CN109782304B - 一种信号捕获阶段的gnss欺骗干扰检测方法及系统 - Google Patents
一种信号捕获阶段的gnss欺骗干扰检测方法及系统 Download PDFInfo
- Publication number
- CN109782304B CN109782304B CN201910087648.XA CN201910087648A CN109782304B CN 109782304 B CN109782304 B CN 109782304B CN 201910087648 A CN201910087648 A CN 201910087648A CN 109782304 B CN109782304 B CN 109782304B
- Authority
- CN
- China
- Prior art keywords
- neural network
- signal
- gnss
- network model
- signals
- 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
Images
Landscapes
- Radar Systems Or Details Thereof (AREA)
- Position Fixing By Use Of Radio Waves (AREA)
Abstract
本发明公开了一种信号捕获阶段的GNSS欺骗干扰检测方法及系统,包括以下步骤:步骤1,在信号捕获阶段,提取接收机产生的预设数量的以多普勒频移和码相位为轴的二维搜索数组的特征参数,获得样本数据;步骤2,通过步骤1获得的样本数据中的训练数据训练预构建的分类神经网络模型,获得训练好的分类神经网络模型;步骤3,将待检测GNSS信号输入步骤2获得的训练好的分类神经网络模型中,通过分类神经网络模型输出检测结果。本发明的检测方法集合了信号功率、相关峰数量和相关峰畸形参数统一进行检测,具有检测性能好、适用性强、时机靠前以及复杂度较低的优点。
Description
技术领域
本发明属于卫星导航系统中的干扰检测技术领域,具体涉及一种信号捕获阶段的GNSS欺骗干扰检测方法及系统。
背景技术
全球卫星导航系统(Global Navigation Satellite System,GNSS)是一种覆盖广,全天候、实时、高精度的导航系统。随着卫星导航技术的不断发展,GNSS广泛应用于各类军用和民用设施,其用户数量及应用场景不断增加,安全性、可靠性也越来越受到人们的重视。当前卫星导航系统所面临的安全威胁主要可以分为无意干扰和有意干扰。有意干扰主要指人为恶意干扰,又可以分为压制式干扰和欺骗式干扰以及组合干扰。压制式干扰指对卫星频段施加强功率干扰信号,导致接收机无法接收卫星信号。而欺骗式干扰指发射与导航卫星相同或相似、然而功率更强一些的信号,卫星导航系统用户的接收终端可能把这种信号误认为是由真实导航卫星发来的,而对其进行捕获与跟踪,导致接收终端产生错误的信息或者无信息输出。相对于传统的强功率压制式干扰,欺骗式干扰具备隐蔽性强、设备小型化、干扰效率高等优势。
现有欺骗式干扰的检测方法主要分为两个方面:一是基于多天线,通过信号的空域特征进行检测,即检测多个卫星信号的来波方向用以判断,如果有多个卫星信号来自同一方向,则认为该卫星信号中存在欺骗信号,这种方法主要针对单个欺骗干扰源发射多个PRN(Pseudo Random Noise code,伪随机噪声码)信号的情况,其应用存在局限性,并且使用多天线将增加民用卫星导航接收机的成本;二是基于信号处理,通过信号的时域、频域、功率等特征进行检测,包括载噪比检测、信号质量监测、基于RAIM(Receiver AutonomousIntegrity Monitoring,接收机自体完好性监控)的检测等,这几种方法的适用性较强,但是载噪比检测准确性较低,基于RAIM的检测需要对信号进行解算而复杂度较高、时效性不强。
信号质量监测主要通过信号相关峰是否发生畸变来判断是否存在欺骗信号,现有方法主要有信号绝对功率检测、载噪比检测、在信号捕获时检测相关峰数量和在信号跟踪时分析相关器输出等方法。信号绝对功率检测和载噪比检测的准确率较差,信号捕获时检测相关峰数量的方法在欺骗信号与真实信号伪码相位差小于2码片时难以分辨。信号跟踪时分析相关器输出的方法无法对信号信息充分利用,检测效果与选取参数相关在信号接收功率不稳定、信噪比较小时检测准确性较低。
综上,亟需一种新型的信号捕获阶段的GNSS欺骗干扰检测方法。
发明内容
本发明的目的在于提供一种信号捕获阶段的GNSS欺骗干扰检测方法及系统,以解决上述存在的一个或多个技术问题。本发明的检测方法集合了信号功率、相关峰数量和相关峰畸形参数统一进行检测,具有检测性能好、适用性强、时机靠前以及复杂度较低的优点。
