CN113359158A - 一种基于svm的gnss生成式欺骗干扰检测方法 - Google Patents

一种基于svm的gnss生成式欺骗干扰检测方法 Download PDF

Info

Publication number
CN113359158A
CN113359158A CN202110658871.2A CN202110658871A CN113359158A CN 113359158 A CN113359158 A CN 113359158A CN 202110658871 A CN202110658871 A CN 202110658871A CN 113359158 A CN113359158 A CN 113359158A
Authority
CN
China
Prior art keywords
improved
kernel
variance
moving
svm
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.)
Granted
Application number
CN202110658871.2A
Other languages
English (en)
Other versions
CN113359158B (zh
Inventor
祝雪芬
徐杰
杨帆
汤新华
陈熙源
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Southeast University
Original Assignee
Southeast University
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Southeast University filed Critical Southeast University
Priority to CN202110658871.2A priority Critical patent/CN113359158B/zh
Publication of CN113359158A publication Critical patent/CN113359158A/zh
Application granted granted Critical
Publication of CN113359158B publication Critical patent/CN113359158B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

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
    • G01S19/215—Interference related issues ; Issues related to cross-correlation, spoofing or other methods of denial of service issues related to spoofing
    • 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
    • G01S19/35—Constructional details or hardware or software details of the signal processing chain
    • G01S19/37—Hardware or software details of the signal processing chain

Landscapes

  • Engineering & Computer Science (AREA)
  • Radar, Positioning & Navigation (AREA)
  • Remote Sensing (AREA)
  • Computer Networks & Wireless Communication (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Signal Processing (AREA)
  • Position Fixing By Use Of Radio Waves (AREA)

Abstract

本发明公开了一种基于SVM的GNSS生成式欺骗干扰检测方法。所述SVM的生成式欺骗检测方法是：首先，接收机实现跟踪GNSS信号，再计算跟踪环路中输入信号的复相关函数，根据接收机输出的原始值提取用于检测的特征值，再对数据进行预处理；接着，对数据进行离线学习，将样本分为训练样本集和测试样本集，将训练样本集放入SVM模型中进行学习，得到学习完成的模型；最后将测试样本放入训练完成的SVM模型，对测试样本进行自动分类；当新的特征向量进入分类模型时，模型将自动判断是否存在生成式欺骗干扰信号。所述方法能够快速自动地判断是否存在生成式欺骗干扰信号，准确率和效率高。

