CN105117769B - 基于差分进化狼群算法的欺骗干扰识别方法 - Google Patents
基于差分进化狼群算法的欺骗干扰识别方法 Download PDFInfo
- Publication number
- CN105117769B CN105117769B CN201510582823.4A CN201510582823A CN105117769B CN 105117769 B CN105117769 B CN 105117769B CN 201510582823 A CN201510582823 A CN 201510582823A CN 105117769 B CN105117769 B CN 105117769B
- Authority
- CN
- China
- Prior art keywords
- wolf
- individual
- formula
- variation
- differential evolution
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Active
Links
- 241000282461 Canis lupus Species 0.000 title claims abstract description 96
- 238000000034 method Methods 0.000 title claims abstract description 26
- 238000001514 detection method Methods 0.000 claims abstract description 11
- 230000005540 biological transmission Effects 0.000 claims abstract description 8
- 230000009897 systematic effect Effects 0.000 claims abstract description 4
- 239000013598 vector Substances 0.000 claims description 17
- 238000013508 migration Methods 0.000 claims description 9
- 230000005012 migration Effects 0.000 claims description 9
- 230000006870 function Effects 0.000 claims description 6
- 238000005457 optimization Methods 0.000 claims description 5
- 230000004044 response Effects 0.000 claims description 5
- YBJHBAHKTGYVGT-ZKWXMUAHSA-N (+)-Biotin Chemical compound N1C(=O)N[C@@H]2[C@H](CCCCC(=O)O)SC[C@@H]21 YBJHBAHKTGYVGT-ZKWXMUAHSA-N 0.000 claims description 3
- 238000002474 experimental method Methods 0.000 claims description 3
- 230000035772 mutation Effects 0.000 claims description 3
- 230000008447 perception Effects 0.000 claims description 3
- FEPMHVLSLDOMQC-UHFFFAOYSA-N virginiamycin-S1 Natural products CC1OC(=O)C(C=2C=CC=CC=2)NC(=O)C2CC(=O)CCN2C(=O)C(CC=2C=CC=CC=2)N(C)C(=O)C2CCCN2C(=O)C(CC)NC(=O)C1NC(=O)C1=NC=CC=C1O FEPMHVLSLDOMQC-UHFFFAOYSA-N 0.000 claims description 3
- 239000000654 additive Substances 0.000 claims description 2
- 230000000996 additive effect Effects 0.000 claims description 2
- 238000004891 communication Methods 0.000 description 4
- 230000000694 effects Effects 0.000 description 4
- 238000011160 research Methods 0.000 description 3
- 230000008901 benefit Effects 0.000 description 2
- 230000008859 change Effects 0.000 description 2
- 238000000605 extraction Methods 0.000 description 2