为达到上述目的,本发明采用以下技术方案:
一种信号捕获阶段的GNSS欺骗干扰检测方法,包括以下步骤:
步骤1,针对GNSS接收机接收信号中仅存在真实的卫星导航信号以及GNSS接收机接收信号中同时存在卫星导航真实信号和欺骗信号两种场景,对接收机在信号捕获阶段获得的预设数量的以多普勒频移和伪码相位为轴的二维搜索数组进行特征参数提取,获得训练样本数据;每个二维搜索数组提取获得的特征参数均包括全局统计量x1、峰值2码片内统计量x2、全局峰值x3、达到捕获门限的相关峰数量x4、多普勒频移轴中心对称差值累加和x5以及伪码相位轴中心对称差值累加和x6;样本数据包括训练数据;
步骤2,通过步骤1获得的样本数据中的训练数据训练预构建的分类神经网络模型,训练达到预设收敛条件后,获得训练好的分类神经网络模型;
步骤3,将待检测GNSS信号输入步骤2获得的训练好的分类神经网络模型中,通过分类神经网络模型输出检测结果。
本发明的进一步改进在于,步骤1中,将接收机产生的以多普勒频移和伪码相位为轴的二维搜索数组用矩阵A表示,则:
x1=∑A;
x3=max(A);
x4=num(A>λacq),其中λacq为接收机捕获门限;
本发明的进一步改进在于,步骤2中,所用的分类神经网络模型为MLP神经网络模型。
本发明的进一步改进在于,MLP神经网络的处理过程如下:
(1)网络初始化:初始化输入层与隐藏层之间权值Wh和隐藏层与输出层之间权值Wo,隐藏层偏置bh和输出层偏置bo,学习效率η和隐藏层激活函数f(.);
(2)隐藏层输出计算:H=f(WhX+bh),其中H为隐藏层输出,X为输入数据;
(3)输出层输出计算:O=HWo+bo,其中O为输出层输出;
本发明的进一步改进在于,所用MLP神经网络模型中,隐藏节点数在输入层的2~10倍之间。
本发明的进一步改进在于,步骤1中,场景H0:GNSS接收机接收信号中仅存在真实的卫星导航信号;场景H1:GNSS接收机接收信号中同时存在卫星导航真实信号和欺骗信号;两种场景数据各占50%;其中,场景H1的数据再按照欺骗信号和真实信号的伪码相位差ΔT区分,ΔT取值区间为0至2码片,步长0.1码片;取两种场景及对应各类数据的80%作为训练数据。
本发明的进一步改进在于,接收机采样频率越高,使用中频数据时长越大,检测效果越好。
一种信号捕获阶段的GNSS欺骗干扰检测系统,包括:
训练数据获取模块,用于针对GNSS接收机接收信号中仅存在真实的卫星导航信号以及GNSS接收机接收信号中同时存在卫星导航真实信号和欺骗信号两种场景,在信号捕获阶段,提取接收机产生的预设数量的以多普勒频移和伪码相位为轴的二维搜索数组的特征参数,获得样本数据;每个二维搜索数组提取获得的特征参数均包括全局统计量x1、峰值2码片内统计量x2、全局峰值x3、达到捕获门限的相关峰数量x4、多普勒频移轴中心对称差值累加和x5以及伪码相位轴中心对称差值累加和x6;样本数据包括训练数据;
分类神经网络模块,用于通过训练数据获取模块获得的样本数据中的训练数据训练预构建的分类神经网络模型,训练达到预设收敛条件后,获得训练好的分类神经网络模型;
输入输出模块,用于将待检测GNSS信号输入获得的训练好的分类神经网络模型中,并通过分类神经网络模型输出检测结果。
本发明的进一步改进在于,分类神经网络模型为MLP神经网络模型。
与现有技术相比,本发明具有以下有益效果:
本发明的GNSS欺骗干扰检测方法是一种基于信号质量监测的方法,在信号捕获阶段,利用GNSS接收机产生的二维搜索数组提取特征参数,交由分类神经网络做欺骗干扰检测;检测方法集合了信号功率、相关峰数量和相关峰畸形参数统一进行检测,具有检测性能好、适用性强、时机靠前以及复杂度较低的特点。另外,软件接收机的普遍使用为本检测方法的应用提供了可能。具体的,本发明的检测相比于基于RAIM的检测方法,不需要解算,因而复杂度较低;检测时机靠前,故时效性较强。相比于基于信号跟踪时分析相关器输出的方法,本发明与其的复杂度相仿,但是检测时机靠前,故时效性较强。
进一步地,多层感知器(Multilayer Perceptron,MLP)是一种前向结构的人工神经网络,映射一组输入向量到一组输出向量。反向传播算法(back propagation,BP)常被用来训练MLP,该网络的主要过程是信号前向传播和误差反向传播。MLP神经网络无论在网络理论还是在性能方面已比较成熟,其突出优点就是具有很强的非线性映射能力和柔性的网络结构,在分类和回归问题中均有广泛的应用。因此,本发明将采用MLP神经网络来实现欺骗干扰检测。
附图说明
