CN116482720A - 一种基于机器学习理论的gnss欺骗干扰检测方法 - Google Patents
一种基于机器学习理论的gnss欺骗干扰检测方法 Download PDFInfo
- Publication number
- CN116482720A CN116482720A CN202310752291.9A CN202310752291A CN116482720A CN 116482720 A CN116482720 A CN 116482720A CN 202310752291 A CN202310752291 A CN 202310752291A CN 116482720 A CN116482720 A CN 116482720A
- Authority
- CN
- China
- Prior art keywords
- layer
- interference
- deception
- data
- input
- 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
Links
- 238000001514 detection method Methods 0.000 title claims abstract description 23
- 238000010801 machine learning Methods 0.000 title claims abstract description 23
- 238000012549 training Methods 0.000 claims abstract description 26
- 238000003062 neural network model Methods 0.000 claims abstract description 16
- 238000013527 convolutional neural network Methods 0.000 claims abstract description 14
- 238000010606 normalization Methods 0.000 claims description 26
- 239000011159 matrix material Substances 0.000 claims description 18
- 238000012360 testing method Methods 0.000 claims description 17
- 230000004913 activation Effects 0.000 claims description 13
- 238000000034 method Methods 0.000 claims description 13
- 238000012545 processing Methods 0.000 claims description 12
- 238000011176 pooling Methods 0.000 claims description 11
- 230000006870 function Effects 0.000 claims description 9
- 238000004364 calculation method Methods 0.000 claims description 6
- 239000013598 vector Substances 0.000 claims description 6
- 230000008859 change Effects 0.000 description 4
- 238000005516 engineering process Methods 0.000 description 4
- ORILYTVJVMAKLC-UHFFFAOYSA-N Adamantane Natural products C1C(C2)CC3CC1CC2C3 ORILYTVJVMAKLC-UHFFFAOYSA-N 0.000 description 3
- 238000013528 artificial neural network Methods 0.000 description 3
- 230000010354 integration Effects 0.000 description 3
- 238000002474 experimental method Methods 0.000 description 2
- 238000005457 optimization Methods 0.000 description 2
- 230000008569 process Effects 0.000 description 2
- 238000005070 sampling Methods 0.000 description 2