- 238000004519 manufacturing process Methods 0.000 description 2
- 230000008569 process Effects 0.000 description 2
- 238000005094 computer simulation Methods 0.000 description 1
- 230000007812 deficiency Effects 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000005259 measurement Methods 0.000 description 1
- 230000007246 mechanism Effects 0.000 description 1
- 238000012360 testing method Methods 0.000 description 1
- 238000012795 verification Methods 0.000 description 1
Abstract
本发明公开了基于差分进化狼群算法的欺骗干扰识别方法，按如下步骤进行：第一步：将发射机和干扰机等效为无记忆多项式模型；第二步：将无线传输信道等效为FIR滤波器模型；第三步：对整个通信传输系统进行建模；第四步：接收机根据接收到的数据码元y(n)，估计得到发射端的C/A码，根据输入输出利用差分进化狼群算法进行系统辨识，得到模型参数的估计值；第五步：在利用差分进化狼群算法获得系统参数的估计值之后，采用直观的欧氏距离检测法进行识别，判决准则为：
Description
技术领域
本发明属于通信技术领域，具体涉及一种基于差分进化狼群算法的欺骗干扰识别方法。
背景技术
卫星导航定位系统易受到多种形式的干扰。其中，最主要的干扰样式为欺骗干扰，该干扰具有与真实信号相同的增益，并在时、频、空等多域与真实信号完全或者部分重叠，识别效果往往不太理想。卫星导航系统接收机如何抗欺骗干扰已经成为当前迫切需要解决的技术问题。
抗欺骗干扰的前提是接收机能够检测识别出欺骗干扰。目前国内外针对欺骗干扰识别方法的研究主要集中在基于特征提取的干扰识别算法，提取的特征参数包括时钟偏移、多普勒频移和接收机位置等。近年来，对发射机建模并基于模型参数来识别无线发射机成为了一个新的研究热点。研究表明，基于模型参数的识别方法即使在样本数不多，SNR较低时也有效。然而，其估计模型参数的方法为最小二乘法和迭代法。这些方法存在收敛性不能被严格证明的不足。
发明内容
为了识别欺骗干扰和真实信号，本发明提出了一种基于发射系统建模以及模型系数辨识的欺骗干扰识别方法。在对信号发射机和干扰机的建模中主要考虑功率放大器的非线性，因此，将发射机和干扰机简化为无记忆多项式模型，在对信道进行建模中考虑其多径效应，将其简化为FIR滤波器模型。整个系统可以等效为一个Hammerstein模型，利用差分进化狼群算法根据输入输出信号来进行系统辨识，确定系统模型参数。以此模型参数为基础，通过统计检测方法进行欺骗干扰的识别。
本发明采取以下技术方案：
基于差分进化狼群算法的欺骗干扰识别方法，按如下步骤进行：
第一步：考虑到非线性，将发射机和干扰机等效为无记忆多项式模型。
其中，M是多项式系数个数，d(n)是输入信号，b2i-1是多项式系数。另外，在不改变系统特性的情况下，为了确定系统的唯一性，令b1＝1。
第二步：考虑到多径响应，将无线传输信道等效为FIR滤波器模型。
上式中，hk是信道响应系数，N是FIR滤波器的阶数，w(n)～N(0,σ2)是加性高斯白噪声，x(n)是输入信号,y(n)为接收机接收到的信道输出信号。
第三步：对整个通信传输系统进行建模。
第四步：接收机根据接收到的数据码元y(n)，估计得到发射端的C/A码，根据输入输出利用差分进化狼群算法进行系统辨识，得到模型参数的估计值。
本发明采用差分进化算法的差分策略，通过该算法中的变异、交叉和选择的过程，使得算法能跳出局部最优，同时也充分利用差分进化算法在局部寻优方面的优点，提高算法的寻优精度。
DE-WPA算法的基本思想是：种群先按照基本狼群算法进行，即依次执行游走、奔袭、围攻行为，之后进行差分进化，即变异、交叉及贪婪选择操作，之后再对头狼位置进行更新。总体上可以认为是依次进行WPA算法搜索和DE算法变异，是一种两层的串行结构。
DE-WPA算法的具体步骤如下：
步骤1，数值初始化。初始化狼群中人工狼位置Xi及其数目N'，最大迭代次数kmax，探狼比例因子α，最大游走次数Tmax,距离判定因子w，步长因子S，更新比例因子R。
步骤2，选取最优人工狼为头狼，除头狼外最佳的S_num匹人工狼为探狼并执行游走行为，直到某只探狼侦察到的猎物气味浓度Yi大于头狼所感知的猎物气味浓度Ylead或达到最大游走次数Tmax，则转步骤3。
步骤3，人工猛狼据式(4)向猎物奔袭，若途中猛狼感知的猎物气味浓度Yi＞Ylead,则Ylead＝Yi，替代头狼并发起召唤行为；若Yi＜Ylead，则人工猛狼继续奔袭直到dis＜dnear，转步骤4。
式中，stepb是召唤行为的步长，Gk是第k次迭代中头狼的位置，是第k次迭代中第i头狼的位置。
步骤4，按式(5)对参与围攻行为的人工狼的位置进行更新，执行围攻行为。
