CN110231634A - 一种信号捕获阶段基于lstm的gnss欺骗干扰检测方法及系统 - Google Patents
一种信号捕获阶段基于lstm的gnss欺骗干扰检测方法及系统 Download PDFInfo
- Publication number
- CN110231634A CN110231634A CN201910404639.9A CN201910404639A CN110231634A CN 110231634 A CN110231634 A CN 110231634A CN 201910404639 A CN201910404639 A CN 201910404639A CN 110231634 A CN110231634 A CN 110231634A
- Authority
- CN
- China
- Prior art keywords
- lstm
- curve
- cheating interference
- signal
- gnss
- 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.)
- Pending
Links
Classifications
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01S—RADIO DIRECTION-FINDING; RADIO NAVIGATION; DETERMINING DISTANCE OR VELOCITY BY USE OF RADIO WAVES; LOCATING OR PRESENCE-DETECTING BY USE OF THE REFLECTION OR RERADIATION OF RADIO WAVES; ANALOGOUS ARRANGEMENTS USING OTHER WAVES
- G01S19/00—Satellite radio beacon positioning systems; Determining position, velocity or attitude using signals transmitted by such systems
- G01S19/01—Satellite radio beacon positioning systems transmitting time-stamped messages, e.g. GPS [Global Positioning System], GLONASS [Global Orbiting Navigation Satellite System] or GALILEO
- G01S19/13—Receivers
- G01S19/21—Interference related issues ; Issues related to cross-correlation, spoofing or other methods of denial of service
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01S—RADIO DIRECTION-FINDING; RADIO NAVIGATION; DETERMINING DISTANCE OR VELOCITY BY USE OF RADIO WAVES; LOCATING OR PRESENCE-DETECTING BY USE OF THE REFLECTION OR RERADIATION OF RADIO WAVES; ANALOGOUS ARRANGEMENTS USING OTHER WAVES
- G01S19/00—Satellite radio beacon positioning systems; Determining position, velocity or attitude using signals transmitted by such systems
- G01S19/01—Satellite radio beacon positioning systems transmitting time-stamped messages, e.g. GPS [Global Positioning System], GLONASS [Global Orbiting Navigation Satellite System] or GALILEO
- G01S19/13—Receivers
- G01S19/24—Acquisition or tracking or demodulation of signals transmitted by the system
Landscapes
- Engineering & Computer Science (AREA)
- Radar, Positioning & Navigation (AREA)
- Remote Sensing (AREA)
- Computer Networks & Wireless Communication (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Position Fixing By Use Of Radio Waves (AREA)
Abstract
本发明公开了一种信号捕获阶段基于LSTM的GNSS欺骗干扰检测方法及系统,包括以下步骤:在信号捕获阶段,通过GNSS接收机产生以多普勒频移和码相位为轴的二维搜索数组,即矩阵A;提取多个时刻的矩阵A的参数构成特征参数,将获得的特征参数作为训练数据集;所述多个时刻的场景包括:H0无欺骗干扰、H1异步欺骗干扰和H2同步欺骗干扰;通过获得的训练数据集对LSTM神经网络模型进行训练,训练完毕后,获得训练好的LSTM神经网络模型;通过训练好的LSTM神经网络模型对GNSS接收机接收的信号进行检测,完成在信号捕获阶段基于LSTM的GNSS欺骗干扰检测。本发明的检测方法及系统的检测准确率较高,且能够区分欺骗干扰的攻击方式。
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基于LSTM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、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;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、设备小型化和干扰效率高等优势。