图1为卫星导航系统转发式欺骗干扰模型示意图;
图2为导航卫星接收机信号捕获二维搜索示意图;
图3为接收信号中仅存在卫星导航信号的捕获结果的示意图;
图4为接收信号中同时存在卫星导航信号和欺骗信号的捕获结果的示意图;
图5为MLP神经网络结构示意图;
图6为欺骗干扰信号对相关峰影响示意图;图6(a)为无欺骗干扰信号示意图;图6(b)为有欺骗干扰信号相关峰完全重叠示意图,相差0码片;图6(c)为有欺骗干扰信号相关峰不完全重叠示意图,相差0.5码片;图6(d)为有欺骗干扰信号相关峰不完全重叠示意图,相差1码片;图6(e)为有欺骗干扰信号相关峰不完全重叠示意图,相差1.5码片;图6(f)为有欺骗干扰信号相关峰不完全重叠示意图,相差3码片;
图7为基于信号处理的欺骗信号检验方法对比示意图;
图8为本发明的检测方法在捕获阶段采用不同信号时长情况下的检测结果对比示意图;
图9为本发明的检测方法采用不同MLP神经网络结构的检测结果对比图。
具体实施方式
下面结合附图和具体实施例对本发明作进一步详细说明。
请参阅图1,本发明的一种信号捕获阶段的GNSS欺骗干扰检测方法,考虑的系统模型为如图1所示的卫星导航系统,卫星导航信号始终存在,欺骗干扰信号可能存在,即系统存在两种情况,H0:GNSS接收机接收信号中仅存在真实的卫星导航信号;H1:GNSS接收机接收信号中同时存在卫星导航真实信号和欺骗信号。欺骗信号模拟真实信号的伪码相位、多普勒频移等参数,功率略高于真实信号,使其在GNSS接收机捕获时能够有更大的概率被捕获。
GNSS接收机接收卫星信号后,将信号经过下变频转化为中频信号:
其中,sLS(t)为卫星导航直射信号,sMP(t)为多径信号,n(t)为噪声信号,sSpoof(t)为欺骗信号。
请参阅图2,GNSS接收机对中频信号进行捕获,信号捕获的方法有基于时域相关器的方法、基于匹配滤波器的方法和基于FFT的方法等,均会生成二维矩阵,用于搜索相关峰并粗略估计卫星导航信号的多普勒频移和伪码相位。在信号捕获阶段接收机依次对所有PRN进行搜索,生成以多普勒频移和伪码相位为轴的二维搜索数组,即矩阵A,如图2所示。信号为GPS信号,TCAcodephase_range为[1,1023],多普勒频移搜索范围为fDoppler_range=[-7kHz,7kHz],ΔTC为伪码相位搜索步长,ΔfD为多普勒频移搜索步长。本发明的实施例仿真中采用基于FFT的捕获方法。
请参阅图3、图4和图6,当接收信号中不存在当前PRN的卫星导航信号时,A中无满足捕获条件的相关峰;当接收信号中仅存在当前PRN的卫星导航信号时,二维矩阵A中仅有1个大于捕获门限的相关峰,如图3所示。当接收信号中同时存在当前PRN的卫星导航信号和欺骗信号时,信号捕获产生的二维矩阵将有2个或以上大于检测门限的相关峰,如图4所示。在图6中,我们可以看到,在欺骗干扰信号与真实信号的伪码相位差异较小时,这些相关峰可能会完全重叠或部分重叠,为欺骗干扰的检测带来了难度。
本发明目的在于提供一种在信号捕获阶段基于MLP神经网络的GNSS欺骗干扰检测方法,在信号捕获阶段,利用GNSS接收机产生的二维搜索数组提取特征参数,交由MLP神经网络做欺骗干扰检测,进而能够实现检测。
本发明实施例的方法主要在于提出了在信号捕获阶段提取特征参数,基于MLP神经网络对信号进行检测的方法,具体过程如下:
1)在信号捕获阶段,利用接收机产生的以多普勒频移和伪码相位为轴的二维搜索数组,即矩阵A,提取6个特征参数,包括全局统计量x1、峰值2码片内统计量x2、全局峰值x3、达到捕获门限的相关峰数量x4、多普勒频移轴中心对称差值累加和x5、伪码相位轴中心对称差值累加和x6。
x1=∑A
x3=max(A)
x4=num(A>λacq),其中λacq为接收机捕获门限
2)将训练数据进行信号捕获并提取特征参数交由MLP神经网络进行训练。MLP神经网络的结构如图5所示,隐藏层可以调整,一般使用3层神经网络,本发明中使用网络结构为[6,12,1]。MLP神经网络的处理过程如下:
2.1)网络初始化。初始化输入层与隐藏层之间权值Wh和隐藏层与输出层之间权值Wo,隐藏层偏置bh和输出层偏置bo,学习效率η和隐藏层激活函数f(.)。
2.2)隐藏层输出计算。
H=f(WhX+bh),其中H为隐藏层输出,X为输入数据。
2.3)输出层输出计算。
O=HWo+bo,其中O为输出层输出。
2.4)损失计算。
2.5)参数更新。
每输入一组数据,前向传播、损失计算、反向传播、参数更新的过程为一次迭代(epoch)。
3)将验证数据进行信号捕获并提取特征参数交由MLP神经网络进行验证,测试检测效果。检测效果与信号捕获情况相关,接收机采样频率越高,使用中频数据时长越大,检测效果越好。