式中，stepc是围攻行为的步长，λ是一个随机数，且λ～U[-1,1]。
步骤5，对这狼群进行差分变异。对种群中每个个体Xi，随机生成三个互不相同的整数r1,r2,r3∈{1,2,…,N}，且要求i,r1,r2,r3这四个数互不相同，然后按(6)式生成变异个体
式中，F是变异尺度系数，Vi是变异个体，是根据r1,r2,r3所选的三个个体，若所生成的变异个体超出了解空间范围，则随机产生一个变异个体来代替。
步骤6，对这狼群进行交叉操作。交叉操作按每个个体向量的分量进行。将变异产生的变异个体与目标个体按照下面的公式进行交叉操作，具体执行过程如下：首先生成一个随机整数randni，然后对变异个体Vi和种群的目标个体Xi按式(7)得到试验个体为了保证个体的进化，首先通过随机选择使Ui至少有一位由Vi贡献，其它位由交叉概率CR来决定具体哪位由Xi贡献哪位由Vi贡献：
式中randj是位于[0,1]间的均匀分布的随机实数，而randni是属于{1,2,…D}内随机产生的维数索引号，其保证了至少有一位由变异向量贡献。此处CR为交叉概率因子，也是位于[0,1]间的一个常数。差分进化算法引入交叉操作是为了增加种群的多样性。
步骤7，对狼群进行选择操作：采用的是“贪婪选择”策略，经变异以及交叉操作后生成的候选个体Ui与目标个体Xi进行竞争：
上式中，f是适应度函数，在Ui和Xi中选择适应度函数值最优者作为新的个体，替换原来的个体。需要指出的是式(8)适合最大化。
步骤8，按“胜者为王”的头狼产生规则对头狼位置进行更新。
步骤9，判断是否达到优化精度要求或最大迭代次数Tmax，若达到则输出头狼的位置，即所求问题的最优解，否则转步骤2。
第五步：在利用差分进化狼群算法获得系统参数的估计值之后，采用直观的欧氏距离检测法进行识别，判决准则为：
其中，假设H0表示接收机接收到的是欺骗干扰信号，H1表示接收机接收到的信号是真实信号。式中，θ1为GPS发射机系统参数向量，θ2为干扰机系统参数向量，是根据系统的输入输出估计得到的参数向量。
本发明基于差分进化狼群算法的欺骗干扰识别方法综合考虑发射机的非线性特性和信道的多径响应，进行数学统计建模，并利用系统辨识算法进行系统辨识，得到了参数向量基于该参数向量，统计检测中最直观的欧氏距离法实现对欺骗干扰的检测。本发明方法运算简单，识别性能好。
附图说明
图1是通信系统结构图。
图2是干扰识别总体方案图。
图3是差分进化狼群算法流程图。
图4是分别用差分进化狼群算法和狼群算法进行参数估计并以此进行干扰识别的效果的比较。
具体实施方式
本发明针对GPS欺骗干扰检测问题展开研究，通过综合考虑发射机的非线性和无线通信信道的多径效应，将整个通信系统等效为Hammerstein模型，然后利用差分进化狼群算法得到模型参数的估计值，以此进行欺骗干扰检测。
以下结合附图对本发明作进一步说明。
本实施例基于差分进化狼群算法的欺骗干扰识别方法，按如下步骤进行：
第一步：考虑到非线性，将发射机和干扰机等效为无记忆多项式模型。
仿真中M＝4。
第二步：考虑到多径响应，将无线传输信道等效为FIR滤波器模型。
仿真中N＝3。
第三步：对整个通信传输系统进行建模。
第四步：接收机根据接收到的数据码元y(n)，估计得到发射端的C/A码，根据输入输出利用差分进化狼群算法进行系统辨识，得到模型参数的估计值。
本发明采用差分进化算法的差分策略，通过该算法中的变异、交叉和选择的过程，使得算法能跳出局部最优，同时也充分利用差分进化算法在局部寻优方面的优点，提高算法的寻优精度。
DE-WPA算法的基本思想是：种群先按照基本狼群算法进行，即依次执行游走、奔袭、围攻行为，之后进行差分进化，即变异、交叉及贪婪选择操作，之后再对头狼位置进行更新，并按照“强者生存”的狼群更新机制进行群体更新。总体上可以认为是依次进行WPA算法搜索和DE算法变异，是一种两层的串行结构。
DE-WPA算法的具体步骤如下：
步骤1，数值初始化。初始化狼群中人工狼位置Xi及其数目N'，最大迭代次数kmax，探狼比例因子α，最大游走次数Tmax,距离判定因子w，步长因子S，更新比例因子R。
步骤2，选取最优人工狼为头狼，除头狼外最佳的S_num匹人工狼为探狼并执行游走行为，直到某只探狼侦察到的猎物气味浓度Yi大于头狼所感知的猎物气味浓度Ylead或达到最大游走次数Tmax，则转步骤3。
步骤3，人工猛狼据式(4)向猎物奔袭，若途中猛狼感知的猎物气味浓度Yi＞Ylead,则Ylead＝Yi，替代头狼并发起召唤行为；若Yi＜Ylead，则人工猛狼继续奔袭直到dis＜dnear，转步骤4。
式中，stepb是召唤行为的步长，Gk是第k次迭代中头狼的位置，是第k次迭代中第i头狼的位置。
步骤4，按式(5)对参与围攻行为的人工狼的位置进行更新，执行围攻行为。
式中，stepc是围攻行为的步长，λ是一个随机数，且λ～U[-1,1]。
步骤5，对这狼群进行差分变异。对种群中每个个体Xi，随机生成三个互不相同的整数r1,r2,r3∈{1,2,…,N}，且要求i,r1,r2,r3这四个数互不相同，然后按(6)式生成变异个体
式中，F是变异尺度系数，Vi是变异个体，是根据r1,r2,r3所选的三个个体，若所生成的变异个体超出了解空间范围，则随机产生一个变异个体来代替。
