CN105281847A - 基于模型参数辨识的欺骗干扰识别方法 - Google Patents

Abstract

本发明公开了一种基于模型参数辨识的欺骗干扰识别方法，包括以下步骤：第一步：考虑到功率放大器的非线性特性，将发射机和干扰机等效为非线性模型；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；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，根据输入输出利用系统辨识算法进行系统辨识，得到模型参数的估计值；第五步：在利用系统辨识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。本发明综合考虑发射机和无线传输信道进行数学建模，并以模型参数来作为特征。本发明方法鲁棒性好，识别效果佳。

Description

基于模型参数辨识的欺骗干扰识别方法

技术领域

本发明属于通信技术领域，具体涉及一种基于模型参数辨识的欺骗干扰识别方法，模型参数辨识的方法有很多，本发明讨论狼群算法。

背景技术

卫星导航定位系统极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。这些方法存在着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。因此，整个系统可以等效为一个Hammerstein模型。利用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：

基于模型参数辨识的欺骗干扰识别方法，其按如下步骤进行：

第一步：考虑到功率放大器的非线性特性，可以将发射机和干扰机等效为非线性模型，具体的非线性模型包括：无记忆多项式模型、Saleh模型、Hammerstein模型、Wiener模型、并联Wiener模型、并联Hammerstein模型、Wiener-Hammerstein模型、Volterra级数模型、记忆多项式模型、神经网络模型等等。为描述方便，本发明以无记忆多项式模型为例进行阐述。

无记忆多项式模型如下：

$\begin{array}{c}f\left(d\left(n\right)\right)=b_{1}d\left(n\right)+b_{3}d\left(n\right){\left|d\left(n\right)\right|}^2+b_{5}d\left(n\right){\left|d\left(n\right)\right|}^4+\mathrm{...}+b_{2m-1}d\left(n\right){\left|d\left(n\right)\right|}^{2m-2}\\ =\underset{i=1}{\overset{M}{\mathrm{\Σ}}}{b}_{2i-1}d\left(n\right){\left|d\left(n\right)\right|}^{2i-2}\end{array}---\left(1\right)$

其中，M是多项式系数个数，d(n)是输入信号，b_k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。

$y\left(n\right)=\underset{k=0}{\overset{N-1}{\mathrm{\Σ}}}{h}_{k}x(n-k)+w\left(n\right)---\left(2\right)$

上式中，h_k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。

$y\left(n\right)=\underset{k=0}{\overset{N-1}{\mathrm{\Σ}}}{h}_k\underset{i=1}{\overset{M}{\mathrm{\Σ}}}{b}_{2i-1}|d(n-k){|}^{2i-2}d(n-k)+w\left(n\right)---\left(3\right)$

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，根据输入输出利用系统辨识算法进行系统辨识，得到模型参数的估计值。系统辨识方法分为传统的系统辨识方法和智能算法，传统的系统辨识方法有最小二乘法、极大似然法、迭代估计法等等；智能算法有模拟退火算法、粒子群算法、蚁群算法、鱼群算法、蝙蝠算法等等。本发明以智能算法中的狼群算法为例进行说明。

第五步：在利用系统辨识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：

$|\widehat{\mathrm{\&theta;}}-{\mathrm{\&theta;}}_1|\underset{H_1}{\overset{H_0}{\begin{array}{c}>\\ <\end{array}}}|\widehat{\mathrm{\&theta;}}-{\mathrm{\&theta;}}_2|---\left(4\right)$

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(4)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，该方法运算简单，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是狼群算法流程图。

图4是分别用狼群算法和蝙蝠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。

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。

$\begin{array}{c}f\left(d\left(n\right)\right)=b_{1}d\left(n\right)+b_{3}d\left(n\right){\left|d\left(n\right)\right|}^2+b_{5}d\left(n\right){\left|d\left(n\right)\right|}^4+\mathrm{...}+b_{2m-1}d\left(n\right){\left|d\left(n\right)\right|}^{2m-2}\\ =\underset{i=1}{\overset{M}{\mathrm{\&Sigma;}}}{b}_{2i-1}d\left(n\right){\left|d\left(n\right)\right|}^{2i-2}\end{array}$

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。

$y\left(n\right)=\underset{k=0}{\overset{N-1}{\mathrm{\&Sigma;}}}{h}_{k}x(n-k)+w\left(n\right)$

仿真中N＝3。

第三步：对整个通信传输系统进行建模。

$y\left(n\right)=\underset{k=0}{\overset{N-1}{\mathrm{\&Sigma;}}}{h}_k\underset{i=1}{\overset{M}{\mathrm{\&Sigma;}}}{b}_{2i-1}|d(n-k){|}^{2i-2}d(n-k)+w\left(n\right)$

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，根据输入输出利用狼群算法进行系统辨识，得到模型参数的估计值。