具体的,样本数据包括:训练数据和验证数据;通过验证数据对训练好的分类神经网络模型进行检测效果测试;检测效果达到预设要求,则获得训练好的分类神经网络模型;检测效果未达到预设要求,则重复训练MLP神经网络模型。
本发明提供一种在信号捕获阶段基于MLP神经网络的GNSS欺骗干扰检测方法,在信号捕获阶段,利用GNSS接收机产生的二维搜索数组提取特征参数,交由训练好的MLP神经网络实现欺骗干扰检测。本发明的检测方法集合了信号功率、相关峰数量和相关峰畸形参数统一进行检测,具有检测性能好、适用性强、时机靠前以及复杂度较低的优点。
本发明的一种信号捕获阶段的GNSS欺骗干扰检测系统,基于本发明上述的检测方法,包括:
训练数据获取模块,用于针对GNSS接收机接收信号中仅存在真实的卫星导航信号以及GNSS接收机接收信号中同时存在卫星导航真实信号和欺骗信号两种场景,在信号捕获阶段,提取接收机产生的预设数量的以多普勒频移和伪码相位为轴的二维搜索数组的特征参数,获得样本数据;每个二维搜索数组提取获得的特征参数均包括全局统计量x1、峰值2码片内统计量x2、全局峰值x3、达到捕获门限的相关峰数量x4、多普勒频移轴中心对称差值累加和x5以及伪码相位轴中心对称差值累加和x6;样本数据包括训练数据;
分类神经网络模块,用于通过训练数据获取模块获得的样本数据中的训练数据训练预构建的分类神经网络模型,训练达到预设收敛条件后,获得训练好的分类神经网络模型;
输入输出模块,用于将待检测GNSS信号输入获得的训练好的分类神经网络模型中,并通过分类神经网络模型输出检测结果。
其中,分类神经网络模型可以为MLP神经网络模型。
为了验证本发明提出的GNSS欺骗干扰检测方法的性能,我们进行了如下仿真实验:
模拟GNSS接收机的中频信号为采样频率为16.3676MHz、理论中频为4.1304MHz的GPS卫星导航信号,不关心电文,随机生成电文数据D(t)。模拟的卫星导航信号中带有直射信号和多径信号,模拟一路多径信号,衰落为-10~-5dB,接收机接收信噪比SNR为-25~-15dB。模拟的欺骗信号与真实信号仅存在多普勒频移、伪码相位和功率的不同,多普勒频移差Δf在±1kHz区间内随机变化,伪码相位差ΔT在±2码片区间内变化,功率大于直射信号1~3dB。仿真数据共计762300组数据,分为H0:GNSS接收机接收信号中仅存在真实的卫星导航信号;H1:GNSS接收机接收信号中同时存在卫星导航真实信号和欺骗信号,两种场景各占50%。其中H1场景的数据再按照欺骗信号和真实信号的伪码相位差ΔT区分,ΔT取值区间为0至2码片,步长0.1码片,共计21类,每类18150组数据。取两种场景及对应各类数据的80%共计609840组作为训练数据;剩余的数据中,H1场景的数据再根据ΔT分为21类,每类3630组数据,H0场景的数据随机分为21份,每份3630组数据,两个场景最终得到21类,每类7260组数据进行验证测试。
接收机采用基于FFT的捕获方法,多普勒频移搜索范围fDoppler_range取[-7kHz,7kHz],步长ΔfD取0.5kHz,中频信号时长为tacq取1ms。
请参阅图7,将本发明方法与几种基于信号处理的方法做了对比,分别是绝对功率检测、捕获阶段相关峰数量检测、利用信号跟踪相关器输出使用MLP进行分类(Detectionof Spoofing Attack using Machine Learning based on Multi-Layer Neural Networkin Single-Frequency GPS Receivers,Shafiee E,Mosavi M R,Moazedi M.2017)。利用信号跟踪相关器输出使用MLP进行分类的方法主要过程为利用信号跟踪相关器输出的同相和正交的早、及时、晚相关值IE,IP,IL,QE,QP,QL,经过计算得到Delta特征x1,早期-晚期特征x2,信号电平特征x3,交由MLP(Multi-Layer Perceptron)神经网络进行训练和判决。
从图7可以看出,本发明方法检测准确率明显高于现有的方法。本发明方法将功率检测和相关峰数量检测作为部分参数,加入对信号畸形情况进行检测的中心对称差值累加和,将3种对比方法结合为一体,同时还解决了对比方法3检测效果与τ相关的问题。
请参阅图8,我们在捕获阶段采用非相干积分,不同中频信号时长tacq:1ms、3ms、5ms,对比了本发明方法的检测结果,可以看出,非相干累积作为弱信号捕获的方法,可以改善信噪比,提高捕获相关峰的清晰度,信号时长越长,检测效果越好。从仿真结果来看,当欺骗信号与真实信号的伪码相位差大于1码片时,采用1ms信号时长的检测准确率在96.5%左右,而采用5ms信号时长的检测准确率则达到了98%左右。