步骤6，对这狼群进行交叉操作。交叉操作按每个个体向量的分量进行。将变异产生的变异个体与目标个体按照下面的公式进行交叉操作，具体执行过程如下：首先生成一个随机整数randni，然后对变异个体Vi和种群的目标个体Xi按式(7)得到试验个体为了保证个体的进化，首先通过随机选择使Ui至少有一位由Vi贡献，其它位由交叉概率CR来决定具体哪位由Xi贡献哪位由Vi贡献：
式中randj是位于[0,1]间的均匀分布的随机实数，而randni是属于{1,2,…D}内随机产生的维数索引号，其保证了至少有一位由变异向量贡献。此处CR为交叉概率因子，也是位于[0,1]间的一个常数。差分进化算法引入交叉操作是为了增加种群的多样性。
步骤7，对狼群进行选择操作：采用的是“贪婪选择”策略，经变异以及交叉操作后生成的候选个体Ui与目标个体Xi进行竞争：
上式中，f是适应度函数，在Ui和Xi中选择适应度函数值最优者作为新的个体，替换原来的个体。需要指出的是式(8)适合最大化。
步骤8，按“胜者为王”的头狼产生规则对头狼位置进行更新。
步骤9，判断是否达到优化精度要求或最大迭代次数Tmax，若达到则输出头狼的位置，即所求问题的最优解，否则转步骤2。
第五步：在利用差分进化狼群算法获得系统参数的估计值之后，采用直观的欧氏距离检测法进行识别，判决准则为：
其中，假设H0表示接收机接收到的是欺骗干扰信号，H1表示接收机接收到的信号是真实信号。式中，θ1为GPS发射机系统参数向量，θ2为干扰机系统参数向量，是根据系统的输入输出估计得到的参数向量。
上述差分进化狼群算法所得到的检测性能如图4所示，图4还显示了狼群算法两种方法所得到的检测性能。图4表明，两者方法均能有效地识别欺骗干扰，但，基于差分进化狼群算法的检测方法要优于基于狼群算法的检测方法，在SNR从2dB到26dB之间，检测率要高出5.11％。
以上对本发明的优选实施例及原理进行了详细说明，对本领域的普通技术人员而言，依据本发明提供的思想，在具体实施方式上会有改变之处，而这些改变也应视为本发明的保护范围。
Claims (1)
1.基于差分进化狼群算法的欺骗干扰识别方法，其特征是按如下步骤进行：
第一步：将发射机和干扰机等效为无记忆多项式模型
其中，M是多项式系数个数，d(n)是输入信号，b2i-1是多项式系数；另外，在不改变系统特性的情况下，为了确定系统的唯一性，令b1＝1；
第二步：将无线传输信道等效为FIR滤波器模型
上式中，hk是信道响应系数，N是FIR滤波器的阶数，w(n)～N(0,σ2)是加性高斯白噪声，x(n)是输入信号,y(n)为接收机接收到的信道输出信号；
第三步：对整个通信传输系统进行建模
第四步：接收机根据接收到的数据码元y(n)，估计得到发射端的C/A码，根据输入输出利用差分进化狼群算法进行系统辨识，得到模型参数的估计值，具体步骤如下：
步骤1，数值初始化
初始化狼群中人工狼位置Xi及其数目N'，最大迭代次数kmax，探狼比例因子α，最大游走次数Tmax,距离判定因子w，步长因子S，更新比例因子R；
步骤2，选取最优人工狼为头狼，除头狼外最佳的S_num匹人工狼为探狼并执行游走行为，直到某只探狼侦察到的猎物气味浓度Yi大于头狼所感知的猎物气味浓度Ylead或达到最大游走次数Tmax，则转步骤3；
步骤3，人工猛狼据式(4)向猎物奔袭，若途中猛狼感知的猎物气味浓度Yi＞Ylead,则Ylead＝Yi，替代头狼并发起召唤行为；若Yi＜Ylead，则人工猛狼继续奔袭直到dis＜dnear，转步骤4；
式中，stepb是召唤行为的步长，Gk是第k次迭代中头狼的位置，是第k次迭代中第i头狼的位置；
步骤4，按式(5)对参与围攻行为的人工狼的位置进行更新，执行围攻行为；
式中，stepc是围攻行为的步长，λ是一个随机数，且λ～U[-1,1]；
步骤5，对这狼群进行差分变异；对种群中每个个体Xi，随机生成三个互不相同的整数r1,r2,r3∈{1,2,…,N}，且要求i,r1,r2,r3这四个数互不相同，然后按(6)式生成变异个体
式中，F是变异尺度系数，Vi是变异个体，是根据r1,r2,r3所选的三个个体，若所生成的变异个体超出了解空间范围，则随机产生一个变异个体来代替；
步骤6，对这狼群进行交叉操作；交叉操作按每个个体向量的分量进行；将变异产生的变异个体与目标个体按照下面的公式进行交叉操作，具体执行过程如下：首先生成一个随机整数randni，然后对变异个体Vi和种群的目标个体Xi按式(7)得到试验个体为了保证个体的进化，首先通过随机选择使Ui至少有一位由Vi贡献，其它位由交叉概率CR来决定具体哪位由Xi贡献哪位由Vi贡献：
式中randj是位于[0,1]间的均匀分布的随机实数，而randni是属于{1,2,…D}内随机产生的维数索引号，其保证了至少有一位由变异向量贡献；此处CR为交叉概率因子，也是位于[0,1]间的一个常数；差分进化算法引入交叉操作是为了增加种群的多样性；
步骤7，对狼群进行选择操作：采用的是“贪婪选择”策略，经变异以及交叉操作后生成的候选个体Ui与目标个体Xi进行竞争：
上式中，f是适应度函数，在Ui和Xi中选择适应度函数值最优者作为新的个体，替换原来的个体；需要指出的是式(8)适合最大化；
步骤8，按“胜者为王”的头狼产生规则对头狼位置进行更新；
步骤9，判断是否达到优化精度要求或最大迭代次数Tmax，若达到则输出头狼的位置，即所求问题的最优解，否则转步骤2；
