当前位置：首页 > news >正文

GAC-KAN：边缘AI时代的轻量级GNSS干扰分类方案

news 2026/5/4 22:03:54

1. GAC-KAN：边缘AI时代的GNSS干扰分类新范式

在智能手表、无人机和车载导航系统等消费电子设备全面拥抱生成式AI（GenAI）的今天，一个关键矛盾正在凸显：当设备的大部分算力被ChatGPT式交互、实时图像生成等AI功能占据时，如何保障GNSS（全球导航卫星系统）这类基础服务的安全可靠性？传统基于ResNet或ViT的干扰分类模型动辄需要数百万参数，根本无法在资源受限的边缘设备上与其他AI任务共存。

我们团队设计的GAC-KAN框架给出了创新解决方案。这个仅占用0.13MB存储空间的超轻量模型，在GNSS干扰分类任务中达到了98%的准确率，而计算开销只有传统方法的1/660。其核心突破在于三个方面：

物理引导的生成式数据增强：通过电磁传播建模合成大规模干扰数据集，解决真实干扰样本稀缺问题
多尺度幽灵特征提取：融合非对称卷积与Ghost模块，用线性运算生成冗余特征图
可学习的样条决策头：采用Kolmogorov-Arnold网络替代MLP，参数效率提升两个数量级

实测数据显示：在搭载高通骁龙8 Gen3的智能手机平台上，GAC-KAN完成一次干扰分类仅消耗7ms计算时间，功耗低于3mW，完全可以作为"常驻后台"的安全守护进程运行。

2. 系统架构设计解析

2.1 物理建模与数据生成

真实GNSS干扰数据获取面临两大难题：合法采集限制和场景多样性不足。我们采用基于射频物理的生成式仿真策略，建立了六类基础干扰的数学模型：

单音干扰（STJ）
经典连续波干扰，时域表现为单一频率正弦波：
```
def generate_STJ(fc, PJ, duration): t = np.linspace(0, duration, num=int(fs*duration)) return np.sqrt(PJ) * np.exp(1j*(2*np.pi*fc*t + np.random.uniform(0, 2*np.pi)))
```
关键参数随机化：载频fc在接收带宽内均匀分布，功率PJ按JNR（干扰噪声比）在-25dB到10dB区间调整。
线性调频（LFM）
非平稳信号，频率随时间线性变化，对传统滤波器具有穿透性：
```
J_{LFM}(t) = \sqrt{P_J}e^{j2π(f_0t + \frac{1}{2}kt^2)}
```
其中调频斜率k=BW/T，通过随机化起始频率f0和带宽BW生成多样本。

脉冲干扰
高占空比突发信号，时域呈现周期性脉冲：

def generate_pulse(PJ, PRI, PW): pulse_train = np.zeros_like(time_axis) for i in range(int(duration/PRI)): start = i*PRI end = start + PW pulse_train[(time_axis>=start) & (time_axis<end)] = 1 return np.sqrt(PJ) * pulse_train * np.exp(1j*2*np.pi*fc*time_axis)

通过参数随机组合，最终生成包含56,000组样本的合成数据集，覆盖-25dB到15dB的JNR范围。每个样本经过STFT变换后得到224×224的时频谱图，作为模型输入。

2.2 网络架构创新点

2.2.1 多尺度Ghost-ACB骨干网络

传统CNN在特征提取时存在大量计算冗余。GAC-KAN的创新MS-GAC模块通过三条并行支路处理不同尺度特征：

非对称Ghost卷积
标准3×3卷积后接1×3和3×1非对称卷积，训练时强化特征骨架，推理时融合为单一卷积核：

class GhostACB(nn.Module): def __init__(self, in_ch, out_ch): super().__init__() self.primary = nn.Conv2d(in_ch, out_ch//2, 3, padding=1) self.cheap_h = nn.Conv2d(out_ch//2, out_ch//4, (1,3), padding=(0,1)) self.cheap_v = nn.Conv2d(out_ch//2, out_ch//4, (3,1), padding=(1,0)) def forward(self, x): x1 = self.primary(x) x2 = self.cheap_h(x1) x3 = self.cheap_v(x1) return torch.cat([x1, x2, x3], dim=1)

