CN115932895A - 一种基于mha-1dcnn的gnss欺骗干扰智能化检测方法 - Google Patents
一种基于mha-1dcnn的gnss欺骗干扰智能化检测方法 Download PDFInfo
- Publication number
- CN115932895A CN115932895A CN202211609309.1A CN202211609309A CN115932895A CN 115932895 A CN115932895 A CN 115932895A CN 202211609309 A CN202211609309 A CN 202211609309A CN 115932895 A CN115932895 A CN 115932895A
- Authority
- CN
- China
- Prior art keywords
- layer
- convolution
- formula
- 1dcnn
- expression
- 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
Images
Classifications
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02T—CLIMATE CHANGE MITIGATION TECHNOLOGIES RELATED TO TRANSPORTATION
- Y02T10/00—Road transport of goods or passengers
- Y02T10/10—Internal combustion engine [ICE] based vehicles
- Y02T10/40—Engine management systems
Landscapes
- Position Fixing By Use Of Radio Waves (AREA)
Abstract
一种基于MHA‑1DCNN的GNSS欺骗干扰智能化检测方法,将接收到的卫星信号做倒谱运算后的值作为网络的输入,充分利用数据信息,使用1DCNN自主提取信号的特征,构建分类器,同时将多头自注意力机制引入1DCNN中,通过优化网络结构,省去了接收机进行信号处理、人为选择特征的过程,可自主决策信号之间的分类界限,对转发式欺骗干扰和中级生成式欺骗干扰均有着良好的检测能力,能在接收机前提供可靠的检测结果。
Description
技术领域
本发明涉及GNSS应用技术领域,尤其涉及一种基于MHA-1DCNN的GNSS欺骗干扰智能化检测方法。
背景技术
全球导航卫星系统(global navigation satellite system,GNSS)已在军事、经济和日常生活中得到广泛应用,例如武器精确制导、物联网和车辆定位导航等。但GNSS信号十分脆弱,在传播过程中容易受到自然干扰和人为干扰影响。其中,欺骗式干扰可以隐蔽得使接收机解算出看似可靠实则错误的定位和授时结果,且难以被检测出来,会给诸如军事行动、金融、电力等造成难以估计的危害,因此研究欺骗干扰检测方法具有十分重要的意义。
常见的欺骗干扰检测方法有功率检测法、信号质量检测法、惯性单元辅助检测法、多天线检测法等。其中,功率检测方法需要接收机计算出捕获峰值、跟踪相关值或载噪比,通过设置阈值检测欺骗干扰;信号质量检测方法需要在接收机中对接收信号和本地信号做相关运算,通过相关函数是否畸变检测欺骗干扰;惯性单元辅助检测方法通过比较惯性单元测量结果和卫星导航定位结果检测出欺骗干扰;多天线检测方法通过阵列天线估计信号来向并以此检测欺骗干扰。近年来,有众多作者将接收机计算出的参数作为机器学习的特征输入,训练模型,以此达到检测欺骗干扰的目的。然而上述的欺骗干扰检测方法均需要接收机对卫星信号进行处理,在捕获、跟踪甚至定位解算阶段才能获得指示是否存在欺骗干扰的参数。
发明内容
为了克服现有技术的不足,本发明所要解决的技术问题是提供一种基于MHA-1DCNN的GNSS欺骗干扰智能化检测方法,无需使用接收机进行卫星信号处理,无需人工选择特征,实现信号端直接到输出端的GNSS欺骗干扰智能化检测方法。
为了解决上述技术问题,本发明提供的基于MHA-1DCNN的GNSS欺骗干扰智能化检测方法,其特征在于,包括以下步骤:
步骤1:将接收到的卫星信号做倒谱运算,
假设t时刻时,接收机接收到的卫星信号为x(t),则x(t)表达式为式(1)
其中,为高斯白噪声,xa(t)代表真实卫星信号,xs(t)代表欺骗信号,xa(t)表达式为式(2)
xs(t)表达式为式(3)
其中,a代表真实,s代表欺骗,Q代表接收到的真实信号的数量,U代表接收到有欺骗信号的数量,g(t)代表导航电文,c(t)代表C/A码,ψ代表信号幅值,τ代表传输时延,ω代表载波频率,θ代表载波相位;对x(t)做倒谱运算,表示式为式(4);
X(t)=10log(|fft(x(t))|) (4)
步骤2:将X(t)作为1DCNN的输入,优化并设计网络结构,提取卫星信号的特征,构建分类器;