请参阅图9,我们取对本发明方法选取不同的MLP神经网络结构时的检测效果进行比较,选用对比的神经网络结构依次为:1、[6,20,1];2、[6,12,1];3、[6,6,1];4、[6,2,1]。从仿真结果来看,在欺骗信号与真实信号的伪码相位差大于1码片时,当隐藏层节点数不小于输入节点数时,检测准确率均在96.5%左右,总体上检测效果相差不大,而当隐藏层节点数小于输入节点数时,检测准确率仅91%左右。可以看出,隐藏层节点数越大,效果越好,检测效果存在上限,但检测时间越长,所以一般选取隐藏节点数在输入层的2~10倍之间。
总的来说,本检测方法在信号捕获阶段,利用GNSS接收机产生的二维搜索数组,提取信号功率、相关峰数量和相关峰畸形等特征参数,交由MLP神经网络进行检测,将多个方法结合起来,同时提出对相关峰畸形进行检测的中心对称差值累积量作为特征参数,检测性能好、适用性强、检测时机靠前、复杂度较低。
本领域内的技术人员应明白,本申请的实施例可提供为方法、系统、或计算机程序产品。因此,本申请可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且,本申请可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、CD-ROM、光学存储器等)上实施的计算机程序产品的形式。
本申请是参照根据本申请实施例的方法、设备(系统)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器,使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。
这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中,使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品,该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。
这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上,使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理,从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。
以上内容是结合具体的优选实施方式对本发明所作的进一步详细说明,不能认定本发明的具体实施方式仅限于此,对于本发明所属技术领域的普通技术人员来说,在不脱离本发明构思的前提下,还可以做出若干简单的推演或替换,都应当视为属于本发明由所提交的权利要求书确定专利保护范围。
Claims (6)
1.一种信号捕获阶段的GNSS欺骗干扰检测方法,其特征在于,包括以下步骤:
步骤1,针对GNSS接收机接收信号中仅存在真实的卫星导航信号以及GNSS接收机接收信号中同时存在卫星导航真实信号和欺骗信号两种场景,对接收机在信号捕获阶段获得的预设数量的以多普勒频移和伪码相位为轴的二维搜索数组进行特征参数提取,获得样本数据;每个二维搜索数组提取获得的特征参数均包括全局统计量x1、峰值2码片内统计量x2、全局峰值x3、达到捕获门限的相关峰数量x4、多普勒频移轴中心对称差值累加和x5以及伪码相位轴中心对称差值累加和x6;样本数据包括训练数据;
步骤2,通过步骤1获得的样本数据中的训练数据训练预构建的分类神经网络模型,训练达到预设收敛条件后,获得训练好的分类神经网络模型;
步骤3,将待检测GNSS信号输入步骤2获得的训练好的分类神经网络模型中,通过分类神经网络模型输出检测结果;
步骤1中,将接收机产生的以多普勒频移和伪码相位为轴的二维搜索数组用矩阵A表示,则:
x1=∑A;
x3=max(A);
x4=num(A>λacq),其中λacq为接收机捕获门限;
步骤2中,所用的分类神经网络模型为MLP神经网络模型。
3.根据权利要求1所述的一种信号捕获阶段的GNSS欺骗干扰检测方法,其特征在于,所用MLP神经网络模型中,隐藏节点数在输入层的2~10倍之间。
4.根据权利要求1所述的一种信号捕获阶段的GNSS欺骗干扰检测方法,其特征在于,步骤1中,场景H0:GNSS接收机接收信号中仅存在真实的卫星导航信号;场景H1:GNSS接收机接收信号中同时存在卫星导航真实信号和欺骗信号;两种场景数据各占50%;
其中,场景H1的数据再按照欺骗信号和真实信号的伪码相位差ΔT区分,ΔT取值区间为0至2码片,步长0.1码片;