第五步：在利用差分进化狼群算法获得系统参数的估计值之后，采用直观的欧氏距离检测法进行识别，判决准则为：
其中，假设H0表示接收机接收到的是欺骗干扰信号，H1表示接收机接收到的信号是真实信号；式中，θ1为GPS发射机系统参数向量，θ2为干扰机系统参数向量，是根据系统的输入输出估计得到的参数向量。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201510582823.4A CN105117769B (zh) | 2015-09-14 | 2015-09-14 | 基于差分进化狼群算法的欺骗干扰识别方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201510582823.4A CN105117769B (zh) | 2015-09-14 | 2015-09-14 | 基于差分进化狼群算法的欺骗干扰识别方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN105117769A CN105117769A (zh) | 2015-12-02 |
| CN105117769B true CN105117769B (zh) | 2017-08-08 |
Family
ID=54665752
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201510582823.4A Active CN105117769B (zh) | 2015-09-14 | 2015-09-14 | 基于差分进化狼群算法的欺骗干扰识别方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN105117769B (zh) |
Families Citing this family (11)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN105656594B (zh) * | 2016-01-12 | 2019-04-30 | 杭州电子科技大学 | 基于信道差异的转发式gnss欺骗干扰检测方法 |
| CN107368076B (zh) * | 2017-07-31 | 2018-03-27 | 中南大学 | 一种智能环境下机器人运动路径深度学习控制规划方法 |
| CN107917734B (zh) * | 2017-11-29 | 2020-12-29 | 国网吉林省电力有限公司信息通信公司 | 基于温度和电阻的光缆故障预测方法 |
| CN108445755A (zh) * | 2018-03-07 | 2018-08-24 | 中国人民解放军空军工程大学 | 基于改进优化算法的电子干扰机空域划设方法 |
| CN108898212B (zh) * | 2018-06-13 | 2024-03-29 | 孙艺笑 | 一种基于差分进化狼群算法的欺骗干扰识别方法及装置 |
| CN109344953B (zh) * | 2018-08-23 | 2022-03-01 | 东华理工大学 | 云服务组合方法 |
| CN109347900B (zh) * | 2018-08-23 | 2020-12-11 | 东华理工大学 | 基于改进狼群算法的云服务系统自适应演化方法 |
| CN109270044A (zh) * | 2018-11-28 | 2019-01-25 | 安徽理工大学 | 一种激光诱导荧光植物油掺杂浓茶水鉴定方法 |
| CN109541564B (zh) * | 2018-12-14 | 2023-04-14 | 中国民用航空飞行学院 | 基于均值滤波的ads-b地面站抗干扰性能检测方法 |
| CN112284188A (zh) * | 2020-09-25 | 2021-01-29 | 南京航空航天大学 | 一种基于自适应步长离散狼群算法的无人机攻防决策方法 |
| CN113053348B (zh) * | 2021-03-12 | 2023-08-11 | 上海物骐微电子有限公司 | 一种基于灰狼算法的主动噪声控制方法及系统 |
Citations (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN104092503A (zh) * | 2014-07-15 | 2014-10-08 | 哈尔滨工程大学 | 一种基于狼群优化的人工神经网络频谱感知方法 |
| CN104794526A (zh) * | 2015-05-13 | 2015-07-22 | 哈尔滨工程大学 | 一种狼群搜索算法优化的船舶自动避碰方法 |
-
2015
- 2015-09-14 CN CN201510582823.4A patent/CN105117769B/zh active Active
Patent Citations (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN104092503A (zh) * | 2014-07-15 | 2014-10-08 | 哈尔滨工程大学 | 一种基于狼群优化的人工神经网络频谱感知方法 |