- 230000007480 spreading Effects 0.000 description 2
- 230000009471 action Effects 0.000 description 1
- 230000006978 adaptation Effects 0.000 description 1
- 230000003044 adaptive effect Effects 0.000 description 1
- 238000007792 addition Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000008901 benefit Effects 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 230000007123 defense Effects 0.000 description 1
- 230000001934 delay Effects 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000002093 peripheral effect Effects 0.000 description 1
- 238000007781 pre-processing Methods 0.000 description 1
- 230000000750 progressive effect Effects 0.000 description 1
- 230000009467 reduction Effects 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 230000008054 signal transmission Effects 0.000 description 1
- 238000012795 verification Methods 0.000 description 1
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
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/23—Clustering techniques
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N20/00—Machine learning
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/0464—Convolutional networks [CNN, ConvNet]
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/048—Activation functions
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
-
- 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
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- General Physics & Mathematics (AREA)
- Evolutionary Computation (AREA)
- Artificial Intelligence (AREA)
- General Engineering & Computer Science (AREA)
- Software Systems (AREA)
- Life Sciences & Earth Sciences (AREA)
- Mathematical Physics (AREA)
- Computing Systems (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Molecular Biology (AREA)
- Health & Medical Sciences (AREA)
- Biomedical Technology (AREA)
- General Health & Medical Sciences (AREA)
- Evolutionary Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Remote Sensing (AREA)
- Radar, Positioning & Navigation (AREA)
- Computer Networks & Wireless Communication (AREA)
- Medical Informatics (AREA)
