[论文解读] SKANet: A Cognitive Dual-Stream Framework with Adaptive Modality Fusion for Robust Compound GNSS Interference Classification

Zhihan Zeng, Yang Zhao+8 more|arXiv (Cornell University)|Jan 19, 2026

Soil Moisture and Remote Sensing被引用 0

一句话总结

SKANet 引入了一种具有自适应感受野和基于 SE 的融合的认知双流网络，通过处理时频图像和 PSD 特征来鲁棒地对复合 GNSS 干扰进行分类。它在低信噪比下也实现了 96.99% 的准确率。

ABSTRACT

As the electromagnetic environment becomes increasingly complex, Global Navigation Satellite Systems (GNSS) face growing threats from sophisticated jamming interference. Although Deep Learning (DL) effectively identifies basic interference, classifying compound interference remains difficult due to the superposition of diverse jamming sources. Existing single-domain approaches often suffer from performance degradation because transient burst signals and continuous global signals require conflicting feature extraction scales. We propose the Selective Kernel and Asymmetric convolution Network(SKANet), a cognitive deep learning framework built upon a dual-stream architecture that integrates Time-Frequency Images (TFIs) and Power Spectral Density (PSD). Distinct from conventional fusion methods that rely on static receptive fields, the proposed architecture incorporates a Multi-Branch Selective Kernel (SK) module combined with Asymmetric Convolution Blocks (ACBs). This mechanism enables the network to dynamically adjust its receptive fields, acting as an adaptive filter that simultaneously captures micro-scale transient features and macro-scale spectral trends within entangled compound signals. To complement this spatial-temporal adaptation, a Squeeze-and-Excitation (SE) mechanism is integrated at the fusion stage to adaptively recalibrate the contribution of heterogeneous features from each modality. Evaluations on a dataset of 405,000 samples demonstrate that SKANet achieves an overall accuracy of 96.99\%, exhibiting superior robustness for compound jamming classification, particularly under low Jamming-to-Noise Ratio (JNR) regimes.

研究动机与目标

• 解决来自不同干扰源叠加的复合 GNSS 干扰分类挑战。
• 开发一个双域框架，利用时-频图像（TFIs）和功率谱密度（PSD）捕捉多尺度特征。
• 通过多分支选择性卷积（SK）模块和非对称卷积块（ACB）实现自适应特征提取。
• 整合 squeeze-and-excitation 机制以自适应地融合异质模态特征。
• 在含复合干扰场景的大型数据集上展示鲁棒性和高准确率，特别是在低 JNR 条件下。

提出的方法

• 提出一个认知双流网络体系结构，使用基于深 STFT 的骨干网络通过多分支 SK-ACB 模块处理 TFIs。
• 使用轻量 PSD 流捕捉全局能量统计信息。
• 引入 SE 融合块以重新校准并融合 TFIs 与 PSD 的特征。
• 结合具有三条不同扩张率分支的多分支 SK-ACB 模块以适应感受野。
• 使用 Adam 优化器进行交叉熵损失训练。
• 将复合干扰表示为原始干扰源的混合（STJ、MTJ、LFM、Pulse、PBNJ），并在九类别分类任务上进行评估。

实验结果

研究问题

• RQ1 通过 TFIs 与 PSD 的双流方法，是否能在特征在领域间存在冲突时鲁棒地区分复合 GNSS 干扰类型？
• RQ2 通过多分支 SK-ACB 块的自适应感受野，是否能提升对纠缠干扰信号的多尺度特征提取？
• RQ3 基于 SE 的融合是否能在 GNSS 干扰分类中有效平衡 TFIs 与 PSD 的贡献？
• RQ4 在低 JNR 条件下，对九类复合干扰数据集，SKANet 的整体性能如何？

主要发现

• 在九类干扰样本共 405,000 条的数据集上实现 96.99% 的总体准确率。
• 在低 JNR 条件下，SKANet 对复合干扰分类表现出卓越的鲁棒性。
• 自适应感受野和非对称卷积使得能有效捕捉微观瞬态和宏观光谱趋势。
• SE 融合自适应地校准 TFIs 与 PSD 模态的贡献，提升分类性能。
• 双流设计在单域表示中 Wide-band 噪声遮蔽窄带特征时，缓解掩蔽效应。