现有欺骗式干扰的检测方法主要分为三个方面:一是基于空域信号处理的方法;二是基于时频码域信号处理的方法;三是基于导航信息处理的方法。现有基于时频码域信号处理的方法中:基于接收机信号强度、噪声电平和载噪比估计的欺骗信号检测方法,适用性较强但检测准确率较低;基于超过捕获阈值的相关峰个数来的检测方法,该方法在欺骗信号与真实信号伪码相位差较小时检测效果较差;在接收机信号功率、信噪比、相关峰数量的基础上加入了相关函数宽度\捕获门限处相关峰宽度作为检测特征的检测方法,该类方法在欺骗信号与真实信号伪码相位差在1码片以外的情况下,检测性能较好,但伪码相位差在1码片以内时,检测效果不好。以上检测方法均为对当前时刻信号进行检测的方法,无法区分欺骗干扰的攻击方式。
综上,亟需一种新的适用于GNSS系统的信号欺骗干扰检测方法及系统。
发明内容
本发明的目的在于提供一种信号捕获阶段基于LSTM的GNSS欺骗干扰检测方法及系统,以解决上述存在的技术问题。本发明的检测方法准确率较高,且能够区分欺骗干扰的攻击方式。
为达到上述目的,本发明采用以下技术方案:
一种信号捕获阶段基于LSTM的GNSS欺骗干扰检测方法,包括以下步骤:
步骤1,在信号捕获阶段,通过GNSS接收机产生以多普勒频移和码相位为轴的二维搜索数组,即矩阵A;提取多个时刻的矩阵A的参数构成特征参数,将获得的特征参数作为训练数据集;所述多个时刻的场景包括:H0无欺骗干扰、H1异步欺骗干扰和H2同步欺骗干扰;
步骤2,通过步骤1获得的训练数据集对LSTM神经网络模型进行训练,训练完毕后,获得训练好的LSTM神经网络模型;通过所述训练好的LSTM神经网络模型能够判断是否存在欺骗信号;如果存在欺骗信号,通过训练后的LSTM神经网络模型能够判断攻击方式为异步欺骗干扰或同步欺骗干扰;
步骤3,通过步骤2训练好的LSTM神经网络模型对GNSS接收机接收的信号进行检测,完成在信号捕获阶段基于LSTM的GNSS欺骗干扰检测。
本发明的进一步改进在于,步骤2中,所述训练好的LSTM神经网络模型的检测结果包括:D0、D1和D2;检测结果D0、D1和D2与场景H0、H1和H2一一对应;检测结果为D0时,不存在欺骗信号;检测结果为D1时,存在欺骗信号且识别欺骗信号的干扰方式为异步欺骗干扰;当检测结果为D2时,存在欺骗信号且识别欺骗信号的干扰方式为同步欺骗干扰。
本发明的进一步改进在于,步骤1中,提取获得的特征参数XLSTM=[X1,X2,...,XL],式中l=1,2,...,L,L为采集时序特征的时刻长度;每个时刻的特征参数包括:相关值全局累加量X1、相关值局部累加量X2、大于捕获门限的相关值数量X3、达到捕获门限的相关峰数量X4、全局相关峰值X5、全局相关峰伪码相位轴的坐标X6、全局相关峰多普勒频移轴的坐标X7、全局相关峰值X8、全局相关峰伪码相位轴的坐标X9和全局相关峰多普勒频移轴的坐标X10。
本发明的进一步改进在于,LSTM神经网络模型的结构为:
序号 | 各层类型 | 参数 |
1 | 输入层 | 10 |
2 | 双向LSTM层 | 100 |
3 | 全连接层 | —— |
4 | Softmax层 | —— |
5 | 输出层 | 3 |
本发明的进一步改进在于,异步欺骗干扰至少包括以下阶段:欺骗信号出现,欺骗者以大功率干扰破坏目标接收机的跟踪环路;欺骗式干扰保持固定的参数;所述大功率为能够破坏接收机跟踪环路的功率;同步欺骗干扰至少包括以下阶段:欺骗信号以较低的功率出现,逐渐实现与目标接收机的伪码相位和多普勒频移相同步;欺骗信号逐步增大功率;欺骗信号锁定目标接收机的跟踪环路;欺骗信号逐步引导目标接收机脱离真实信号的跟踪环路;欺骗信号在新的伪码相位和多普勒频移进行欺骗;所述较低的功率为不影响接收机跟踪环路的功率。
本发明的进一步改进在于,
式中,ax,y为矩阵A的第x,y个元素;x为A中多普勒频移轴上的坐标;y为A中伪码相位轴上的坐标;
式中,VT为接收机捕获门限;
X3=num({(x,y)|A(x,y)>VT})
式中,num({·})表示满足大括号中条件的元素集合的大小;
X4=num((x,y)|{PA(x,y)>VT})
式中,PA表示矩阵A中的波峰;
X5=P1=max(A)
式中,P1表示矩阵A中最大波峰的峰值,即最大相关峰;
式中,和分别为最大相关峰在伪码相位轴和多普勒频移轴上的坐标;
X8=P2
式中,P2表示矩阵A中大于捕获门限的第二波峰峰值;
式中,和分别为第二相关峰在伪码相位轴和多普勒频移轴上的坐标。
本发明的方法能够适用于伪码相位差在1码片以内时的检测。
一种信号捕获阶段基于LSTM的GNSS欺骗干扰检测系统,包括:
特征提取模块,用于在信号捕获阶段,通过GNSS接收机产生以多普勒频移和码相位为轴的二维搜索数组,即矩阵A;同时用于提取多个时刻的矩阵A的参数构成特征参数,将获得的特征参数作为训练数据集;所述多个时刻的场景包括:H0无欺骗干扰、H1异步欺骗干扰和H2同步欺骗干扰;
判决分类模块,通过特征提取模块获得的训练数据集对LSTM神经网络模型进行训练,训练完毕后,获得训练好的LSTM神经网络模型;通过所述训练好的LSTM神经网络模型能够判断是否存在欺骗信号;如果存在欺骗信号,通过训练后的LSTM神经网络模型能够判断攻击方式为异步欺骗干扰或同步欺骗干扰;用于通过训练好的LSTM神经网络模型对GNSS接收机接收的信号进行检测,完成在信号捕获阶段基于LSTM的GNSS欺骗干扰检测。
进一步地,特征提取模块中,提取获得的特征参数XLSTM=[X1,X2,...,XL],式中l=1,2,...,L,L为采集时序特征的时刻长度;每个时刻的特征参数包括:相关值全局累加量X1、相关值局部累加量X2、大于捕获门限的相关值数量X3、达到捕获门限的相关峰数量X4、全局相关峰值X5、全局相关峰伪码相位轴的坐标X6、全局相关峰多普勒频移轴的坐标X7、全局相关峰值X8、全局相关峰伪码相位轴的坐标X9和全局相关峰多普勒频移轴的坐标X10。
与现有技术相比,本发明具有以下有益效果:
本发明的检测方法,是一种在信号捕获阶段基于LSTM神经网络的GNSS欺骗干扰检测方法,其在信号捕获阶段,使用特征提取模块对GNSS接收机产生的二维搜索数组提取特征参数,采集多个时刻的特征参数集合,交由训练好的LSTM神经网络做欺骗干扰检测;其检测准确率较高,伪码相位差在1码片以内时也具有较好的检测效果,且能够区分欺骗干扰的攻击方式。软件接收机的普遍使用为本发明方法的应用提供了可能。
附图说明
图1为卫星导航系统欺骗干扰模型示意图;
图2为卫星导航系统欺骗干扰攻击方式示意图;
图3为导航卫星接收机信号捕获二维搜索示意图;
图4为本发明基于LSTM的检测、识别及抑制方法的组合应用流程示意框图;
图5为本发明的欺骗干扰检测流程示意框图;
图6为异步攻击场景下欺骗信号检测效果对比示意图;
图7为同步攻击场景下欺骗信号检测效果对比示意图;
图8为异步攻击场景下欺骗信号攻击方式识别效果示意图;
图9为同步攻击场景下欺骗信号攻击方式识别效果示意图;
图10为异步攻击场景下欺骗信号识别准确率随功率比SSR变化示意图;
图11为异步攻击场景下欺骗信号识别准确率随伪码相位差异变化示意图;
图12为同步攻击场景下欺骗信号识别准确率随功率比SSR变化示意图;
图13为同步攻击场景下欺骗信号识别准确率随时间变化示意图;
图14为存在欺骗信号时的捕获结果示意图;
图15为欺骗信号消除后的捕获结果示意图;