Description

一种基于SVM的GNSS生成式欺骗干扰检测方法
技术领域
本发明涉及GNSS卫星信号领域，特别是涉及一种基于SVM的GNSS生成式欺骗干扰检测方法。
背景技术
全球卫星导航系统(GNSS)的民用系统因信号结构公开致使其很容易受到欺骗干扰，十分脆弱。欺骗式干扰对GNSS服务的安全性构成了巨大的威胁。因此，为了使导航系统避免受到欺骗式干扰的安全威胁，欺骗式干扰信号的检测对导航系统正常运行、安全使用具有重大的意义。
传统的检测方法受到模型限制或者需要额外的硬件设备，且检测系统复杂、检测参数单一，不能准确地反映卫星信号中的欺骗成分。
发明内容
为了解决上述问题，本发明提供一种基于SVM的GNSS生成式欺骗干扰检测方法，所述方法结合六种SVM核函数模型，将信号样本随机抽取70％作为训练样本、随机抽取30％作为测试样本，将样本放入构造的不同核函数下的SVM模型进行训练和测试，评价准确率、精确率、召回率、F1 score四个性能指标。
本发明提供一种基于SVM的GNSS生成式欺骗干扰检测方法，具体步骤如下：
(1)对GNSS中频信号进行预处理，得到用于作为神经网络输入量的特征向量，特征向量包括改进Ratio移动均值、改进Ratio移动方差、改进Delta移动均值、改进Delta移动方差、早晚码相位差、载噪比移动方差和接收机钟差变化率；
步骤(1)具体包括：
(1.1)对GNSS中频信号进行预处理，输入原始中频信号；
(1.2)计算得到改进Ratio移动均值、改进Ratio移动方差；
其中，改进Ratio移动均值、改进Ratio移动方差的表达式为：
Figure BDA0003114336970000011
Figure BDA0003114336970000012
式中，RatioMA、RatioMA分别指的是改进Ratio移动均值和改进Ratio移动方差，Rd，improved(i)为数据中第i个数据样本的值，w为MA滑动窗口的长度，k为滑动区间，n为滑动窗口的总数，Rd，improved(i)的表达式为：
Figure BDA0003114336970000021
Figure BDA0003114336970000022
Figure BDA0003114336970000023
Figure BDA0003114336970000024
其中，Ie，d(n)、Il，d(n)和Ip(n)分别式第n个相干积分内相关器同相支路的超前、滞后和即时输出，Qe，d(n)、Ql，d(n)和Qp(n)分别为在第n个相干积分内相关器正交支路的超前、滞后和即时输出；
(1.3)计算得到改进Delta移动均值、改进Delta移动方差；
其中，改进Delta移动均值、改进Delta移动方差的表达式为：
Figure BDA0003114336970000025
Figure BDA0003114336970000026
式中，DeltaMA、DeltaMV分别指的是改进Delta移动均值、改进Delta移动方差，Δd，improved(i)的表达式为：
Figure BDA0003114336970000027
(1.4)计算得到早晚码相位差ELP；
Figure BDA0003114336970000028
其中，Ie(n)、Qe(n)、Il(n)和Ql(n)分别为在第n个相干积分内I/Q支路相关器的超前、滞后输出；
(1.5)计算获得载噪比移动方差C/N0(i)MV；
Figure BDA0003114336970000029
(1.6)计算获得接收机钟差变化率；
Figure BDA00031143369700000210
(1.7)将上述改进Ratio移动均值、改进Ratio移动方差、改进Delta移动均值、改进Delta移动方差、早晚码相位差、载噪比移动方差和接收机钟差变化率作为特征向量x，样本特征向量即为：
Figure BDA0003114336970000031
(1.8)对数据的预处理还包括缺失值处理、偏差计算、取观测到的所有卫星特征值的均值、数据标准化和主成分分析；
(2)构造不同核函数下的SVM模型，将GNSS信号样本随机抽取70％的数据用于训练，30％的数据用于测试；
(3)通过测试后，模型可以用于检测欺骗干扰是否发生。
