SKANet：用于鲁棒复合 GNSS 干扰分类的认知双流框架与自适应模态融合
计算机视觉与模式识别
2026-01-21 v1
摘要
随着电磁环境日益复杂，全球导航卫星系统（GNSS）正面临日益严峻的来自高级干扰信号的威胁。虽然深度学习（DL）有效地识别基本干扰，但由于多种干扰源的叠加，复合干扰的分类仍然具有挑战性。现有的单域方法常因瞬态脉冲信号和连续全局信号需要冲突的特征提取尺度而导致性能下降。我们提出了选择性内核和不对称卷积网络（SKANet），这是一种构建于双流架构之上的认知深度学习框架，集成了时频图像（TFIs）和功率谱密度（PSD）。与常规融合方法依赖静态感受野不同，所提架构包含多分支选择性内核（SK）模块和不对称卷积块（ACBs）。该机制使网络能够动态调整感受野，充当自适应滤波器，同时捕获纠缠复合信号中微观尺度瞬态特征和宏观尺度谱线趋势。为补充这一空间时间适应性，我们在融合阶段集成了 squeeze-and-excitation（SE）机制，以自适应方式 recalibrate 各模态异构特征的贡献。在40.5万样本的数据集上进行的评估表明，SKANet 实现了96.99%的总体准确率，在低干扰比（JNR）条件下展现出对复合干扰分类的优异鲁棒性。
引用
@article{arxiv.2601.12791,
title = {SKANet: A Cognitive Dual-Stream Framework with Adaptive Modality Fusion for Robust Compound GNSS Interference Classification},
author = {Zhihan Zeng and Yang Zhao and Kaihe Wang and Dusit Niyato and Hongyuan Shu and Junchu Zhao and Yanjun Huang and Yue Xiu and Zhongpei Zhang and Ning Wei},
journal= {arXiv preprint arXiv:2601.12791},
year = {2026}
}