图16为欺骗信号消除后的跟踪结果示意图。
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。
本发明实施例的的一种信号捕获阶段基于LSTM的GNSS欺骗干扰检测方法,具体过程如下:
1)在信号捕获阶段,使用特征提取模块对接收机产生的以多普勒频移和码相位为轴的二维搜索数组,即矩阵A,提取多个时刻的矩阵A构成特征参数XLSTM=[X1,X2,...,XL],其中l=1,2,...,L,L为采集时序特征的时刻长度,特征参数包括相关值全局累加量X1、相关值局部累加量X2、大于捕获门限的相关值数量X3、达到捕获门限的相关峰数量X4、全局相关峰值X5、全局相关峰伪码相位轴的坐标X6、全局相关峰多普勒频移轴的坐标X7、全局相关峰值X8、全局相关峰伪码相位轴的坐标X9、全局相关峰多普勒频移轴的坐标X10。所述的多个时刻至少包括以下阶段:系统中不存在欺骗式干扰,存在异步欺骗干扰及存在同步欺骗干扰。
2)将XLSTM作为训练数据集交由判决分类模块,对LSTM神经网络进行训练。
3)使用相同的方法得到测试数据集X'LSTM,交由训练好的LSTM神经网络进行测试。
4)当检测结果为欺骗信号时,LSTM的方法可以直接识别欺骗信号的攻击方式。
5)检测结果为1个相关峰时,欺骗信号与真实信号重合,无法区分欺骗信号与真实信号;当检测结果为2个相关峰时,欺骗信号与真实信号并未完全重合,则使用基于峰值均值与历史峰值对比的方法来对异步攻击方式的相关峰进行识别,基于LSTM的方法对同步攻击方式的相关峰进行识别,每个相关峰的特征包括其峰值和位置的时序集合。
6)将识别的欺骗信号参数交由欺骗干扰信号消除模块进行干扰消除,恢复可靠的卫星导航。
请参阅图1,本发明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,存在N颗可见卫星,Ns颗卫星的欺骗干扰信号。由于本文采用基于时频域信号处理的方法,所有不考虑欺骗干扰信号的来波方向。
GNSS接收机接收到的卫星信号建模为:
其中,i表示第i颗可见卫星,A为信号功率,D(t)为数据码,C(t)为伪码,τ(t)为伪码相位,fc为载波频率,fd为多普勒频移,为载波相位。
欺骗信号总是希望与真实信号具有相同的信号参数,因此它可能误导接收机。欺骗信号建模为具有与真实的卫星信号相同的伪码,相似的伪码相位和载波频率,幅度略高于真实信号以增大被捕获概率。
其中,角标s代表欺骗信号。
欺骗信号与真实信号的伪码相位间隔表示为ΔCi=τsi(t)-τi(t),多普勒频移差异表示为功率比表示为为了方便表示,在后面的表达中,舍去角标i,分别表示为ΔC、Δf、SSR。
GNSS接收机接收到的信号建模为
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。
请参阅图2,欺骗信号采用两种攻击方式,分别为异步攻击和同步攻击。
异步攻击时,欺骗者首先以压制式干扰破坏目标接收机原有的跟踪环路,之后如果欺骗信号的功率大于真实信号,则目标接收机将以更高的概率捕获并锁定欺骗信号。
T0异阶段,系统中不存在欺骗式干扰;
T1异阶段,欺骗信号出现,欺骗者以大功率干扰破坏目标接收机的跟踪环路;
T2异~T5异阶段,欺骗式干扰保持固定的参数,欺骗信号一般以较大的功率提升自身被捕获和跟踪锁定的概率。
同步攻击时,欺骗者首先以较低的功率与目标接收机的伪码相位和多普勒频移相同步,该攻击方式也因此被称为同步攻击,之后欺骗者逐渐增大欺骗信号的功率,直到它足以锁定跟踪环路,最后逐步引导目标接收机脱离真实信号的跟踪环路,在新的伪码相位和多普勒频移进行欺骗。
T0同阶段,系统中不存在欺骗式干扰;
T1同阶段,欺骗信号以较低的功率出现,伪装成多径信号;
T2同阶段,欺骗信号实现与目标卫星信号同步,逐步增大功率;
T3同阶段,欺骗信号锁定目标接收机的跟踪环路;
T4同阶段,欺骗信号逐步引导目标接收机脱离真实信号的跟踪环路;
T5同阶段,欺骗信号保持参数不变继续进行欺骗。
请参阅图3,GNSS接收机对接收到的中频信号进行捕获,生成二维搜索数组,即矩阵A,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。如图3所示,信号为GPS信号,TCA为[1,1023],多普勒频移搜索范围为fDoppler=[-7kHz,7kHz],ΔTC为伪码相位搜索步长,ΔfD为多普勒频移搜索步长。
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。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。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。在检测出欺骗信号存在时,目前文献中主要以欺骗信号功率大于真实信号作为区分方法,尚未出现能够有效区分欺骗信号与真实信号的方法。
请参阅图4,本发明提出了一种在信号捕获阶段基于LSTM神经网络的GNSS欺骗干扰信号检测、识别与抑制框架,并对其中的方法进行了实现。在信号捕获阶段,利用GNSS接收机产生的多个时刻的二维搜索数组提取时序特征参数,交由LSTM神经网络做欺骗干扰检测,在检测出欺骗信号存在的同时识别欺骗攻击方式,并进一步识别真实信号与欺骗信号,由信号消除模块消除欺骗信号。
为了对欺骗攻击方式进行识别,结合采取的LSTM的检测方法可以对时序特征进行检测的能力,我们将欺骗攻击方式划分为3种情况,即欺骗干扰场景下存在3种情况:H0:无欺骗干扰;H1:异步欺骗干扰;H2:同步欺骗干扰。
本发明主要在于提出了基于LSTM神经网络的欺骗信号检测方法,欺骗信号攻击方式识别方法,在欺骗信号存在时,区分真实信号和欺骗信号的方法,并提出了以上方法的组合应用框架,具体过程如下:
1)首先提取时序特征参数。在信号捕获阶段,使用特征提取模块对接收机产生的以多普勒频移和码相位为轴的二维搜索数组,即矩阵A,提取特征参数XLSTM=[X1,X2,...,XL],其中l=1,2,...,L,L为采集时序特征的时刻长度,特征参数包括相关值全局累加量X1、相关值局部累加量X2、大于捕获门限的相关值数量X3、达到捕获门限的相关峰数量X4、全局相关峰值X5、全局相关峰伪码相位轴的坐标X6、全局相关峰多普勒频移轴的坐标X7、全局相关峰值X8、全局相关峰伪码相位轴的坐标X9、全局相关峰多普勒频移轴的坐标X10。
1.1)相关值全局累加量X1表征A的整体能量特征。将A中相关值全部累加。
式中:ax,y为矩阵A的第x,y个元素;x为A中多普勒频移轴上的坐标;y为A中伪码相位轴上的坐标。
1.2)相关值局部累加量X2表征相关峰的能量统计特征。
其中VT为接收机捕获门限。
1.3)大于捕获门限的相关值数量X3表征相关峰的宽度特征。
X3=num({(x,y)|A(x,y)>VT})
其中,num({·})——满足大括号中条件的元素集合的大小。
1.4)大于捕获门限的相关峰数量X4表征相关峰的数量特征