| CN104794526A (zh) * | 2015-05-13 | 2015-07-22 | 哈尔滨工程大学 | 一种狼群搜索算法优化的船舶自动避碰方法 |
Non-Patent Citations (3)
| Title |
|---|
| Autonomous Spoofing Detection and Mitigation in a GNSS Receiver with an Adaptive Antenna Array;Cheek M etal.;《Proceedings of International Technical Meeting of the Satellite Division of the Institute of Navigation》;20131231;第31卷(第5期);第1-5页 * |
| 基于原子分解理论的雷达欺骗式干扰信号特征提取;孙闽红 等;《电波科学学报》;20080630;第23卷(第3期);第550-554页 * |
| 基于改进搜索策略的狼群算法;李国亮 等;《$计算机应用》;20150630;第35卷(第6期);第1633-1636页 * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN105117769A (zh) | 2015-12-02 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN105117769B (zh) | 基于差分进化狼群算法的欺骗干扰识别方法 | |
| Fang et al. | Learning-aided physical layer authentication as an intelligent process | |
| CN105281847B (zh) | 基于模型参数辨识的欺骗干扰识别方法 | |
| Zhang et al. | Byzantine attack and defense in cognitive radio networks: A survey | |
| Soo et al. | Particle-swarm-optimization-based multiuser detector for CDMA communications | |
| Chuang et al. | Effective neural network‐based node localisation scheme for wireless sensor networks | |
| Ma et al. | Automatic modulation classification under non-Gaussian noise: A deep residual learning approach | |
| CN103117820A (zh) | 基于可信度的加权协作频谱检测方法 | |
| CN104618908B (zh) | 分布式认知无线网络对抗篡改感知数据攻击的方法和装置 | |
| CN113422695A (zh) | 一种提高物联网拓扑结构鲁棒性能的优化方法 | |
| Zhang et al. | Lightweight automatic modulation classification via progressive differentiable architecture search | |
| CN104202106A (zh) | 移动场景中基于信任度的协作频谱感知方法 | |
| Thien et al. | A transfer games actor–critic learning framework for anti-jamming in multi-channel cognitive radio networks | |
| CN105282746A (zh) | 基于嵌入式粒子群博弈的认知无线网络频谱分配方法 | |
| Wang et al. | Physical layer spoofing detection based on sparse signal processing and fuzzy recognition | |
| Wang et al. | Reputation-based cooperative spectrum sensing algorithm for mobile cognitive radio networks | |
| CN109150237A (zh) | 一种鲁棒多用户检测器设计方法 | |
| Bai et al. | Reputation-based Beta reputation system against SSDF attack in cognitive radio networks | |
| CN109996171A (zh) | 用于无线传感网络的遗传-禁忌搜索优化的Amorphous定位方法 | |
| CN115508790A (zh) | 基于回溯q学习的雷达抗干扰智能决策方法 | |