- Image Analysis (AREA)
Abstract
本发明提供了一种基于机器学习理论的GNSS欺骗干扰检测方法,涉及GNSS卫星信号技术领域,用于GNSS欺骗干扰检测,具体包括如下步骤:获取存在多径干扰和存在欺骗干扰的相关峰数据;根据多径干扰与欺骗干扰产生不同形状的相关峰,设定时间窗长度,并提取相关峰区域作为网络输入;建立基于卷积神经网络和聚类算法的神经网络模型,应用机器学习方法对数据进行多径干扰和欺骗干扰的识别和分类;使用多径干扰和欺骗干扰相关峰数据对由步骤S3得到的神经网络模型进行训练,并提取特征,对多径干扰和欺骗干扰数据进行识别和分类。本发明的技术方案克服现有技术中GNSS欺骗干扰检测方法不能检测多种干扰、成本较高的问题。
Description
技术领域
本发明涉及GNSS卫星信号技术领域,具体涉及一种基于机器学习理论的GNSS欺骗干扰检测方法。
背景技术
全球卫星导航系统(global satellite navigation system, GNSS),是一种能为用户提供全天候三维坐标、速度以及时间信息的空基无线电导航定位系统。卫星导航系统在国防和经济建设中发挥着重要作用,但随着GNSS相关技术的发展,导航信号的安全问题日益突出。由于卫星信号传输距离远,信号功率低,使得信号很容易被干扰和欺骗。欺骗干扰信号主要通过发射虚假的卫星信号让接收机捕获,并将其视为真实信号用于定位、授时解算,进而产生“错误”的定位结果和授时信息。因此,在近一二十年的时间里,欺骗干扰检测技术得到了广泛的研究,但对于GNSS欺骗干扰检测来说,实际应用环境中往往存在多径信号,接收终端在多径环境下的欺骗干扰检测性能会大幅下降,因此,研究多径环境下的欺骗干扰检测技术十分重要。目前的欺骗干扰检测技术多针对无遮挡环境下的欺骗干扰,对多径环境下的欺骗干扰检测研究较少。
近几年,基于机器学习的欺骗信号检测技术引起了研究人员的关注,与传统的欺骗信号检测技术相比,机器学习具有快速处理大量数据、能够分析提取有效信息等优点。传统的欺骗干扰检测方法存在如下缺陷:(1)大多数方法改变了GNSS接收机的结构,在节省成本的条件下无法大范围推广;(2)有些方法无需改变接收机的结构,但是检测适用场景较为局限,对于一些复杂精确的欺骗干扰检测效果差。
因此,现需要一种能够检测多种干扰、节省成本的基于机器学习理论的GNSS欺骗干扰检测方法。
发明内容
本发明的主要目的在于提供一种基于机器学习理论的GNSS欺骗干扰检测方法,以解决现有技术中的GNSS欺骗干扰检测方法不能检测多种干扰、成本较高的问题。
为实现上述目的,本发明提供了一种基于机器学习理论的GNSS欺骗干扰检测方法,具体包括如下步骤:S1,获取存在多径干扰和存在欺骗干扰的相关峰数据;S2,根据多径干扰与欺骗干扰产生不同形状的相关峰,设定时间窗长度,并提取相关峰区域作为网络输入;S3,建立基于卷积神经网络和聚类算法的神经网络模型,应用机器学习方法对数据进行多径干扰和欺骗干扰的识别和分类;S4,使用多径干扰和欺骗干扰相关峰数据对由步骤S3得到的神经网络模型进行训练,并提取特征,对多径干扰和欺骗干扰数据进行识别和分类。
进一步地,步骤S3中具体包括如下步骤:S3.1,导入数据集,对由步骤S2得到的多径干扰和欺骗干扰的相关峰数据,划分训练集和测试集;S3.2,对训练集和测试集的输入数据进行归一化处理;S3.3,将训练集和测试集的输入数据从4维转换为2维;S3.4,构造基于卷积神经网络和聚类算法的神经网络模型,包括:输入层、卷积层、批归一化层、ReLU激活层、最大池化层、全连接层、归一化层和分类层;S3.5,设置训练网络时的参数。
进一步地,步骤S4中具体包括如下步骤:S4.1,利用输入层、卷积层、批归一化层、ReLU激活层和最大池化层,提取输入的多径干扰和欺骗干扰信号相关峰的特征,并利用自适应运动估计算法优化神经网络模型;S4.2,经归一化层,对提取出的特征进行归一化处理;S4.3,在分类层加入DBSCAN算法进行聚类分类;S4.4,训练完成后,对测试集进行预测,将预测结果反归一化,评价模型的性能。
进一步地,步骤S4.1具体包括如下步骤:S4.1.1,在输入层输入数据。
S4.1.2,卷积层的输入公式为:
(1)。
其中,是卷积运算的函数,为卷积核矩阵,为输入矩阵,为偏置,为卷积运算的类型。
卷积层输出公式为: (2)。
其中,为输出矩阵,为激活函数。
卷积后产生的特征大小计算公式为 (3)。
其中,为输入矩阵大小,为卷积核大小,为步幅,为补零层数;
S4.1.3,经批归一化层对特征进行标准化处理。
S4.1.4,经ReLU激活层对卷积层输出进行非线性处理,引入非线性因素。
S4.1.5,经最大池化层对特征进行下采样。
S4.1.6,将特征按行展开连接成向量,传入全连接层。
本发明具有如下有益效果:1、本发明利用接收机输出的相关峰数据作为输入,无需改变接收机的结构,无需引入额外设备,为商用导航接收机在节省硬件成本的条件下实现欺骗干扰检测提供可能。