X4=num((x,y)|{PA(x,y)>VT})
其中,PA表示A中的波峰。
1.5)全局相关峰值X5表征相关峰的峰值特征。
X5=P1=max(A)
其中,P1表示A中最大波峰的峰值,即最大相关峰。
1.6)全局相关峰伪码相位轴的坐标X6与多普勒频移轴的坐标X7为全局相关峰的坐标
其中,和分别为最大相关峰在伪码相位轴和多普勒频移轴上的坐标。
1.7)全局相关第二峰值X8。
X8=P2
其中,P2表示A中大于捕获门限的第二波峰峰值。
1.8)全局相关第二峰伪码相位轴的坐标X9与多普勒频移轴的坐标X10为全局相关第二峰的坐标
其中,和分别为第二相关峰在伪码相位轴和多普勒频移轴上的坐标。
2)请参阅图5,采集多组XLSTM作为训练数据集交由用于欺骗干扰检测的神经网络,记为LSTM-0,进行训练,该LSTM-0网络的结构为:
序号 | 各层类型 | 参数 |
1 | 输入层 | 10 |
2 | 双向LSTM层 | 100 |
3 | 全连接层 | —— |
4 | Softmax层 | —— |
5 | 输出层 | 3 |
3)使用相同的方法得到测试数据集X'LSTM,交由训练好的LSTM-0神经网络进行测试。
4)检测结果D0、D1、D2分别对应H0、H1、H2。当检测结果不为D0时,检测结果为存在欺骗信号;当检测结果为D1时,识别欺骗信号的干扰方式为异步欺骗干扰;当检测结果为D2时,识别欺骗信号的干扰方式为同步欺骗干扰,即使用LSTM-0进行检测,同时得到欺骗干扰检测结果和攻击方式识别结果。
5)当A中仅存在1个相关峰时,欺骗信号与真实信号重合,无法区分欺骗信号与真实信号;当A中有2个相关峰时,欺骗信号与真实信号并未完全重合,则进一步使用对应方法区分欺骗信号与真实信号。
5.1)当检测结果为D1时,由于信号参数不变化,信号特征不存在明显的时序特性。一旦重新进行捕获,欺骗信号与真实信号相对于之前的真实信号均存在位置的跳变,仅存在功率上的差异,因此提出使用相关峰峰值的均值作为判断欺骗信号和真实信号的依据,取L1个时刻计算两个相关峰的峰值均值,与保存的仅存在真实信号时的相关峰均值大小进行比较,差异较大者为欺骗峰。具体为:首先取T0阶段的峰值平均值Pm0,在T2~T5阶段存在2个相关峰时,将L1个时刻2个相关峰峰值的均值分别记为Pm1和Pm2。如果|Pm1-Pm0|>|Pm2-Pm0|,则Pm2为真实相关峰,反之则Pm1为真实相关峰。
5.2)当检测结果为D2时,使用LSTM-2进行同步欺骗干扰的信号识别,其网络结构为:
序号 | 各层类型 | 参数 |
1 | 输入层 | 3 |
2 | 双向LSTM层 | 50 |
3 | 全连接层 | —— |
4 | Softmax层 | —— |
5 | 输出层 | 2 |
使用相关峰值以及其在伪码相位轴和多普勒频移轴的位置作为2个相关峰的时序特征参数。采集时序特征参数的时刻长度为L2,得到两个相关峰的时序特征序列。
第一峰的时序特征序列:其中
第二峰的时序特征序列:其中
训练数据集使用同步攻击信号产生的时序特征序列。训练完毕后使用同步攻击信号产生测试数据集进行测试。
6)将识别的欺骗信号参数交由欺骗干扰消除模块进行干扰消除。
6.1)根据识别欺骗信号的伪码相位将接收的信号起始点指向伪码的起始点,将接收的信号记为Yr,Yr=YA+YS+N,YA表示真实的卫星信号,YS表示欺骗信号,N表示加性高斯噪声。
6.2)根据识别欺骗信号的载波频率建立欺骗信号的基础矩阵
其中Ci(t)表示其对应卫星的伪码,表示其对应卫星的载波,t表示时刻,K表示1ms的采样点数。为方便表示,以后将简写为QS,依然表示其对应卫星的基础矩阵。
6.3)建立该颗卫星信号的子空间投影矩阵。
建立该颗卫星的零空间投影矩阵。
HC=I-H
6.4)将接收信号Yr与零空间投影矩阵HC相乘,即可消除对应卫星的欺骗信号。
由于HC与YA和N的相关性不强,因此影响不大,而欺骗信号YS则被消除。
当识别结果为异步攻击时,由于欺骗信号参数不变,可以使用较低的频率修正欺骗信号的参数,而当识别结果为同步攻击时,由于欺骗信号的参数处于变化之中,需要使用较高的频率修正欺骗信号的参数。
请参阅图5,本发明实施例的一种信号捕获阶段基于LSTM的GNSS欺骗干扰检测系统,包括:
特征提取模块,用于在信号捕获阶段,通过GNSS接收机产生以多普勒频移和码相位为轴的二维搜索数组,即矩阵A;同时用于提取多个时刻的矩阵A的参数构成特征参数,将获得的特征参数分为训练数据集和测试数据集;
判决分类模块,用于通过特征提取模块获得的训练数据集对LSTM神经网络模型进行训练,训练完毕后,获得训练后的LSTM神经网络模型;用于通过特征提取模块获得的测试数据集对获得的训练后的LSTM神经网络模型进行测试,满足测试结果预设要求,获得训练好的LSTM神经网络模型,不满足测试结果预设要求,则重复特征提取及训练;测试结果预设要求为:通过训练后的LSTM神经网络模型能够判断是否存在欺骗信号;如果存在欺骗信号,通过训练后的LSTM神经网络模型能够判断攻击方式为异步欺骗干扰或同步欺骗干扰;用于通过训练好的LSTM神经网络模型对GNSS接收机接收的信号进行检测,完成在信号捕获阶段基于LSTM的GNSS欺骗干扰检测。
本发明的工作原理:
由于欺骗干扰信号出现后,GNSS接收机在捕获阶段得到的相关峰出现了数量、幅值、宽度等变化,不同的攻击方式,变化的参数和速度也不相同,与仅存在真实卫星导航信号时序特征存在差异,正是这种时序特征的差异,我们提出利用LSTM进行干扰检测和信号识别。LSTM(Long short-Term Memory)是长短期记忆网络,是一种时间递归网络,适用于处理和预测时间序列中间隔和延迟不确定的事件。在语音识别,情感分类,图像分析,运动识别等领域有着广泛的应用。该网络是循环神经网络(recurrent neural network,RNN)的一种,通过输入门、遗忘门和输出门来提升其对时序特性的处理能力。本发明所设计的检测方法是一种基于时频码域信号处理的方法。在信号捕获阶段,对GNSS接收机产生的二维搜索数组提取特征参数,采集多个时刻的特征集合得到时序特征,包括相关峰数量、幅值、宽度等特征,交由LSTM神经网络对欺骗干扰进行检测,识别欺骗干扰方式,并在检测出欺骗信号存在时,进一步利用LSTM神经网络来识别真实信号与欺骗信号,结合信号消除算法实现对欺骗信号的准确消除。本检测方法适用信号功率、相关峰数量和相关峰畸形参数等,利用特征参数的时序特性进行检测,检测性能好、适用性强、时机靠前,且能够较为准确的区分欺骗信号的攻击方式,并识别欺骗信号和真实信号,准确消除欺骗信号,恢复可靠的卫星导航。软件接收机的普遍使用为本检测方法的应用提供了可能。
为了验证本发明提出的基于卷积神经网络的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10.23MHz、理论中频为0MHz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-21~-18dB。