将X(t)输入1DCNN中,经预处理后,首先在卷积层中与卷积核做卷积运算,将非线性的激活函数作用于卷积结果,提取到卫星信号的特征图;1DCNN共有L层,以第i层卷积层为例,其中i=1,2,···L,则提取特征的过程表达式为式(5);
Fi={fi,j | fi,j, j=1,2···Ki} (5)
其中,Fi代表第i层特征图的集合,Ki代表第i层卷积核的数量,fi,j代表第i层第j个特征,fi,j的表达式如式(6)所示
其中,*代表卷积运算,wi,j代表卷积核,bi,j代表偏差,代表第i-1层池化操作后的特征图,当i=1时,为X(t)预处理后的值,κ(·)为激活函数,在此选择Relu函数作为激活函数,其表达式如式(7)所示
卷积层提取特征后,在池化层中对特征图做降维处理,采用最大池化方式,经最大池化操作后得到池化后的特征图集合其表达为式(8);
其中,的表达式如式(9)所示
其中,lpool和wpool代表池化的范围,max代表求最大值运算;
随后在全连接层中,将多层网络池化后的特征铺平为一维向量;GNSS欺骗干扰检测过程可以视为一个二分类过程,在全连接层中使用Sigmoid函数对输入的测试信号分类;引入注意力机制对网络进行优化改进,即在每一层卷积层后添加多头自注意力机制,对提取的特征进行权值重新分配以加强关键特征,提高网络的表达能力,最终提高检测的准确率,卫星信号在接收机前经过检测后输出检测结果,为是否继续输出导航定位结果提供可靠的依据;
将网络设置为四层卷积层、四层池化层和两层全连接层的组合形式,各层参数设置如表1所示:
表1网络参数列表
步骤3:使用仿真的转发式欺骗干扰和公开数据中的生成式欺骗干扰验证有效性。
本发明提供的技术方案,将接收到的卫星信号做倒谱运算后的值作为网络的输入,充分利用数据信息,使用1DCNN自主提取信号的特征,同时将多头自注意力机制(multihead self-attention mechanism,MHA)引入1DCNN(MHA-1DCNN)中,通过优化网络结构,省去了接收机进行信号处理、人为选择特征的过程,可自主决策信号之间的分类界限,对转发式欺骗干扰和中级生成式欺骗干扰均有着良好的检测能力,能在接收机前提供可靠的检测结果。
附图说明
附图用来提供对本发明的进一步理解,构成本申请的一部分,本发明的示意性实施例及其说明用于解释本发明,但并不构成对本发明的不当限定。在附图中:
图1为实施例检测算法的原理图;
图2为实施例中不同干噪比的准确率和f1分数;
图3为实施例中不同码延迟的准确率和f1分数。
具体实施方式
下面结合附图对本发明作进一步说明。
本发明提供的基于MHA-1DCNN的GNSS欺骗干扰智能化检测方法,包括以下步骤:
步骤1:将接收到的卫星信号做倒谱运算,
假设t时刻时,接收机接收到的卫星信号为x(t),则x(t)表达式为式(1)
其中,为高斯白噪声,xa(t)代表真实卫星信号,xs(t)代表欺骗信号,xa(t)表达式为式(2)
xs(t)表达式为式(3)
其中,a代表真实,s代表欺骗,Q代表接收到的真实信号的数量,U代表接收到有欺骗信号的数量,g(t)代表导航电文,c(t)代表C/A码,ψ代表信号幅值,τ代表传输时延,ω代表载波频率,θ代表载波相位;对x(t)做倒谱运算,表示式为式(4);
X(t)=10log(|fft(x(t))|) (4)
步骤2:将X(t)作为1DCNN的输入,优化并设计网络结构,提取卫星信号的特征,构建分类器;
将X(t)输入1DCNN中,经预处理后,首先在卷积层中与卷积核做卷积运算,为提高网络对真实信号和欺骗信号特征的表达能力,进而提高分类的准确率,将非线性的激活函数作用于卷积结果,从而提取到卫星信号的特征图;假设1DCNN共有L层,以第i层卷积层为例,其中i=1,2,···L,则提取特征的过程表达式为式(5);
Fi={fi,j | fi,j, j=1,2···Ki} (5)
其中,Fi代表第i层特征图的集合,Ki代表第i层卷积核的数量,fi,j代表第i层第j个特征,fi,j的表达式如式(6)所示
其中,*代表卷积运算,wi,j代表卷积核,bi,j代表偏差,代表第i-1层池化操作后的特征图,当i=1时,为X(t)预处理后的值,κ(·)为激活函数,在此选择Relu函数作为激活函数,其表达式如式(7)所示
卷积层提取特征后,为了降低运算量并且防止过度拟合,需要在池化层中对特征图做降维处理,采用最大池化方式,经最大池化操作后得到池化后的特征图集合其表达为式(8);
其中,的表达式如式(9)所示
其中,lpool和wpool代表池化的范围,max代表求最大值运算;
随后在全连接层中,将多层网络池化后的特征铺平为一维向量;GNSS欺骗干扰检测过程可以视为一个二分类过程,在全连接层中使用Sigmoid函数对输入的测试信号分类;网络提取的特征会直接影响分类的结果,因而引入注意力机制对网络进行优化改进,即在每一层卷积层后添加多头自注意力机制,对提取的特征进行权值重新分配以加强关键特征,从而提高网络的表达能力,最终提高检测的准确率,优化后的检测算法框图如图1所示;由图1可知,卫星信号在接收机前经过检测后输出检测结果,为是否继续输出导航定位结果提供可靠的依据。