作为本发明进一步改进，步骤(2)具体包括：
(2.1)构造六个不同核函数下的SVM模型；
核函数定义为对于所有数据点需满足：
K(zi，zj)＝<φ(zi)，φ(zj)>
其中，zi和zj为两个不同的支持向量，K(·)为核函数，φ(·)是从z到Fk的映射，是一个与核K(·)相关的内积特征空间：
φ：zi∈z→φ(zi)＝K(zi，·)∈FK
具体的核函数有以下六种：
第一种为线性Linear核，可以表示为：
Figure BDA0003114336970000032
第二、三、四种为径向基核RB函数的精高斯RBF核、中高斯RBF核和粗高斯RBF核，并写成：
Figure BDA0003114336970000033
其中，σ定义为核的宽度，同样，核尺度参数对应于RBF定义中的γ参数，只是与σ表示方式不同；
将上式中的RBF核尺度γ调整为不同的值：
Figure BDA0003114336970000034
Figure BDA0003114336970000035
Figure BDA0003114336970000036
其中，γfG、γmG和γcG分别为精高斯RBF核、中高斯RBF核和粗高斯RBF核对应时的γ取值，n为特征值个数；
第五、六种核函数是多项式Polynomial核，表示为：
Figure BDA0003114336970000041
其中，P是多项式核的阶数。分别取值2和3得到2阶多项式核函数和3阶多项式核函数；
(2.2)将信号样本随机抽取70％作为训练样本、随机抽取30％作为测试样本，将样本放入构造的不同核函数下的SVM模型进行训练和测试。
本发明与现有技术相比，其显著优点是：
本发明提出了一种基于BP神经网络的GNSS生成式欺骗检测方法。所述方法首先提取GNSS卫星中频信号，对中频信号预处理，得到特征向量，特征向量包括了改进Ratio移动均值、改进Ratio移动方差、改进Delta移动均值、改进Delta移动方差、早晚码相位差、载噪比移动方差和接收机钟差变化率。接着将各个时刻点的中频信号进行标记，根据已知的欺骗信号施加时刻将施加欺骗信号之前的信号标记为0，欺骗施加之后的信号标记为1。构造一个三层神经网络模型，随机抽取70％的信号用于训练模型，30％的信号用于测试模型。通过测试的模型即可用于检测GNSS生成式欺骗信号。相较于传统的方法，该方法在实现欺骗干扰的智能识别的同时还避免了额外的硬件设备的依赖，提高了效率和准确率。
附图说明
图1是本发明的一个实施例的流程示意图。
具体实施方式
下面结合附图与具体实施方式对本发明作进一步详细描述：
本发明提供一种基于SVM的GNSS生成式欺骗干扰检测方法，所述方法结合六种SVM核函数模型，将信号样本随机抽取70％作为训练样本、随机抽取30％作为测试样本，将样本放入构造的不同核函数下的SVM模型进行训练和测试，评价准确率、精确率、召回率、F1score四个性能指标。
本实施例公开了一种基于SVM多分类算法的卫星导航干扰类型识别方法，如图1所示，包括：
步骤一、对GNSS中频信号进行预处理，得到用于作为神经网络输入量的特征向量，特征向量包括改进Ratio移动均值、改进Ratio移动方差、改进Delta移动均值、改进Delta移动方差、早晚码相位差、载噪比移动方差和接收机钟差变化率。
该步骤具体包括：
(1.1)对GNSS中频信号进行预处理，输入原始中频信号；
(1.2)计算得到改进Ratio移动均值、改进Ratio移动方差；
其中，改进Ratio移动均值、改进Ratio移动方差的表达式为：
Figure BDA0003114336970000051
Figure BDA0003114336970000052
式中，RatioMA、RatioMV分别指的是改进Ratio移动均值和改进Ratio移动方差，Rd，improved(i)的表达式为：
Figure BDA0003114336970000053
Figure BDA00031143369700000510
Figure BDA0003114336970000054
Figure BDA0003114336970000055