1、模拟异步欺骗干扰
T0异阶段,1~4000ms,系统中不存在欺骗式干扰;
T1异阶段,4001ms~5000ms,加入欺骗信号,模拟大功率压制式干扰;
T2异~T5异阶段,5001ms~9000ms,欺骗式干扰保持固定的参数实施欺骗。
真实卫星信号始终存在,欺骗信号的参数为:功率比SSR取-3~10dB,伪码相位差异ΔC取0~5码片,多普勒频移差异Δf在±100Hz区间内随机取值。为模拟的更加真实,考虑接收机在存在干扰时不能连续捕获的情况,真实信号的相关峰位置在大功率干扰之后随机变化,欺骗信号与真实信号之间的参数差异不变。
2、模拟动态同步欺骗干扰
T0同阶段,1~4000ms,系统中不存在欺骗式干扰;
T1同~T3同阶段,4001ms~tS3,加入欺骗信号,功率比SSR以0.5×vSSRdB/100ms的速度从SSRInitial增大至SSRfinal,达到SSRfinal的时刻记为tS3。
T4同阶段,tS3~tS4,伪码相位差异ΔC以±0.1×vCA码片/100ms的速率从0码片变化至ΔCfinal码片,达到ΔCfinal码片的时刻记为tS4。
T5同阶段,tS4~12000ms,欺骗式干扰保持当前参数实施欺骗。
真实卫星信号始终存在。欺骗信号的参数为:欺骗过程中,初始功率比SSRInitial取-10~-5dB,最终功率比SSRfinal取-3~10dB,变化速率vSSR取1、2,Δf在±100Hz区间内随机取值并保持不变,初始伪码相位差异ΔCinitial为0码片,最终伪码相位差异ΔCfinal取3~7或-7~-3码片,变化速率vCA取1、2。
取LSTM的时序特征序列长度L=20,模拟真实卫星信号数据50000组,异步欺骗干扰数据共计50400组,同步欺骗干扰数据共计64800组,其中80%用于LSTM-0的训练,20%用于验证测试。
首先我们对所提使用LSTM-0的欺骗信号检测方法(ACQ-LSTM-DR)的检测能力进行了测试,我们将本发明方法与几种基于时频信号处理的方法做了对比,分别是1.基于CNN的检测方法(ACQ-CNN)、2.基于特征提取的MLP检测方法(ACQ-MLP)、3.基于接收信号绝对功率的检测方法(Signal-Power)、4.基于相关峰数量的检测方法(ACQ-PeakNumber)、5.基于捕获门限处相关峰宽度、相关峰数量和接收信号信噪比的检测方法(ACQ-PeakWidth)。
如图6所示,我们在异步攻击场景下对几种方法进行了对比,可以看出,本发明所提方法由于加入了对时序特征的检测,准确率明显高于对比方案。在T0异阶段,仅存在真实的卫星信号,本发明所提方法的虚警率最低,在T2异~T5异阶段,第1个点检测准确率稍差,因为该点的时序特征采集时刻中仅有1个时刻存在欺骗信号,时序特征不够明显,而该点的检测准确率仅次于基于CNN的检测方法,但仍高于其他对比方案,其余点的准确率均达到98%以上,高于对比方案。
如图7所示,我们在同步攻击场景下对几种方法进行了对比,选取的测试数据参数为:SSRInitial=-5dB,SSRfinal=1dB,vSSR=1,vCA=1。可以看出,本发明所提方法准确率明显高于对比方案,并且可以更早的检测出欺骗信号存在。在T0阶段,仅存在真实的卫星信号,本发明所提方法的虚警率最低,在T1同~T3同阶段,加入欺骗干扰信号后,由于欺骗信号与真实信号伪码相位对齐,多普勒频移差异不大,欺骗信号从较低功率逐渐增大,因此传统的检测方法都没有较高的检测率,ACQ-MLP方法的检测准确率相对较高,但也未超过80%,而所提ACQ-LSTM-DR方法随着采集时序特征的时刻中存在欺骗信号的时刻增加,检测准确率迅速上升至90%以上。在T4同阶段,欺骗信号开始拖离相关峰,对形状更加敏感的ACQ-CNN方法准确率开始迅速提升,其余检测方案除了Signal-Power之外均逐步达到接近100%。
然后我们对所提ACQ-LSTM-DR方法的识别能力进行了测试。如图8所示,我们在异步欺骗干扰场景下进行了测试,在T0异阶段,仅存在真实信号,判断结果为D0,虚警概率接近0。在T2异~T5异阶段,第1个点判断结果为D1的准确率仅95%,这是因为第1个点的时序特征采集时刻中仅1个时刻存在欺骗信号,特征序列的时序特征不够明显。之后的时刻中无论时序特征采集时刻中是否存在T0异阶段的时刻,识别准确率均达到98%以上,这是因为所选取的特征参数中本身具有对欺骗信号的检测能力。不论T0异阶段还是T2异~T5异阶段,ACQ-LSTM-DR方法将当前场景判断为D2的概率均接近于0,误判率极低。
如图9所示,我们在同步欺骗干扰场景下进行了测试,测试参数为:SSRInitial=-5dB,SSRfinal=1dB,vSSR=1,vCA=2。在T0同阶段,仅存在真实信号,判断结果为D0,虚警概率接近0。在T1同~T3同阶段,欺骗信号加入初期,由于欺骗信号功率较低,类似于多径信号,因此存在判断结果为D0的可能性,由于采集时刻中存在欺骗信号的时刻较少,也有一定的概率判断为D1,随着时序特征采集时刻中存在欺骗信号的时刻增多,判决结果趋向于准确。在T4同阶段,判断结果为D2,识别准确率达到99%以上。在T5同阶段,随着时序特征采集时刻中存在欺骗信号的参数不再变化的时刻增加,判断开始逐步变为D2,当时序特征采集时刻中仅有T5同阶段的时刻时,判决结果为D2,判断准确率再次达到99%以上。可见不论同步欺骗干扰场景还是异步欺骗干扰场景,本发明所提ACQ-LSTM-DR方法均能够较为准确的检测欺骗信号的存在并识别其攻击方式。
然后我们对所提方案中两种欺骗信号识别方法的识别能力进行了测试。在图10中,我们在异步攻击场景下对平均值与历史值比较差异较大为欺骗信号方法(记为ACQ-PM)进行了测试。可以看出,ACQ-PM在SSR=0dB时识别准确率在50%左右,即不能识别,当SSR>0dB时,其识别准确率与对比方法相比较差,这是因为,同一通道内,当存在2个相同PRN的卫星信号时,两个相关峰的峰值均会比只存在1个卫星信号时的相关峰峰值低,低的幅度随欺骗信号于真实信号的伪码相位差异ΔC的变化而变化,因此在峰值均值比较时,需要根据ΔC进行修正历史平均峰值。而当SSR<0时,ACQ-PM依然能够以较高的准确率识别欺骗信号。随着SSR与0dB的差异越大,ACQ-PM的识别准确率越高。
请参阅图11,我们在异步攻击场景不同SSR条件下测试了ACQ-PM方法随欺骗信号与真实信号伪码相位差异的识别情况。可以看出,在ΔC>1码片时,ACQ-PM在SSR=0dB时识别准确率在50%附近,不能识别,当SSR=2dB或-2dB时,其识别准确率均能达到97%以上,并且随着SSR与0dB的差异越大,而识别准确率越高,与ΔC的取值关系不大。
请参阅图12,我们对同步攻击场景下所提使用LSTM-2进行相关峰识别方法(记为ACQ-LSTM-PD)的识别能力进行了测试,并与认为峰值较大的相关峰为欺骗信号的相关峰的方法进行了对比。在图6至图12中可以看出,ACQ-LSTM-PD在整个区间内均具备较好的识别能力,这是因为选取的特征包括相关峰的位置和峰值,即使在SSR=0dB时在相关峰的峰值上差异较小,但在位置的时序特征上依然具有一定的差异,欺骗信号的位置是移动的,而真实信号的位置相对固定。