取两种场景及对应各类数据的80%作为训练数据。
5.根据权利要求1所述的一种信号捕获阶段的GNSS欺骗干扰检测方法,其特征在于,接收机采样频率越高,使用中频数据时长越大,检测效果越好。
6.一种信号捕获阶段的GNSS欺骗干扰检测系统,其特征在于,包括:
训练数据获取模块,用于针对GNSS接收机接收信号中仅存在真实的卫星导航信号以及GNSS接收机接收信号中同时存在卫星导航真实信号和欺骗信号两种场景,在信号捕获阶段,提取接收机产生的预设数量的以多普勒频移和伪码相位为轴的二维搜索数组的特征参数,获得样本数据;每个二维搜索数组提取获得的特征参数均包括全局统计量x1、峰值2码片内统计量x2、全局峰值x3、达到捕获门限的相关峰数量x4、多普勒频移轴中心对称差值累加和x5以及伪码相位轴中心对称差值累加和x6;样本数据包括训练数据;
分类神经网络模块,用于通过训练数据获取模块获得的样本数据中的训练数据训练预构建的分类神经网络模型,训练达到预设收敛条件后,获得训练好的分类神经网络模型;
输入输出模块,用于将待检测GNSS信号输入获得的训练好的分类神经网络模型中,并通过分类神经网络模型输出检测结果;
训练数据获取模块中,将接收机产生的以多普勒频移和伪码相位为轴的二维搜索数组用矩阵A表示,则:
x1=∑A;
x3=max(A);
x4=num(A>λacq),其中λacq为接收机捕获门限;
ΔTC为伪码相位搜索步长,ΔfD为多普勒频移搜索步长;
分类神经网络模块中,所用的分类神经网络模型为MLP神经网络模型。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910087648.XA CN109782304B (zh) | 2019-01-29 | 2019-01-29 | 一种信号捕获阶段的gnss欺骗干扰检测方法及系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910087648.XA CN109782304B (zh) | 2019-01-29 | 2019-01-29 | 一种信号捕获阶段的gnss欺骗干扰检测方法及系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN109782304A CN109782304A (zh) | 2019-05-21 |
CN109782304B true CN109782304B (zh) | 2021-02-09 |
Family
ID=66503632
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910087648.XA Active CN109782304B (zh) | 2019-01-29 | 2019-01-29 | 一种信号捕获阶段的gnss欺骗干扰检测方法及系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN109782304B (zh) |
Families Citing this family (18)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110244323B (zh) * | 2019-05-24 | 2021-04-20 | 中国科学院光电研究院 | 微、轻型无人机gnss反欺骗系统及欺骗信号检测与导航方法 |
CN110213009B (zh) * | 2019-07-23 | 2021-08-31 | 电子科技大学 | 一种基于功率混合的安全通信方法 |
CN110879404B (zh) * | 2019-08-19 | 2022-02-01 | 中国电波传播研究所(中国电子科技集团公司第二十二研究所) | 一种基于相关峰和残留信号相结合的gnss欺骗干扰检测方法 |
CN110471091B (zh) * | 2019-08-29 | 2021-05-25 | 北京航空航天大学合肥创新研究院 | 一种基于相关器正交分量的欺骗干扰检测方法 |
CN110632621B (zh) * | 2019-09-18 | 2022-07-12 | 南京航空航天大学 | 基于扩展sqm的gnss接收机基带欺骗检测方法 |
CN111399002B (zh) * | 2020-04-09 | 2022-06-07 | 西安交通大学 | 一种基于两级神经网络的gnss接收机组合干扰分类识别方法 |
CN113708852B (zh) * | 2020-05-21 | 2022-11-11 | 华为技术有限公司 | 一种天线的在位检测方法和装置 |