2、本发明解决了在实际工程中,接收终端在多径环境下无法有效检测出欺骗干扰,欺骗干扰检测性能大幅下降的问题,本发明设计了基于CNN聚类集成的GNSS欺骗干扰检测模型,通过提取多径干扰和欺骗干扰有限长的相关峰区域作为网络输入,降低了机器学习网络的复杂度,应用机器学习方法对这些特征图进行识别和分类,实现多径干扰和欺骗干扰的识别。
3、本发明在没有增加模型复杂度的基础上,通过引入聚类算法进行优化,使用CNN聚类集成模型来学习和测试所述相关峰图数据集,提高了模型对多径干扰和欺骗干扰的检测性能,实验结果表明,利用该模型识别多径干扰和欺骗干扰可以达到99.5%以上的识别准确率。
4、在航空导航中,GNSS信号的精度和可靠性对飞行安全至关重要,通过本发明可以更好地检测多径和欺骗干扰并为进一步消除多径和欺骗干扰等干扰提供技术支持,从而提高GNSS信号的精度和可靠性,保证飞行安全,类似地,在交通运输、船舶导航、军事作战等领域,该模型也可以起到重要作用,保证设备和人员的安全和正常运行。
附图说明
为了更清楚地说明本发明具体实施方式或现有技术中的技术方案,下面将对具体实施方式或现有技术描述中所需要使用的附图作简单地介绍,显而易见地,下面描述中的附图是本发明的一些实施方式,对于本领域普通技术人员来讲,在不付出创造性劳动的前提下,还可以根据这些附图获得其他的附图。
在附图中:图1示出了根据本发明的一种基于机器学习理论的GNSS欺骗干扰检测方法的流程图。
具体实施方式
下面将结合附图对本发明的技术方案进行清楚、完整地描述,显然,所描述的实施例是本发明一部分实施例,而不是全部的实施例。基于本发明中的实施例,本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例,都属于本发明保护的范围。
如图1所示的一种基于机器学习理论的GNSS欺骗干扰检测方法,具体包括如下步骤:S1,获取存在多径干扰和存在欺骗干扰的相关峰数据。
这些数据可以从实验室或者实际场景中获取。本发明中数据采集的方式如下:
NLOS多径数据采集在城市中密集分布的高层建筑的几个环境中进行,在地面放置鱼眼相机拍摄天空照片,利用手机上的GPS Test Plus软件收集GNSS卫星方位图,将两张地图重叠,以确定卫星是否被任何建筑物所遮挡,完全处于建筑物阴影下的卫星信号为NLOS信号。
GNSS欺骗信号利用GNSS信号模拟器来产生,实验中利用GNSS软件无线电导航系统获取真实信号的多普勒频移,然后控制模拟器产生同一卫星的欺骗信号,模拟器的发射功率从100至85 dBm用于信号采集。
对采集到的数据进行处理:首先使用两套通用软件无线电外围设备B210软件定义无线电(SDR)平台、偏置三通以及北电BT-560全球卫星导航系统天线建立GNSS信号接收环境,其中一套设备与GNSS SDR软件相结合,形成一个SDR接收器,从而获取GNSS卫星数据信息,另一套与GNU无线电软件合作进行数据采集,信号采集中心频率为1. 57542 GHz,AD采样速率为8 M/s,信号增益为50 dB,采样带宽为4 MB,将采样数据写入IQIQ格式的数据文件,即为原始数据,接着两个平台同时运行,利用GNSS SDR实时记录跟踪信号在每个时间点的CA码相位和多普勒频移,以便于数据预处理,然后使用MATLAB读取原始数据,GNSS SDR记录的跟踪信号的CA码相位和多普勒频移用于将每个CA码周期中的原始数据处理成可供机器学习算法使用的相关数据。
S2,根据多径干扰与欺骗干扰产生不同形状的相关峰,设定时间窗长度,并提取相关峰区域作为网络输入。
通常,多径信号的传播路径比真实直接信号的传播路径长,NLOS信号不包含任何主相关峰,它由具有不同时间延迟的多个小相关峰组成,接收机的定位精度受NLOS多径信号的影响很大。
欺骗信号可以形成一个相关峰,并逐步将其码相位调整到真实的相关峰码相位,即延迟锁定环路(DLL)码相位。当欺骗相关峰与真实相关峰重叠后,DLL将牵引到欺骗相关峰;如果存在欺骗信号且没有被DLL牵引,则可以通过跨越整个扩频码周期来搜索相关峰值,从而发现两个主峰;如果欺骗信号的DLL牵引正在进行,则可以发现两个主峰或一个巨大的主峰。
由于GNSS信号在多径干扰和欺骗干扰作用下的相关峰形状不同,可以将干扰检测
问题转化为一维模式分类问题,但从单个相关峰的图形来看,很难完全区分这两种情况,由
于欺骗过程是渐进的,可以通过时间域多个连续的相关峰来提高识别精度,一般情况下,当,其中为窗口宽度,为码相位精度,为单个扩频码码片的周
期,就能获得完整的多径信号和欺骗信号相关峰,通过提取视场宽度约为的相关峰区域
作为网络输入,应用机器学习方法进行识别和分类。
S3,建立基于卷积神经网络(CNN)和聚类算法的神经网络模型,应用机器学习方法对数据进行多径干扰和欺骗干扰的识别和分类。
具体地,步骤S3中具体包括如下步骤:S3.1,导入数据集,对由步骤S2得到的多径干扰和欺骗干扰的相关峰数据,划分训练集和测试集。将所有数据中的前7000个样本作为训练集,后3000个样本作为测试集。