请参阅图13,我们在同步攻击场景下,分别取取SSRfinal=-3dB、0dB、3dB、5dB,vSSR=1,vCA=2。为对齐时间轴,均以ΔC=1码片时为0ms。可见在时序特征的采集时刻中存在欺骗信号的时刻较少时识别准确率不高,随着存在欺骗信号的时刻的增多,识别准确率逐步增高至趋于稳定,接近100%。
在异步干扰场景下,取SSR=-3dB,ΔC=2码片,Δf=0Hz,我们对相关峰进行了识别和消除,并对干扰信号消除前和消除后的信号进行了捕获跟踪。图14为欺骗干扰信号消除前的捕获结果,非相干积分次数为5,可以看到欺骗峰与真实峰同时存在,由于SSR<0,因此欺骗峰略低于真实峰。图15为欺骗干扰信号消除后的捕获结果,可以看到峰值较低的欺骗峰被准确消除。而当采取认为欺骗信号功率一定大于真实信号功率时,则峰值较高的真实峰将被认为是欺骗峰,从而消除真实信号,欺骗者成功欺骗。采取本发明所提方法,不论欺骗信号功率较高还是较低,均能较为准确的识别欺骗峰,从而准确消除欺骗信号。我们对欺骗干扰信号消除后的信号进行了捕获跟踪,图16为欺骗信号消除后的信号跟踪结果,可以看到接收信号在欺骗干扰信号消除后,依然能够正常捕获跟踪,得到导航电文。
综上所述,针对目前存在的技术缺陷,本发明提出了检测识别及抑制方法,其在信号捕获阶段,利用GNSS接收机产生的二维搜索数组提取特征参数,采集多个时刻的特征集合,交由LSTM神经网络做欺骗干扰检测,识别欺骗攻击方式,并在检测出欺骗信号存在时,进一步识别真实信号与欺骗信号,由信号消除模块进行欺骗信号的消除,恢复可靠的卫星导航。主要检测依据是信号变化的时序特性,并依靠LSTM神经网络对时序特征的处理能力进行检测识别,检测性能好、适用性强、时机靠前,且能够较为准确的区分欺骗信号的攻击方式,能够在较低SSR下识别欺骗信号和真实信号,并交由欺骗消除模块进行欺骗信号消除。
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。
以上实施例仅用以说明本发明的技术方案而非对其限制,尽管参照上述实施例对本发明进行了详细的说明,所属领域的普通技术人员依然可以对本发明的具体实施方式进行修改或者等同替换,这些未脱离本发明精神和范围的任何修改或者等同替换,均在申请待批的本发明的权利要求保护范围之内。
Claims (10)
1.一种信号捕获阶段基于LSTM的GNSS欺骗干扰检测方法,其特征在于,包括以下步骤:
步骤1,在信号捕获阶段,通过GNSS接收机产生以多普勒频移和码相位为轴的二维搜索数组,即矩阵A;提取多个时刻的矩阵A的参数构成特征参数,将获得的特征参数作为训练数据集;所述多个时刻的场景包括:H0无欺骗干扰、H1异步欺骗干扰和H2同步欺骗干扰;
步骤2,通过步骤1获得的训练数据集对LSTM神经网络模型进行训练,训练完毕后,获得训练好的LSTM神经网络模型;通过所述训练好的LSTM神经网络模型能够判断是否存在欺骗信号;如果存在欺骗信号,通过训练后的LSTM神经网络模型能够判断攻击方式为异步欺骗干扰或同步欺骗干扰;
步骤3,通过步骤2训练好的LSTM神经网络模型对GNSS接收机接收的信号进行检测,完成在信号捕获阶段基于LSTM的GNSS欺骗干扰检测。
2.根据权利要求1所述的一种信号捕获阶段基于LSTM的GNSS欺骗干扰检测方法,其特征在于,步骤2中,所述训练好的LSTM神经网络模型的检测结果包括:D0、D1和D2;
检测结果D0、D1和D2与场景H0、H1和H2一一对应;检测结果为D0时,不存在欺骗信号;检测结果为D1时,存在欺骗信号且识别欺骗信号的干扰方式为异步欺骗干扰;当检测结果为D2时,存在欺骗信号且识别欺骗信号的干扰方式为同步欺骗干扰。
3.根据权利要求1所述的一种信号捕获阶段基于LSTM的GNSS欺骗干扰检测方法,其特征在于,步骤1中,提取获得的特征参数XLSTM=[X1,X2,...,XL],式中l=1,2,...,L,L为采集时序特征的时刻长度;每个时刻的特征参数包括:相关值全局累加量X1、相关值局部累加量X2、大于捕获门限的相关值数量X3、达到捕获门限的相关峰数量X4、全局相关峰值X5、全局相关峰伪码相位轴的坐标X6、全局相关峰多普勒频移轴的坐标X7、全局相关峰值X8、全局相关峰伪码相位轴的坐标X9和全局相关峰多普勒频移轴的坐标X10。
4.根据权利要求1所述的一种信号捕获阶段基于LSTM的GNSS欺骗干扰检测方法,其特征在于,
LSTM神经网络模型的结构为:
5.根据权利要求2所述的一种信号捕获阶段基于LSTM的GNSS欺骗干扰检测方法,其特征在于,
异步欺骗干扰至少包括以下阶段:欺骗信号出现,欺骗者以大功率干扰破坏目标接收机的跟踪环路;欺骗式干扰保持固定的参数;所述大功率为能够破坏接收机跟踪环路的功率;
同步欺骗干扰至少包括以下阶段:欺骗信号以较低的功率出现,逐渐实现与目标接收机的伪码相位和多普勒频移相同步;欺骗信号逐步增大功率;欺骗信号锁定目标接收机的跟踪环路;欺骗信号逐步引导目标接收机脱离真实信号的跟踪环路;欺骗信号在新的伪码相位和多普勒频移进行欺骗;所述较低的功率为不影响接收机跟踪环路的功率。
6.根据权利要求3所述的一种信号捕获阶段基于LSTM的GNSS欺骗干扰检测方法,其特征在于,
式中,ax,y为矩阵A的第x,y个元素;x为A中多普勒频移轴上的坐标;y为A中伪码相位轴上的坐标;
式中,VT为接收机捕获门限;
X3=num({(x,y)|A(x,y)>VT})
式中,num({·})表示满足大括号中条件的元素集合的大小;
X4=num((x,y)|{PA(x,y)>VT})
式中,PA表示矩阵A中的波峰;
X5=P1=max(A)
式中,P1表示矩阵A中最大波峰的峰值,即最大相关峰;
式中,和分别为最大相关峰在伪码相位轴和多普勒频移轴上的坐标;
X8=P2
式中,P2表示矩阵A中大于捕获门限的第二波峰峰值;
式中,和分别为第二相关峰在伪码相位轴和多普勒频移轴上的坐标。
7.根据权利要求1至6中任一项所述的一种信号捕获阶段基于LSTM的GNSS欺骗干扰检测方法,其特征在于,能够适用于伪码相位差在1码片以内时的检测。
8.一种信号捕获阶段基于LSTM的GNSS欺骗干扰检测系统,其特征在于,包括:
特征提取模块,用于在信号捕获阶段,通过GNSS接收机产生以多普勒频移和码相位为轴的二维搜索数组,即矩阵A;同时用于提取多个时刻的矩阵A的参数构成特征参数,将获得的特征参数作为训练数据集;所述多个时刻的场景包括:H0无欺骗干扰、H1异步欺骗干扰和H2同步欺骗干扰;
判决分类模块,通过特征提取模块获得的训练数据集对LSTM神经网络模型进行训练,训练完毕后,获得训练好的LSTM神经网络模型;通过所述训练好的LSTM神经网络模型能够判断是否存在欺骗信号;如果存在欺骗信号,通过训练后的LSTM神经网络模型能够判断攻击方式为异步欺骗干扰或同步欺骗干扰;用于通过训练好的LSTM神经网络模型对GNSS接收机接收的信号进行检测,完成在信号捕获阶段基于LSTM的GNSS欺骗干扰检测。