其中，Ie，d(n)、Il，d(n)和Ip(n)分别式第n个相干积分内相关器同相支路的超前、滞后和即时输出，Qe，d(n)、Ql，d(n)和Qp(n)分别为在第n个相干积分内相关器正交支路的超前、滞后和即时输出。
(1.3)计算得到改进Delta移动均值、改进Delta移动方差；
其中，改进Delta移动均值、改进Delta移动方差的表达式为：
Figure BDA0003114336970000056
Figure BDA0003114336970000057
式中，DeltaMA、DeltaMV分别指的是改进Delta移动均值、改进Delta移动方差，Δd，improved(i)的表达式为：
Figure BDA0003114336970000058
(1.4)计算得到早晚码相位差ELP；
Figure BDA0003114336970000059
其中，Ie(n)、Qe(n)、Il(n)和Ql(n)分别为在第n个相干积分内I/Q支路相关器的超前、滞后输出。
(1.5)计算获得载噪比移动方差C/N0(i)MV；
Figure BDA0003114336970000061
(1.6)计算获得接收机钟差变化率；
Figure BDA0003114336970000062
(1.7)将上述改进Ratio移动均值、改进Ratio移动方差、改进Delta移动均值、改进Delta移动方差、早晚码相位差、载噪比移动方差和接收机钟差变化率作为特征向量x，样本特征向量即为：
Figure BDA0003114336970000063
(1.8)对数据的预处理还包括缺失值处理、偏差计算、取观测到的所有卫星特征值的均值、数据标准化和主成分分析；
步骤二、构造六种不同核函数下的SVM模型，将GNSS信号样本随机抽取70％的数据用于训练，30％的数据用于测试；
该步骤具体包括：
(2.1)构造六个不同核函数下的SVM模型；
核函数定义为对于所有数据点需满足：
K(zi，zj)＝<φ(zi)，φ(zj)>
其中，zi和zj为两个不同的支持向量，K(·)为核函数。φ(·)是从z到Fk的映射，是一个与核K(·)相关的内积特征空间：
φ：zi∈z→φ(zi)＝K(zi，·)∈FK
具体的核函数有以下六种：
第一种为线性(Linear)核，可以表示为：
Figure BDA0003114336970000064
第二、三、四种为径向基核(RBF)函数的精高斯(fine Gaussian)RBF核、中高斯(medium Gaussian)RBF核和粗高斯(coarse Gaussian)RBF核，它可以写成：
Figure BDA0003114336970000071
其中，σ定义为核的宽度，同样，核尺度参数对应于RBF定义中的γ参数，只是与σ表示方式不同。
将上式中的RBF核尺度γ调整为不同的值：
Figure BDA0003114336970000072
Figure BDA0003114336970000073
Figure BDA0003114336970000074
其中，γfG、γmG和γcG分别为精高斯(fine Gaussian)RBF核、中高斯(mediumGaussian)RBF核和粗高斯(coarse Gaussian)RBF核对应时的γ取值，n为特征值个数；
第五、六种核函数是多项式(Polynomial)核，可以表示为：
Figure BDA0003114336970000075
其中，P是多项式核的阶数。分别取值2和3得到2阶多项式核函数和3阶多项式核函数。
(2.2)将GNSS信号样本随机抽取70％的数据用于训练样本，30％的数据用于测试样本，将样本放入构造的六种核函数下的SVM模型进行训练和测试。
例：TEXBAT数据集是一个生成式欺骗干扰实验数据集，该数据集记录了进行生成式欺骗时的中频信号，该信号的前100s没有欺骗发生，信号的总时长为100s，表1记录了使用不同核函数下SVM分类的混淆矩阵。
Figure BDA0003114336970000076
Figure BDA0003114336970000081
表1
步骤三、通过测试后，模型可以用于检测欺骗干扰是否发生。
以上所述，仅是本发明的较佳实施例之一，并非是对本发明作任何其他形式的限制，而依据本发明的技术实质所作的任何修改或等同变化，仍属于本发明所要求保护的范围。