狼群算法(WPA,WolfPackAlgorithm)模拟了狼群的协作捕猎行为，具有较好的全局收敛性和计算鲁棒性。在WPA中，狼群中分为头狼，探狼，以及猛狼。头狼就是种群中具有最优目标函数的人工狼，指挥整个狼群的行动。探狼是较少的具有较优目标函数值的人工狼，在猎物的可能活动范围中进行游猎。猛狼则只参与最后对猎物的围攻行为。每个猎物源表示为优化问题的一个可行解，猎物源的气味浓度代表相应解的质量或适应度。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X_i及其数目N，最大迭代次数k_max，探狼比例因子α，最大游走次数T_max,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Y_i大于头狼所感知的猎物气味浓度Y_lead或达到最大游走次数T_max，则转步骤3。

步骤3，人工猛狼据式(8)向猎物奔袭，若途中猛狼感知的猎物气味浓度Y_i＞Y_lead,则Y_lead＝Y_i，替代头狼并发起召唤行为；若Y_i＜Y_lead，则人工猛狼继续奔袭直到d_is＜d_near，转步骤4。

$x_{id}^{k+1}=x_{id}^k+{\mathrm{step}}_b^d(g_d^k-x_{id}^k)/\left|g_d^k-x_{id}^k\right|---\left(5\right)$

式中step_b是召唤行为的步长，G^k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(6)对参与围攻行为的人工狼的位置进行更新，执行围攻行为。

$x_{id}^{k+1}=x_{id}^k+\mathrm{\&lambda;}\&CenterDot;{\mathrm{step}}_c^d.|G_d^k-x_{id}^k|---\left(6\right)$

式中step_c是围攻行为的步长，λ是一个随机数，且λ～U[-1,1]。

步骤5，按“胜者为王”的头狼产生规则对头狼位置进行更新；再按照“强者生存”的狼群更新机制进行群体更新。

步骤6，判断是否达到优化精度要求或最大迭代次数T_max，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：

$|\widehat{\mathrm{\&theta;}}-{\mathrm{\&theta;}}_1|\underset{H_1}{\overset{H_0}{\begin{array}{c}>\\ <\end{array}}}|\widehat{\mathrm{\&theta;}}-{\mathrm{\&theta;}}_2|$

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。

以上狼群算法和蝙蝠算法两种方法所得到的检测性能如图4所示。图4表明两者方法均能有效的识别欺骗干扰，基于狼群算法的检测方法要优于基于蝙蝠算法的检测方法，在SNR从2dB到14dB之间，检测率要高出4.93％。

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 (8)

1.基于模型参数辨识的欺骗干扰识别方法，其特征是按如下步骤：

第一步：将发射机和干扰机等效为非线性模型；

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，根据输入输出利用系统辨识算法进行系统辨识，得到模型参数的估计值；

第五步：采用直观的欧氏距离检测法进行识别。

2.如权利要求1所述的基于模型参数辨识的欺骗干扰识别方法，其特征是：

第一步：所述的非线性模型包括：无记忆多项式模型、Saleh模型、Hammerstein模型、Wiener模型、并联Wiener模型、并联Hammerstein模型、Wiener-Hammerstein模型、Volterra级数模型、记忆多项式模型、神经网络模型。

3.如权利要求2所述的基于模型参数辨识的欺骗干扰识别方法，其特征是：所述的无记忆多项式模型如下：

$\begin{array}{c}f\left(d\right(n))=b_{1}d\left(n\right)+b_{3}d\left(n\right)|d\left(n\right){|}^2+b_{5}d\left(n\right)|d\left(n\right){|}^4+...+b_{2m-1}d\left(n\right)|d\left(n\right){|}^{2m-2}\\ =\underset{i=1}{\overset{M}{\mathrm{\&Sigma;}}}{b}_{2i-1}d\left(n\right)|d\left(n\right){|}^{2i-2}\end{array}$

其中，M是多项式系数个数，d(n)是输入信号，b_k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。

4.如权利要求3所述的基于模型参数辨识的欺骗干扰识别方法，其特征是：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；

$y\left(n\right)=\underset{k=0}{\overset{N-1}{\&Sigma;}}{h}_{k}x(n-k)+w\left(n\right)---\left(2\right)$

式(2)中，h_k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，y(n)为接收机接收到的信道输出信号。

5.如权利要求4所述的基于模型参数辨识的欺骗干扰识别方法，其特征是：第三步：对整个通信传输系统进行建模；

$y\left(n\right)=\underset{k=0}{\overset{N-1}{\&Sigma;}}{h}_k\underset{i=1}{\overset{M}{\&Sigma;}}{b}_{2i-1}|d(n-k){|}^{2i-2}d(n-k)+w\left(n\right)---\left(3\right).$

6.如权利要求5所述的基于模型参数辨识的欺骗干扰识别方法，其特征是：第四步：所述的系统辨识方法分为传统的系统辨识方法和智能算法。

7.如权利要求6所述的基于模型参数辨识的欺骗干扰识别方法，其特征是：第四步，所述的系统辨识方法选用智能算法中的狼群算法。

8.如权利要求7所述的基于模型参数辨识的欺骗干扰识别方法，其特征是：第五步：在利用系统辨识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(4)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。