CN111708055A (zh) * | 2020-05-27 | 2020-09-25 | 桂林电子科技大学 | 一种导航欺骗信号检测方法及装置 |
CN111562597A (zh) * | 2020-06-02 | 2020-08-21 | 南京敏智达科技有限公司 | 一种基于bp神经网络的北斗卫星导航干扰源识别方法 |
CN112327331A (zh) * | 2020-11-02 | 2021-02-05 | 中山大学 | 一种gnss欺骗干扰检测方法、装置、设备和存储介质 |
CN112596078A (zh) * | 2020-12-19 | 2021-04-02 | 中国电波传播研究所(中国电子科技集团公司第二十二研究所) | 一种基于载噪比统计的卫星导航欺骗干扰检测方法 |
CN113376659B (zh) * | 2021-06-15 | 2022-05-13 | 东南大学 | 一种基于bp神经网络的gnss生成式欺骗干扰检测方法 |
CN114236577B (zh) * | 2021-12-17 | 2022-08-23 | 山东大学 | 一种基于人工神经网络的gnss信号捕获方法 |
CN115291258B (zh) * | 2022-10-08 | 2022-12-13 | 成都星航时空科技有限公司 | 一种gnss基带捕获方法 |
CN116027363B (zh) * | 2023-03-27 | 2023-08-04 | 厦门大学 | 一种异构并行处理器加速的gnss防欺骗基带装置 |
CN116660942B (zh) * | 2023-06-01 | 2024-01-30 | 北京交通大学 | 基于深度学习的列车卫星定位欺骗干扰检测方法及系统 |
CN116482720B (zh) * | 2023-06-26 | 2023-09-05 | 山东科技大学 | 一种基于机器学习理论的gnss欺骗干扰检测方法 |
CN117250644B (zh) * | 2023-11-08 | 2024-02-13 | 中国船舶集团有限公司第七〇七研究所 | 一种面向船舶应用的防干扰方法及系统 |
Family Cites Families (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102508263B (zh) * | 2011-11-08 | 2013-04-24 | 北京航空航天大学 | 一种采用多通道并行相关峰采样监测信号质量的方法 |
KR102258696B1 (ko) * | 2015-02-02 | 2021-06-01 | 한국전자통신연구원 | 위성 항법해를 생성하는 장치 및 방법 |
CN107290758B (zh) * | 2017-05-02 | 2020-07-07 | 南京航空航天大学 | Gnss干扰信号多级辨识检测系统及方法 |
CN109188470B (zh) * | 2018-09-11 | 2021-03-02 | 西安交通大学 | 一种基于卷积神经网络的gnss欺骗干扰检测方法 |
-
2019
- 2019-01-29 CN CN201910087648.XA patent/CN109782304B/zh active Active
Also Published As
Publication number | Publication date |
---|---|
CN109782304A (zh) | 2019-05-21 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109782304B (zh) | 一种信号捕获阶段的gnss欺骗干扰检测方法及系统 | |
CN109188470B (zh) | 一种基于卷积神经网络的gnss欺骗干扰检测方法 | |
CN110231633B (zh) | 一种信号捕获阶段基于lstm的gnss欺骗式干扰识别、抑制方法及系统 | |
CN111399002B (zh) | 一种基于两级神经网络的gnss接收机组合干扰分类识别方法 | |
CN106814375B (zh) | 一种抗转发式欺骗的捕获方法和接收机 | |
CN106772455B (zh) | 一种基于惯性信息辅助与参数估计的gnss反欺骗环路跟踪方法 | |
CN104330808B (zh) | 基于解重扩技术的多类卫星导航干扰抑制方法 | |
CN105717518A (zh) | 一种基于码相位辨识的卫星接收机欺骗信号检测方法 | |
CN113406671B (zh) | 一种基于c/n0-mv的gnss转发式欺骗干扰检测方法 | |