Claims (2)

1.一种基于SVM的GNSS生成式欺骗干扰检测方法，具体步骤如下，其特征在于：
(1)对GNSS中频信号进行预处理，得到用于作为神经网络输入量的特征向量，特征向量包括改进Ratio移动均值、改进Ratio移动方差、改进Delta移动均值、改进Delta移动方差、早晚码相位差、载噪比移动方差和接收机钟差变化率；
步骤(1)具体包括：
(1.1)对GNSS中频信号进行预处理，输入原始中频信号；
(1.2)计算得到改进Ratio移动均值、改进Ratio移动方差；
其中，改进Ratio移动均值、改进Ratio移动方差的表达式为：
Figure FDA0003114336960000011
Figure FDA0003114336960000012
式中，RatioMA、RatioMV分别指的是改进Ratio移动均值和改进Ratio移动方差，Rd，improved(i)为数据中第i个数据样本的值，w为MA滑动窗口的长度，k为滑动区间，n为滑动窗口的总数，Rd，improved(i)的表达式为：
Figure FDA0003114336960000013
Figure FDA0003114336960000014
Figure FDA0003114336960000015
Figure FDA0003114336960000016
其中，Ie，d(n)、Il，d(n)和Ip(n)分别式第n个相干积分内相关器同相支路的超前、滞后和即时输出，Qe，d(n)、Ql，d(n)和Qp(n)分别为在第n个相干积分内相关器正交支路的超前、滞后和即时输出；
(1.3)计算得到改进Delta移动均值、改进Delta移动方差；
其中，改进Delta移动均值、改进Delta移动方差的表达式为：
Figure FDA0003114336960000017
Figure FDA0003114336960000018
式中，DeltaMA、DeltaMV分别指的是改进Delta移动均值、改进Delta移动方差，Δd，improved(i)的表达式为：
Figure FDA0003114336960000021
(1.4)计算得到早晚码相位差ELP；
Figure FDA0003114336960000022
其中，Ie(n)、Qe(n)、Il(n)和Ql(n)分别为在第n个相干积分内I/Q支路相关器的超前、滞后输出；
(1.5)计算获得载噪比移动方差C/N0(i)MV；
Figure FDA0003114336960000023
(1.6)计算获得接收机钟差变化率；
Figure FDA0003114336960000024
(1.7)将上述改进Ratio移动均值、改进Ratio移动方差、改进Delta移动均值、改进Delta移动方差、早晚码相位差、载噪比移动方差和接收机钟差变化率作为特征向量x，样本特征向量即为：
Figure FDA0003114336960000025
(1.8)对数据的预处理还包括缺失值处理、偏差计算、取观测到的所有卫星特征值的均值、数据标准化和主成分分析；
(2)构造不同核函数下的SVM模型，将GNSS信号样本随机抽取70％的数据用于训练，30％的数据用于测试；
(3)通过测试后，模型可以用于检测欺骗干扰是否发生。
2.根据权利要求1所述的一种基于SVM的GNSS生成式欺骗干扰检测方法，其特征在于：
步骤(2)具体包括：
(2.1)构造六个不同核函数下的SVM模型；
核函数定义为对于所有数据点需满足：
K(zi，zj)＝<φ(zi)，φ(zj)>
其中，zi和zj为两个不同的支持向量，K(·)为核函数，φ(·)是从z到Fk的映射，是一个与核K(·)相关的内积特征空间：
φ：zi∈z→φ(zi)＝K(zi，·)∈FK
具体的核函数有以下六种：
第一种为线性Linear核，可以表示为：
Figure FDA0003114336960000031
第二、三、四种为径向基核RB函数的精高斯RBF核、中高斯RBF核和粗高斯RBF核，并写成：
Figure FDA0003114336960000032
其中，σ定义为核的宽度，同样，核尺度参数对应于RBF定义中的γ参数，只是与σ表示方式不同；
将上式中的RBF核尺度γ调整为不同的值：
Figure FDA0003114336960000033
Figure FDA0003114336960000034
Figure FDA0003114336960000035
其中，γfG、γmG和γcG分别为精高斯RBF核、中高斯RBF核和粗高斯RBF核对应时的γ取值，n为特征值个数；
第五、六种核函数是多项式Polynomial核，表示为：
Figure FDA0003114336960000036
其中，P是多项式核的阶数。分别取值2和3得到2阶多项式核函数和3阶多项式核函数；
(2.2)将信号样本随机抽取70％作为训练样本、随机抽取30％作为测试样本，将样本放入构造的不同核函数下的SVM模型进行训练和测试。
CN202110658871.2A 2021-06-15 2021-06-15 一种基于svm的gnss生成式欺骗干扰检测方法 Active CN113359158B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202110658871.2A CN113359158B (zh) 2021-06-15 2021-06-15 一种基于svm的gnss生成式欺骗干扰检测方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202110658871.2A CN113359158B (zh) 2021-06-15 2021-06-15 一种基于svm的gnss生成式欺骗干扰检测方法

Publications (2)

Publication Number Publication Date
CN113359158A true CN113359158A (zh) 2021-09-07
CN113359158B CN113359158B (zh) 2022-05-13

Family

ID=77534163

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202110658871.2A Active CN113359158B (zh) 2021-06-15 2021-06-15 一种基于svm的gnss生成式欺骗干扰检测方法

Country Status (1)

Country Link
CN (1) CN113359158B (zh)

Cited By (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN115494526A (zh) * 2022-08-29 2022-12-20 中山大学 一种gnss欺骗干扰检测方法、装置、电子设备及存储介质
CN116577808A (zh) * 2023-07-11 2023-08-11 中国人民解放军战略支援部队航天工程大学 一种基于接收机相关器输出的导航欺骗干扰检测方法
CN117233805A (zh) * 2023-11-13 2023-12-15 中国人民解放军战略支援部队航天工程大学 一种基于多相关器的gnss诱导欺骗检测方法

Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN105550702A (zh) * 2015-12-09 2016-05-04 哈尔滨工业大学 一种基于svm的gnss欺骗式干扰识别方法
CN109188469A (zh) * 2018-08-01 2019-01-11 南京航空航天大学 一种gnss信号接收机欺骗信号参数估计方法
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
CN109359523A (zh) * 2018-09-06 2019-02-19 东南大学 一种基于svm多分类算法的卫星导航干扰类型识别方法
CN110361761A (zh) * 2019-08-28 2019-10-22 上海无线电设备研究所 一种生成式gnss欺骗干扰方法
CN110471091A (zh) * 2019-08-29 2019-11-19 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
CN110632621A (zh) * 2019-09-18 2019-12-31 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