9.根据权利要求8所述的一种信号捕获阶段基于LSTM的GNSS欺骗干扰检测系统,其特征在于,
特征提取模块中,提取获得的特征参数XLSTM=[X1,X2,...,XL],式中l=1,2,...,L,L为采集时序特征的时刻长度;每个时刻的特征参数包括:相关值全局累加量X1、相关值局部累加量X2、大于捕获门限的相关值数量X3、达到捕获门限的相关峰数量X4、全局相关峰值X5、全局相关峰伪码相位轴的坐标X6、全局相关峰多普勒频移轴的坐标X7、全局相关峰值X8、全局相关峰伪码相位轴的坐标X9和全局相关峰多普勒频移轴的坐标X10。
10.根据权利要求8所述的一种信号捕获阶段基于LSTM的GNSS欺骗干扰检测系统,其特征在于,判决分类模块基于LSTM神经网络模型构建,LSTM神经网络模型的结构为:
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910404639.9A CN110231634A (zh) | 2019-05-15 | 2019-05-15 | 一种信号捕获阶段基于lstm的gnss欺骗干扰检测方法及系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910404639.9A CN110231634A (zh) | 2019-05-15 | 2019-05-15 | 一种信号捕获阶段基于lstm的gnss欺骗干扰检测方法及系统 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN110231634A true CN110231634A (zh) | 2019-09-13 |
Family
ID=67861317
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910404639.9A Pending CN110231634A (zh) | 2019-05-15 | 2019-05-15 | 一种信号捕获阶段基于lstm的gnss欺骗干扰检测方法及系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN110231634A (zh) |
Cited By (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
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 |
CN112859116A (zh) * | 2020-12-28 | 2021-05-28 | 杭州电子科技大学 | 基于主特征盲源分离的单天线gnss欺骗式干扰检测方法 |
CN112949846A (zh) * | 2021-03-26 | 2021-06-11 | 电子科技大学 | 一种适用于直扩系统下的生成式欺骗干扰信号构造方法 |
EP3904912A1 (en) * | 2020-04-28 | 2021-11-03 | Novatel, Inc. | Gnss-receiver interference detection using deep learning |
CN113965280A (zh) * | 2021-06-25 | 2022-01-21 | 西北工业大学 | 一种水下多目标通信中的邻频干扰抑制方法 |
CN114325600A (zh) * | 2021-12-22 | 2022-04-12 | 广东邦盛北斗科技股份公司 | 用于北斗导航系统的抗干扰方法、系统、装置及云平台 |
CN115616619A (zh) * | 2022-10-19 | 2023-01-17 | 黄淮学院 | 一种基于多参数的gnss欺骗干扰检测方法 |
CN116482720A (zh) * | 2023-06-26 | 2023-07-25 | 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 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20180024248A1 (en) * | 2016-07-20 | 2018-01-25 | Honeywell International Inc. | Systems and methods for nequick modeling using neural networks |
JP2018031744A (ja) * | 2016-08-26 | 2018-03-01 | 富士通株式会社 | 欺瞞検知プログラム、欺瞞検知方法及び欺瞞検知装置 |
CN108897073A (zh) * | 2018-06-20 | 2018-11-27 | 西安电子科技大学 | 基于北斗信号及地面无线信号的天气预测方法 |
CN108957502A (zh) * | 2018-06-04 | 2018-12-07 | 安徽理工大学 | 基于深度学习lstm的gnss多系统多路径误差实时削弱方法 |
CN109188470A (zh) * | 2018-09-11 | 2019-01-11 | 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
- 2019-05-15 CN CN201910404639.9A patent/CN110231634A/zh active Pending
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20180024248A1 (en) * | 2016-07-20 | 2018-01-25 | Honeywell International Inc. | Systems and methods for nequick modeling using neural networks |
JP2018031744A (ja) * | 2016-08-26 | 2018-03-01 | 富士通株式会社 | 欺瞞検知プログラム、欺瞞検知方法及び欺瞞検知装置 |
CN108957502A (zh) * | 2018-06-04 | 2018-12-07 | 安徽理工大学 | 基于深度学习lstm的gnss多系统多路径误差实时削弱方法 |
CN108897073A (zh) * | 2018-06-20 | 2018-11-27 | 西安电子科技大学 | 基于北斗信号及地面无线信号的天气预测方法 |
CN109188470A (zh) * | 2018-09-11 | 2019-01-11 | 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 |