| Wang et al. | A trust-value based cooperative spectrum sensing algorithm for mobile secondary users | |
| Zolotukhin et al. | On Assessing Vulnerabilities of the 5G Networks to Adversarial Examples | |
| Yang et al. | A simple high-performance generation method for spoofing jamming signals | |
| Gao et al. | A kriging-based radio environment map construction and channel estimation system in threatening environments | |
| Gao et al. | An Improvement of Security Scheme for Radio Environment Map Under Massive Attacking |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| C06 | Publication | ||
| PB01 | Publication | ||
| C10 | Entry into substantive examination | ||
| SE01 | Entry into force of request for substantive examination | ||
| GR01 | Patent grant | ||
| GR01 | Patent grant | ||
| TR01 | Transfer of patent right |
Effective date of registration: 20180424 Address after: 310000 Zhejiang, Hangzhou, Binjiang District, Changhe street, Changjiang Road, 400, 2, 8, 801 rooms. Patentee after: Zhejiang van double science and Technology Co.,Ltd. Address before: Hangzhou City, Zhejiang province 310018 Xiasha Higher Education Park No. 2 street Patentee before: HANGZHOU DIANZI University |
|
| TR01 | Transfer of patent right | ||
| PE01 | Entry into force of the registration of the contract for pledge of patent right |
Denomination of invention: Identification method of deception jamming on the basis of differential evolution wolf pack algorithm Effective date of registration: 20190409 Granted publication date: 20170808 Pledgee: Changhe Branch of Hangzhou United Rural Commercial Bank Co.,Ltd. Pledgor: Zhejiang van double science and Technology Co.,Ltd. Registration number: 2019330000099 |
|
| PE01 | Entry into force of the registration of the contract for pledge of patent right | ||
| CP03 | Change of name, title or address |
Address after: Room 801, Building 1, No. 112 Jinjiadu Road, Liangzhu Street, Yuhang District, Hangzhou City, Zhejiang Province, 310000 Patentee after: Zhejiang Fanshuang Technology Co.,Ltd. Address before: 310000 room 801, 8 / F, building 2, No. 400, jianger Road, Changhe street, Binjiang District, Hangzhou City, Zhejiang Province Patentee before: Zhejiang van double science and Technology Co.,Ltd. |
|
| CP03 | Change of name, title or address |