Patent Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN105550702A (zh) * 2015-12-09 2016-05-04 哈尔滨工业大学 一种基于svm的gnss欺骗式干扰识别方法
CN109188469A (zh) * 2018-08-01 2019-01-11 南京航空航天大学 一种gnss信号接收机欺骗信号参数估计方法
CN109359523A (zh) * 2018-09-06 2019-02-19 东南大学 一种基于svm多分类算法的卫星导航干扰类型识别方法
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
CN110361761A (zh) * 2019-08-28 2019-10-22 上海无线电设备研究所 一种生成式gnss欺骗干扰方法
CN110471091A (zh) * 2019-08-29 2019-11-19 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
CN110632621A (zh) * 2019-09-18 2019-12-31 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

Cited By (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN115494526A (zh) * 2022-08-29 2022-12-20 中山大学 一种gnss欺骗干扰检测方法、装置、电子设备及存储介质
CN116577808A (zh) * 2023-07-11 2023-08-11 中国人民解放军战略支援部队航天工程大学 一种基于接收机相关器输出的导航欺骗干扰检测方法
CN116577808B (zh) * 2023-07-11 2023-09-29 中国人民解放军战略支援部队航天工程大学 一种基于接收机相关器输出的导航欺骗干扰检测方法
CN117233805A (zh) * 2023-11-13 2023-12-15 中国人民解放军战略支援部队航天工程大学 一种基于多相关器的gnss诱导欺骗检测方法
CN117233805B (zh) * 2023-11-13 2024-02-06 中国人民解放军战略支援部队航天工程大学 一种基于多相关器的gnss诱导欺骗检测方法

Also Published As

Publication number Publication date
CN113359158B (zh) 2022-05-13

Similar Documents

Publication Publication Date Title
CN113359158B (zh) 一种基于svm的gnss生成式欺骗干扰检测方法
CN113376659B (zh) 一种基于bp神经网络的gnss生成式欺骗干扰检测方法
Dai et al. Combination of DNN and improved KNN for indoor location fingerprinting
CN112016445B (zh) 一种基于监控视频的遗留物检测方法
CN106291533A (zh) 一种基于amd的分布式多传感器融合算法
CN106443598A (zh) 基于卷积神经网络的雷达网协同航迹欺骗干扰鉴别方法
CN116577808B (zh) 一种基于接收机相关器输出的导航欺骗干扰检测方法
CN115494526A (zh) 一种gnss欺骗干扰检测方法、装置、电子设备及存储介质
CN111366820A (zh) 局部放电信号的模式识别方法、装置、设备及存储介质
CN105550702B (zh) 一种基于svm的gnss欺骗式干扰识别方法
Caroline Cynthia et al. An outlier detection approach on credit card fraud detection using machine learning: a comparative analysis on supervised and unsupervised learning
Guo et al. Radar target recognition based on feature Pyramid fusion lightweight CNN
CN112213697B (zh) 一种基于贝叶斯决策理论用于雷达欺骗干扰识别的特征融合方法
CN108495263A (zh) 一种基于广义多核函数的室内定位方法
Dickey et al. Beyond correlation: A path‐invariant measure for seismogram similarity
He et al. Sequential graph scanning statistic for change-point detection
CN115294615A (zh) 一种基于机器学习的射频指纹识别方法
Qin et al. PTGAN: A proposal-weighted two-stage GAN with attention for hyperspectral target detection
Jiao et al. Triplet Spectral-Wise Transformer Network for Hyperspectral Target Detection
Fu et al. A noise-resistant superpixel segmentation algorithm for hyperspectral images
CN111950629A (zh) 对抗样本的检测方法、装置及设备
Favenza et al. A machine learning approach to GNSS scintillation detection: Automatic soft inspection of the events
CN109031193A (zh) 一种基于信号到达方向的室内非法信号源定位系统及方法
Tiwary et al. Novel Differential $ r $-Vectors for Localization in IoT Networks
Ono et al. Towards a median signal detector through the total Bregman divergence and its robustness analysis

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
GR01 Patent grant
GR01 Patent grant