1.一种星载ADS-B交叠信号分离方法,其特征在于:所述分离方法具体包括以下步骤:步骤1、归一化:对卫星接收数据进行归一化处理,将数据中的每个信号归一化到[0, 1]范围内,将所有信号的幅度调整至[0, 1]范围内得到归一化后的数据;
步骤2、向量化:对归一化后的数据进行尺度放大,将调整尺度后的数据转换为特征向量集;
步骤3、复数位置编码:对步骤2得到的特征向量集中的每个向量进行复数位置编码后得到编码后的特征向量,通过编码后的特征向量来编码位置信息,为注意力机制模型提供关于卫星接收数据输入序列中各个元素位置的信息;
步骤4、自注意力神经网络处理:步骤3复数位置编码完成后,将编码后的特征向量输入到自注意力神经网络,得到自注意力神经网络处理后的特征集,自注意力神经网络处理后的特征集传递到下一个自注意力神经网络;
步骤5、长短期记忆网络处理:将在步骤4得到的自注意力神经网络处理后的特征集转变为适合分类任务的特征表示;
步骤6、全连接神经网络处理:连接利用全连接层负责将从长短期记忆网络传递来的特征进行最终的线性变换;
步骤7、信号分离:将从经过自注意力神经网络、长短期记忆网络和全连接神经网络后获取的高低电平进行解码得到源信号。
2.根据权利要求1所述的一种星载ADS-B交叠信号分离方法,其特征在于:在所述步骤3中,复数位置编码用于提供时间信息、位置信息,为特征向量集中的每个向量在其时间维度的位置上加入复数位置编码,公式如下:,
其中,表示元素在序列中的位置,表示维度,表示位置编码向量的总维度,表示圆周率,为虚数单位。
3.根据权利要求1所述的一种星载ADS-B交叠信号分离方法,其特征在于:所述步骤4具体包括以下步骤:步骤4.1、输入线性变换:对输入的编码后的特征向量进行线性变换,生成三个新的特征集合:查询、键和值,公式如下:,
其中,是可训练的权重矩阵;
步骤4.2、计算注意力得分:利用查询与所有的键之间的点积来计算兼容性得分,通过一个归一函数进行归一化处理,计算最终的注意力得分,自注意力神经网络定输入数据集中的各个元素的相对重要性,注意力得分的计算公式如下:,
其中,是键向量的维度,表示键值的转置;
步骤4.3、加权和:将步骤4.2计算得到的注意力得分与值进行加权求和,得到最终的自注意力神经网络处理后的特征集,即将不同输入特征按照特征的重要性进行整合,公式为:,
其中,自注意力神经网络后的特征集传递到下一个自注意力机制网络。
4.根据权利要求1所述的一种星载ADS-B交叠信号分离方法,其特征在于:所述步骤5中,长短期记忆网络包括输入门、遗忘门和输出门三个模块,利用长短期记忆网络将特征集转变为适合分类任务的特征表示,具体包括如下步骤:步骤5.1、遗忘门:自注意力神经网络处理后的特征集作为长短期记忆网络的输入序列,每个时间步的输入表示为,其中是时间步,长短期记忆网络首先使用遗忘门来决定当前时刻遗忘多少从上一时间步传递过来的信息,Sigmoid函数将线性组合的结果压缩到0到1之间,输出一个遗忘因子:,
其中,是遗忘门的权重矩阵,是偏置项,是上一时间步的隐藏状态,是注意力机制处理后的特征向量在第个时间步的值;
步骤5.2、输入门:遗忘门的输出控制了旧状态的保留量,输入门的激活值控制了由当前输入和之前的隐藏状态通过候选值层生成的更新信息的加入,公式如下:,
其中,表示输入门的激活值,表示通过tanh函数生成的候选值,表示新的单元状态,是由旧状态和新的候选值组合得到,,表示输入门的权重矩阵,用于控制新信息的加入,表示输入门的偏置项,表示用于生成候选状态的权重矩阵,表示生成候选状态时的偏置项; 、:遗忘门和输入门的输出,分别控制旧状态信息的遗忘和新信息的加入;
步骤5.3、输出门:通过输出门的调节,确定输出隐藏状态,长短期记忆网络的输出隐藏状态是对自注意力神经网络处理后的特征集进行时间序列建模的结果,公式如下:,
其中,表示输出门的偏置项,表示新的单元状态。
5.根据权利要求1所述的一种星载ADS-B交叠信号分离方法,其特征在于:所述步骤6具体包括如下步骤:步骤6.1、连接利用全连接层负责将从长短期记忆网络传递来的特征进行最终的线性变换,以适配目标输出的维度,全连接层的输出维度为1个单个神经元;
步骤6.2、在模型的最后阶段,将长短期记忆网络的输出隐藏状态通过全连接层与Sigmoid激活的线性变换转换为预测的概率,公式如下:,
其中,表示激活函数,输入是正数,输出是输入本身,如果输入是负数,输出就是0,是长短期记忆网络最后一个时间步的隐藏状态,和分别是全连接层的权重和偏置;
步骤6.3、输出通过Sigmoid激活函数进行处理,公式如下:,
其中,是传递给Sigmoid函数的值,为ReLU函数的输出。
6.根据权利要求1所述的一种星载ADS-B交叠信号分离方法,其特征在于:所述步骤7中,自注意力神经网络、长短期记忆网络和全连接神经网络组成的模型通过学习信号的特征,生成不同信号的高低电平,将高低电平转换回其原始的ADS-B消息格式,实现对每个信号源的精确识别和分离。