GNSS频段射频干扰自动检测定位与分类系统:提升PNT服务抗干扰能力的关键技术

《IEEE Journal of Selected Topics in Applied Earth Observations and Remote Sensing》:AUTOMATIC RFI DETECTION, LOCATION, AND CLASSIFICATION SYSTEM IN GNSS BANDS

【字体: 大 中 小 】 时间:2025年12月25日 来源:IEEE Journal of Selected Topics in Applied Earth Observations and Remote Sensing 5.4

编辑推荐:

  本刊推荐:为解决全球导航卫星系统(GNSS)频段日益严重的射频干扰(RFI)对定位导航授时(PNT)服务和地球观测应用的威胁,研究人员开发了基于六扇区天线阵列和软件定义无线电(SDR)的自动RFI检测定位分类(RFI-DLC)系统。该系统通过时频域联合检测算法和功率到达差(PDoA)定位技术,实现了对脉冲、连续波(CW)、宽带等多种RFI信号的实时识别与溯源,为GNSS基础设施保护提供了有效的监测手段。

  
随着全球导航卫星系统(GNSS)在现代社会中扮演越来越重要的角色,从精准农业到金融交易,从交通运输到应急通信,几乎所有关键基础设施都依赖其提供的定位、导航和授时(PNT)服务。然而,一个隐形威胁正悄然增长——射频干扰(RFI)。这些无意或恶意产生的无线电信号,如同电磁烟雾弹,能够遮蔽微弱的GNSS信号,导致定位精度下降甚至服务中断。
更令人担忧的是,GNSS频段(1525-1625 MHz)不仅用于导航,还支撑着新兴的地球观测技术,如GNSS无线电掩星(GNSS-RO)和GNSS反射测量(GNSS-R)。这些技术通过分析GNSS信号穿过大气层或从地表反射后的变化,来反演大气温度、湿度、土壤水分等关键环境参数。与微波辐射计等无源遥感设备一样,它们都依赖极其微弱的信号,极易受到RFI的污染。
面对这一挑战,来自西班牙加泰罗尼亚理工大学CommSensLab-UPC的研究团队开发了一套创新的自动RFI检测、定位与分类系统(RFI-DLC)。这项发表在《IEEE Journal of Selected Topics in Applied Earth Observations and Remote Sensing》的研究,旨在为GNSS地面站提供实时、准确的干扰监控能力,犹如为关键基础设施装上了“电磁雷达”。
研究团队采用六扇区天线阵列和软件定义无线电(SDR)架构,结合时域/频域联合检测算法与功率到达差(PDoA)定位技术,实现了对RFI信号的实时捕获、特征提取和智能分类。系统在巴塞罗那市区进行了为期一个月的连续监测,成功识别出脉冲、连续波(CW)、宽带等多种干扰类型,并揭示了城市电磁环境的时间规律和空间分布特征。
关键技术方法包括:基于六扇区螺旋天线阵列的信号采集子系统,覆盖360度方位角;采用软件定义无线电(SDR)平台实现灵活的信号处理;结合时域功率/峰度检测和频域谱峰度分析的多维度RFI识别算法;利用功率到达差(PDoA)技术实现干扰源定向定位;建立RFI事件数据库支持长期趋势分析。监测数据来自部署在巴塞罗那加泰罗尼亚理工大学D4楼顶的实地观测。
系统设计与部署
RFI-DLC系统采用分体式架构,由户外采集子系统(AS)和室内处理子系统(PS)组成。AS包含六个扇形分布的右旋圆极化(RHCP)螺旋天线,每个天线具有60度半功率波束宽度,形成无重叠的360度覆盖。天线增益约10 dBi,配合低噪声放大器(LNA)确保高灵敏度检测。PS基于Xilinx Zynq Z7010 FPGA平台,支持20 MHz瞬时带宽和61.44 Msps采样率。系统部署在巴塞罗那市区高地,利用城市环境验证其在复杂电磁场景下的性能。
信号处理核心算法
检测子系统采用多域联合分析策略。时域检测包含功率测试和复信号峰度计算,能够识别突发脉冲和统计异常信号。频域检测通过快速傅里叶变换(FFT)分析,结合谱峰度指标,有效克服了时域峰度对50%占空比脉冲信号的盲区。系统采用P平方算法动态估计噪声底,保持恒定虚警率(CFAR),显著提升弱信号检测能力。
定位子系统通过比较相邻天线接收信号的功率差(PDoA),将角度分辨率从60度提升至10-15度。虽然相位干涉法能提供更高精度,但受硬件成本限制,PDoA在保证性能的同时实现了最佳性价比。
特征提取环节涵盖中心频率估计、带宽测量、功率计算和脉冲参数分析。针对脉冲信号,创新性地采用时域分析计算占空比,频域谱线间隔测量脉冲重复频率(PRF),充分发挥各自技术优势。
分类机制与性能
分类算法采用决策树结构,综合检测结果和特征参数,将RFI划分为脉冲、连续波(CW)、宽带、窄带和未知五种类型。实时分类(a priori)基于信号时频特征,而事后分类(a posteriori)通过事件聚合识别频率啁啾等复杂模式。系统特别设置“未知”类别,为算法迭代优化提供数据支持。
实测数据验证
在一个月的连续监测中,系统累计处理大量RFI事件。空间热力图显示,朝向市中心的扇区事件密度显著高于背向区域,印证了RFI与城市人口密度和电子设备数量的正相关性。时频分析发现,干扰强度在下午16时达到峰值,夜间明显减弱,与人类活动周期高度吻合。
分类结果显示,系统能有效识别大部分常见干扰类型,但“未知”类别仍占相当比例,反映了现实电磁环境的复杂性。一个典型案例是对5G非地面网络(NTN)下行信号的误判,该信号具有脉冲特征却属合法业务,凸显了区分恶意干扰与授权信号的挑战。
研究结论与展望
本研究成功验证了RFI-DLC系统在真实城市环境中的监测效能。多扇区天线设计与联合检测算法显著提升了RFI的捕获率和分类准确性,而长期数据积累为理解电磁环境演变规律提供了宝贵资源。
系统面临的挑战主要来自复杂信号的分类精度,特别是重叠信号分离和未知干扰识别。作者指出,引入机器学习技术有望突破当前规则算法的局限,通过深度神经网络提取更精细的特征表示,实现更智能的干扰辨识。
这项研究的意义远超技术本身,它为关键基础设施保护提供了新范式。随着电磁环境日益复杂,这种自适应、可扩展的监测平台将成为保障PNT服务可靠性的重要工具。未来,通过扩展监测频段和优化算法,该系统不仅可服务于GNSS保护,还可应用于射电天文、气象观测等更多受RFI影响的领域,为守护“洁净”的电磁空间贡献关键技术支撑。
相关新闻
生物通微信公众号
微信
新浪微博

热点排行

    今日动态 | 人才市场 | 新技术专栏 | 中国科学人 | 云展台 | BioHot | 云讲堂直播 | 会展中心 | 特价专栏 | 技术快讯 | 免费试用

    版权所有 生物通

    Copyright© eBiotrade.com, All Rights Reserved

    联系信箱:

    粤ICP备09063491号