CN110231634A (zh) | 一种信号捕获阶段基于lstm的gnss欺骗干扰检测方法及系统 | |
Swaszek et al. | Analysis of a simple, multi-receiver GPS spoof detector | |
Dovis et al. | Detection of spoofing threats by means of signal parameters estimation | |
Mosavi et al. | Advanced anti-spoofing methods in tracking loop | |
CN112346087A (zh) | 多峰检测和增益监测结合的gnss欺骗检测方法及系统 | |
CN102243309B (zh) | Gnss互相关干扰抑制方法和装置 | |
Li et al. | Research on multi-peak detection of small delay spoofing signal | |
Lu et al. | An improved sliding matched filter method for interrupted sampling repeater jamming suppression based on jamming reconstruction | |
WO2012025306A1 (fr) | Dispositif spatio temporel multi-antennes multi-correlateurs pour la rejection des multi-trajets des systemes de navigation | |
CN113253302B (zh) | 北斗导航授权信号转发式欺骗干扰的识别方法及导航设备 | |
US11585943B2 (en) | Detection and elimination of GNSS spoofing signals with PVT solution estimation | |
Louis | Neural network based evil waveforms detection | |
Sun et al. | Recovering authentic global position system L1 signals under spoofing using dual receiver direct positioning | |
Bamberg et al. | Which GNSS tracking loop configuration is most robust against spoofing? | |
Qi et al. | Machine learning assisted multipath signal parameter estimation and its evaluation under weak signal environment | |
Yang et al. | Research on GNSS interference recognition based on ROI of correlation peaks |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
TA01 | Transfer of patent application right | ||
TA01 | Transfer of patent application right |
Effective date of registration: 20210125 Address after: Room 1902, unit 6, building 1, yicui Shangfu North District, No. 31, Zhangba Street office, high tech Zone, Xi'an City, Shaanxi Province, 710000 Applicant after: Xi'an Beidou star navigation technology Co.,Ltd. Address before: 710049 No. 28 West Xianning Road, Shaanxi, Xi'an Applicant before: XI'AN JIAOTONG University |
|
GR01 | Patent grant | ||
GR01 | Patent grant |