30 درجه) برای کاهش چندگانه در این کار اعمال می شود. در آینده ، Multipath را می توان به عنوان یک کلاس اضافی در روش تشخیص اضافه کرد ، که می تواند در بین ناهنجاری های نوسان ساز ، Scintillation و Multipath تمایز قائل شود.
نحوه استناد به این مقاله
لیو Y ، مورتون YJ. تشخیص اتوماتیک ناهنجاری های نوسان ساز ماهواره ای ژنفیک مانند Scintillation مانند GNSS با استفاده از یک الگوریتم یادگیری ماشین. جهت یابی . 2020 ؛ 67: 651-662. https://doi. org/10. 1002/navi. 385
تصدیق
این کار توسط مرکز فناوری آب و هوا ، مرکز تحقیقات و آموزش و پرورش (SWXTREK) ، دانشگاه کلرادو در بولدر ، کمک هزینه ای از ناسا (#NNX15AT54G) و قراردادی از لاکهید مارتین پشتیبانی می شود. نویسندگان از آقای یان کلت و راشل مورتون بخاطر نظرات و پیشنهادات ارزشمند خود در مورد نسخه خطی سپاسگزار هستند. داده های مورد استفاده در این مطالعه در شبکه جهانی نظارت بر Scintillation جهانی که توسط آزمایشگاه ماهواره ای ناوبری و سنجش (SESS) در دانشگاه کلرادو بولدر ایجاد شده است ، جمع آوری شده است.
پانویسها و منابع
اطلاعات مربوط به بودجه
فن آوری آب و هوا ، مرکز تحقیق و آموزش (SWXTREK) ، دانشگاه کلرادو ، کمک هزینه/شماره جایزه: #NNX15AT54G
- دریافت 30 دسامبر 2019.
- تجدید نظر در 17 آوریل 2020 دریافت شد.
- 7 ژوئن 2020 پذیرفته شد.
- © 2020 موسسه ناوبری
این یک مقاله دسترسی آزاد تحت شرایط مجوز انتساب Creative Commons است که امکان استفاده ، توزیع و تولید مثل در هر رسانه را فراهم می کند ، مشروط بر اینکه کار اصلی به درستی استناد شود.