确定优化方式后需要具体设计网络层数,兼顾运算量和特征提取,将网络设置为四层卷积层、四层池化层和两层全连接层的组合形式,各层参数设置如表1所示;
表1:网络参数列表
步骤3:使用仿真的转发式欺骗干扰和公开数据中的生成式欺骗干扰验证有效性。
使用仿真的转发式欺骗干扰和公开数据中的生成式欺骗干扰验证有效性,同时使用检测准确率和f1分数衡量此方法的性能。
首先验证检测仿真的不同干噪比和不同码延迟的转发式欺骗干扰的效果,共设置28个测试集,每个测试集中共包含6400个信号,其中欺骗信号和真实信号的比例为3:1。不同干噪比对应一个测试集,干噪比的范围为-18dB至-2dB,其检测结果如图2所示。结果表明:本发明提供的技术方案对小干噪比和大干噪比的欺骗信号均有着较高的检测准确率,准确率和f1分数至少达到了70.29%和81.82%。
码延迟的范围为0.5码片至10码片,不同码延迟对应一个测试集,检测结果如图3所示。结果表明:本发明提供的技术方案对小延迟的欺骗信号仍有着较高的准确率,以0.5码片和1码片为例,准确率达到了71.18%和72.21%,f1分数达到了82.37%和82.98%。
其次验证检测公开数据中的中级生成式欺骗干扰的性能。选择德州大学数据中的ds2、ds3和ds7构造测试集,信号构成与转发式欺骗干扰的方式相同,检测结果如表2所示。由表2可知,该方法对生成式欺骗干扰仍然有效,其中ds7的准确率最低,仍达到了65.7%,f1分数达到了77.82%。
表2:数据实验结果列表
对于本领域的技术人员来说,本发明可以有各种更改和变化。凡在本发明权利要求的精神和原则之内,所作的任何修改、等同替换、改进等,均应包含在本发明的保护范围之内。
Claims (1)
1.一种基于MHA-1DCNN的GNSS欺骗干扰智能化检测方法,其特征在于,包括以下步骤:
步骤1:将接收到的卫星信号做倒谱运算,
假设t时刻时,接收机接收到的卫星信号为x(t),则x(t)表达式为式(1)
xs(t)表达式为式(3)
其中,a代表真实,s代表欺骗,Q代表接收到的真实信号的数量,U代表接收到有欺骗信号的数量,g(t)代表导航电文,c(t)代表C/A码,ψ代表信号幅值,τ代表传输时延,ω代表载波频率,θ代表载波相位;对x(t)做倒谱运算,表示式为式(4);
X(t)=10log(|fft(x(t))|) (4)
步骤2:将X(t)作为1DCNN的输入,优化并设计网络结构,提取卫星信号的特征,构建分类器;
将X(t)输入1DCNN中,经预处理后,首先在卷积层中与卷积核做卷积运算,将非线性的激活函数作用于卷积结果,提取到卫星信号的特征图;1DCNN共有L层,以第i层卷积层为例,其中i=1,2,···L,则提取特征的过程表达式为式(5);
Fi={fi,j|fi,j,j=1,2···Ki} (5)
其中,Fi代表第i层特征图的集合,Ki代表第i层卷积核的数量,fi,j代表第i层第j个特征,fi,j的表达式如式(6)所示
其中,*代表卷积运算,wi,j代表卷积核,bi,j代表偏差,代表第i-1层池化操作后的特征图,当i=1时,为X(t)预处理后的值,κ(·)为激活函数,在此选择Relu函数作为激活函数,其表达式如式(7)所示
卷积层提取特征后,在池化层中对特征图做降维处理,采用最大池化方式,经最大池化操作后得到池化后的特征图集合Fi pool,其表达为式(8);
其中,lpool和wpool代表池化的范围,max代表求最大值运算;
随后在全连接层中,将多层网络池化后的特征铺平为一维向量;GNSS欺骗干扰检测过程可以视为一个二分类过程,在全连接层中使用Sigmoid函数对输入的测试信号分类;引入注意力机制对网络进行优化改进,即在每一层卷积层后添加多头自注意力机制,对提取的特征进行权值重新分配以加强关键特征,提高网络的表达能力,最终提高检测的准确率,卫星信号在接收机前经过检测后输出检测结果,为是否继续输出导航定位结果提供可靠的依据;
将网络设置为四层卷积层、四层池化层和两层全连接层的组合形式,各层参数设置如表1所示:
表1网络参数列表
步骤3:使用仿真的转发式欺骗干扰和公开数据中的生成式欺骗干扰验证有效性。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211609309.1A CN115932895A (zh) | 2022-12-13 | 2022-12-13 | 一种基于mha-1dcnn的gnss欺骗干扰智能化检测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211609309.1A CN115932895A (zh) | 2022-12-13 | 2022-12-13 | 一种基于mha-1dcnn的gnss欺骗干扰智能化检测方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN115932895A true CN115932895A (zh) | 2023-04-07 |