Cited By (13)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US11988753B2 (en) | 2020-04-28 | 2024-05-21 | Novatel Inc. | GNSS-receiver interference detection using deep learning |
EP3904912A1 (en) * | 2020-04-28 | 2021-11-03 | Novatel, Inc. | Gnss-receiver interference detection using deep learning |
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 |
CN112859116A (zh) * | 2020-12-28 | 2021-05-28 | 杭州电子科技大学 | 基于主特征盲源分离的单天线gnss欺骗式干扰检测方法 |
CN112859116B (zh) * | 2020-12-28 | 2022-11-15 | 杭州电子科技大学 | 基于主特征盲源分离的单天线gnss欺骗式干扰检测方法 |
CN112949846B (zh) * | 2021-03-26 | 2022-06-24 | 电子科技大学 | 一种适用于直扩系统下的生成式欺骗干扰信号构造方法 |
CN112949846A (zh) * | 2021-03-26 | 2021-06-11 | 电子科技大学 | 一种适用于直扩系统下的生成式欺骗干扰信号构造方法 |
CN113965280A (zh) * | 2021-06-25 | 2022-01-21 | 西北工业大学 | 一种水下多目标通信中的邻频干扰抑制方法 |
CN114325600A (zh) * | 2021-12-22 | 2022-04-12 | 广东邦盛北斗科技股份公司 | 用于北斗导航系统的抗干扰方法、系统、装置及云平台 |
CN114325600B (zh) * | 2021-12-22 | 2023-09-26 | 广东邦盛北斗科技股份公司 | 用于北斗导航系统的抗干扰方法、系统、装置及云平台 |
CN115616619A (zh) * | 2022-10-19 | 2023-01-17 | 黄淮学院 | 一种基于多参数的gnss欺骗干扰检测方法 |
CN116482720A (zh) * | 2023-06-26 | 2023-07-25 | 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 |
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 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110231633A (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 | |
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 | |
CN109782304B (zh) | 一种信号捕获阶段的gnss欺骗干扰检测方法及系统 | |
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 | |
CN109188470B (zh) | 一种基于卷积神经网络的gnss欺骗干扰检测方法 | |
Yang et al. | Dense people counting using IR-UWB radar with a hybrid feature extraction method | |
Jafarnia-Jahromi et al. | Detection and mitigation of spoofing attacks on a vector based tracking GPS receiver | |
CN105717518B (zh) | 一种基于码相位辨识的卫星接收机欺骗信号检测方法 | |
CN104267379B (zh) | 一种基于波形设计的主被动雷达协同抗干扰方法 | |
CN106814375B (zh) | 一种抗转发式欺骗的捕获方法和接收机 | |
CN106125053A (zh) | 脉冲多普勒雷达极化抗干扰方法 | |
CN113406671B (zh) | 一种基于c/n0-mv的gnss转发式欺骗干扰检测方法 | |
Hu et al. | GNSS spoofing detection based on new signal quality assessment model | |
Li et al. | GNSS spoofing jamming detection based on generative adversarial network | |
CN107607916B (zh) | 一种抗自卫式速度距离联合欺骗干扰方法 | |
CN108833049A (zh) | 一种无人机网络中基于认知的欺骗式抗干扰方法及装置 | |
CN109633628B (zh) | 基于分布式组网雷达数据融合的抗rgpo干扰的方法 | |
CN102243309B (zh) | Gnss互相关干扰抑制方法和装置 | |
CN112346087A (zh) | 多峰检测和增益监测结合的gnss欺骗检测方法及系统 | |
WO2023026255A2 (en) | Self-organized learning of three-dimensional motion data | |
Wei et al. | Exploiting correlation among GPS signals to detect GPS spoofing in power grids | |
CN109683178A (zh) | 卫星导航欺骗检测方法和装置 | |
CN108089212A (zh) | 基于互相关函数拆分重构的boc信号捕获方法及系统 | |
CN106093891A (zh) | 基于多普勒速度检验的雷达网抗密集距离假目标干扰方法 | |
Tu et al. | GNSS intermediate spoofing detection via dual‐peak in frequency domain and relative velocity residuals |
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 | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20190913 |
|
RJ01 | Rejection of invention patent application after publication |