相比常规卷积，参数量减少57%，FLOPs降低62%。

坐标注意力机制
针对干扰信号在时频域的局部聚集特性，设计坐标注意力模块：
```
y_c(i,j) = x_c(i,j) \times g^h_c(i) \times g^w_c(j)
```
其中g^h和g^w分别表示高度和宽度方向的注意力权重，使网络能精确定位干扰能量集中区域。

2.2.2 KAN分类头设计

传统MLP使用固定激活函数，KAN则通过可学习样条函数实现动态非线性映射：

class KANLayer(nn.Module): def __init__(self, input_dim, output_dim): super().__init__() self.spline_coeff = nn.Parameter(torch.randn(input_dim, output_dim, 8)) # 8个B样条基 self.silu_weight = nn.Parameter(torch.randn(input_dim, output_dim)) def forward(self, x): # 计算样条激活 basis = self.compute_basis_functions(x) # shape: [bs, in_dim, 8] spline_out = torch.einsum('bid,bio->bo', basis, self.spline_coeff) # SiLU分支 silu_out = F.silu(x) @ self.silu_weight return spline_out + silu_out

实验表明，在相同参数量下，KAN比ReLU-MLP的模型容量提升3.2倍，特别适合小模型场景。

3. 工程实现关键细节

3.1 边缘设备优化策略

在联发科天玑9300芯片上的部署面临两个挑战：内存带宽限制和NPU兼容性。我们采用以下优化手段：

权重量化与稀疏化

对KAN的样条系数采用8-bit动态量化
对ACB卷积核应用30%结构化剪枝

# 量化示例命令 python quantize.py --model gac_kan.pth --calib_dataset jamming_dataset/ --output int8_model.tflite --method symmetric

NPU指令级优化
针对Hexagon DSP的特定指令集重写卷积计算：

// 利用HVX向量指令加速Ghost卷积 void hvx_ghost_conv(const int8_t* input, const int8_t* weights, int32_t* output, int H, int W) { hvx_vector Q0, Q1; for(int i=0; i<H; i+=64) { Q0 = vmem(input + i); Q1 = vmem(weights + i); vdmpy(Q0, Q1, output); } }

3.2 实时性保障方案

为保证在无人机等实时系统中的可用性，设计两级检测机制：

粗检测阶段
运行简化版模型（仅保留3×3分支），每10ms检测一次，功耗<1mW
精检测阶段
当粗检测置信度>70%时触发完整模型，耗时6-8ms

实测在DJI Mavic 3上的表现：

干扰类型	检测延迟	功耗增量
单音干扰	8.2ms	2.8mW
线性调频	9.1ms	3.1mW
脉冲干扰	7.5ms	2.5mW

4. 实战问题排查指南

4.1 典型故障模式

低JNR误检
当JNR<-20dB时，PBNJ（部分带噪声干扰）易被误判为热噪声。解决方案：
- 在数据增强阶段增加低JNR样本权重
- 在KAN层添加L1稀疏约束，强化特征选择

硬件相关失效
某品牌手机NPU出现15%的误判率，原因为：

- 未对齐的内存访问导致量化误差累积 + 修复方案：在模型输入前插入缓存对齐操作

4.2 参数调优建议

通过超参数敏感性分析，给出关键参数推荐范围：

参数名	推荐值	影响度
KAN样条基数	6-8个	★★★★
Ghost扩展比	0.5-0.75	★★★☆
坐标注意力维度	C/4到C/2	★★☆☆
L1正则化系数	1e-5到1e-4	★★★★

实际部署时建议采用贝叶斯优化进行设备级微调：

from ax import optimize def eval_fn(params): model = build_gac_kan(spline_basis=params["spline"], ghost_ratio=params["ghost"]) acc = test_on_device(model, target_device) return -acc # 最小化负准确率 best_params = optimize( parameters=[ {"name": "spline", "type": "range", "bounds": [4, 10]}, {"name": "ghost", "type": "range", "bounds": [0.3, 0.8]}, ], evaluation_function=eval_fn, total_trials=30, )