Family
ID=86553650
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202211609309.1A Pending CN115932895A (zh) | 2022-12-13 | 2022-12-13 | 一种基于mha-1dcnn的gnss欺骗干扰智能化检测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN115932895A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116660942A (zh) * | 2023-06-01 | 2023-08-29 | 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 |
-
2022
- 2022-12-13 CN CN202211609309.1A patent/CN115932895A/zh active Pending
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116660942A (zh) * | 2023-06-01 | 2023-08-29 | 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 |
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 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109188470B (zh) | 一种基于卷积神经网络的gnss欺骗干扰检测方法 | |
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 | |
Borhani-Darian et al. | Deep neural network approach to detect GNSS spoofing attacks | |
CN110532932B (zh) | 一种多分量雷达信号脉内调制方式识别方法 | |
Du et al. | Secondary radar signal processing based on deep residual separable neural network | |
CN108983165B (zh) | 基于子站选择的多站雷达系统抗欺骗式干扰方法 | |
CN109581425A (zh) | 一种基于多接收机的卫星导航欺骗信号检测方法 | |
CN112882009B (zh) | 基于幅度相位双通道网络的雷达微多普勒目标识别方法 | |
CN112446357B (zh) | 一种基于胶囊网络的sar自动目标识别方法 | |
CN115932895A (zh) | 一种基于mha-1dcnn的gnss欺骗干扰智能化检测方法 | |
CN111985349B (zh) | 一种雷达接收信号类型分类识别方法及系统 | |
Tsakalides et al. | Performance assessment of CFAR processors in Pearson-distributed clutter | |
CN113947151B (zh) | 一种海上复杂环境下的无线通信信号自动调制识别方法 | |
CN112859116B (zh) | 基于主特征盲源分离的单天线gnss欺骗式干扰检测方法 | |
CN113031020B (zh) | 一种基于多相关峰的卫星导航欺骗干扰检测方法 | |
CN112949846B (zh) | 一种适用于直扩系统下的生成式欺骗干扰信号构造方法 | |
WO2021088465A1 (zh) | 基于多分布测试数据融合的多层感知器快速调制识别方法 | |
Sun et al. | GPS Spoofing Detection Based on Decision Fusion with a K-out-of-N Rule. | |
CN115524724B (zh) | 一种通用航空可信时空服务方法、系统及介质 | |
CN116866129A (zh) | 一种无线通信信号检测方法 | |
CN105988113A (zh) | 极化合成孔径雷达图像变化检测方法 | |
CN113484838B (zh) | 一种多基地雷达有源假目标鉴别方法及系统 | |
CN116628566A (zh) | 一种基于聚合残差变换网络的通信信号调制分类方法 | |
CN101900810A (zh) | 多潜器载体探测端声纳信息融合方法 | |
CN103728608B (zh) | 提高电离层双高斯模型中mimo-oth雷达检测性能的天线布置方法 |
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 |