S3.2,对训练集和测试集的输入数据进行归一化处理。
S3.3,将训练集和测试集的输入数据从4维转换为2维。以便穿传入到步骤S3.4中的神经网络模型中。
S3.4,构造基于卷积神经网络和聚类算法的神经网络模型,包括:输入层、卷积层、批归一化层、ReLU激活层、最大池化层、全连接层、归一化层和分类层。
S3.5,设置训练网络时的参数。包括梯度下降算法、最大训练次数、初始学习率、L2正则化参数、学习率下降、学习率下降因子、学习率下降周期、打乱数据集、验证、曲线绘制和输出信息等。
S4,使用多径干扰和欺骗干扰相关峰数据对由步骤S3得到的神经网络模型进行训练,并提取特征,对多径干扰和欺骗干扰数据进行识别和分类。
该模型的输入数据是一个73×1×1的图像,其中73表示图像的通道数,即特征数,1×1表示图像的宽和高,因为是灰度图像,所以只有一个通道。
输入数据通过卷积层、批归一化层、激活函数层、最大池化层和全连接层等十二层网络进行处理,最终输出一个2维的结果向量,其中,全连接层的输出大小是分类的类别数目为2,然后使用Softmax归一化层将输出映射到[0,1]的概率空间,最后使用分类层进行分类,从输入样本中随机抽取70%的数据用于训练,30%的数据用于测试,每次训练打乱数据集,输出检测结果。
具体地,步骤S4中具体包括如下步骤:S4.1,利用输入层、卷积层、批归一化层、ReLU激活层和最大池化层,提取输入的多径干扰和欺骗干扰信号相关峰的特征,并利用自适应运动估计算法优化神经网络模型。
具体地,步骤S4.1具体包括如下步骤:S4.1.1,在输入层输入数据,即图片。
S4.1.2,卷积层的输入公式为: (1)。
其中,是卷积运算的函数,为卷积核矩阵,为输入矩阵,为偏置,为卷积运算的类型。
卷积层输出公式为: (2)。
其中,为输出矩阵,为激活函数;模型中的卷积层使用两个不同大小的卷
积核,分别为2×1和2乘2,分别生成16个和32个卷积核,以捕获图像中的不同特征,进行卷
积操作之后得到特征图。
卷积后产生的特征大小计算公式为 (3)。
其中,为输入矩阵大小,为卷积核大小,为步幅,为补零层数,该模型最
终得到的特征图大小为[69, 1, 32]。
S4.1.3,经批归一化层对特征进行标准化处理。
S4.1.4,经ReLU激活层对卷积层输出进行非线性处理,引入非线性因素。
S4.1.5,经最大池化层对特征进行下采样。
S4.1.6,将特征按行展开连接成向量,传入全连接层。
在训练模型时,加入批归一化层增加收敛速度,批归一化是一种对神经网络层的输出进行标准化处理的方法,可以加速神经网络的收敛速度,提高网络的泛化能力,批归一化的引入可以使得神经网络训练更加稳定,防止过拟合,同时可以降低网络对初始权重的依赖性;使用ReLU激活层对卷积层输出进行非线性处理,引入非线性因素,增强CNN模型的表达能力,通过最大池化层对特征图进行下采样,以降低数据量和计算复杂度,大小为2×1和2×2,步长分别为1和2,最后将特征图按行展开连接成向量,传入全连接层;所述的神经网络模型选用Adam优化算法,Adam是一种自适应学习率优化算法,可以在训练过程中根据梯度的变化情况动态调整学习率,从而加快网络的收敛速度,与传统的梯度下降算法相比,Adam可以更快地找到最优解,降低了网络收敛的时间成本;并设置了一些参数,如最大训练次数为200次,初始学习率为0.001,学习率下降因子为0.5等。
S4.2,经归一化层,对提取出的特征进行归一化处理。
S4.3,在分类层加入DBSCAN算法进行聚类分类。
将四维数据转换为二维数据,使用DBSCAN算法对特征向量进行聚类分类,随机选
择一个未被访问过的数据点p,以p为中心,设置为半径,最小点数为5,生成一个圆
形区域,该圆形区域内的所有数据点都被视为核心点,并构成一个簇,找到所有密度可达的
点,将其加入到该簇中,接着重复之前的步骤,直到该簇中的所有点都被访问过,最后从未
被访问过的数据点中随机选择一个点,重复之前所有步骤,直到所有数据点都被访问过,
DBSCAN聚类算法可以通过调整参数来控制簇的数量和大小,从而使得数据在特征空间中更
加集中,同时减少噪音和不相关特征的影响,从而增加了模型的泛化能力,另外,该模型可
以同时考虑图像特征和标签信息来提高分类性能,并且通过聚类可以发现一些图像类别中
的内部结构,这些结构在传统的监督学习模型中可能被忽略,因此,聚类可以帮助提取更有
意义和区分度更高的特征,进而提高模型的性能。
S4.4,训练完成后,对测试集进行预测,将预测结果反归一化,评价模型的性能。
本实施例计算得到的CNN聚类集成模型的识别结果如表1所示,通过测试,该模型的测试准确率为99.9667%,能够很好的识别多径干扰和欺骗干扰。
在混淆矩阵中,多径数据和欺骗数据分别用0和1表示,混淆矩阵的每一行描述了
被识别为两个类别之一的真实样本的数量,其对角线表示被正确识别的样本的数量,表1记
录了使用CNN聚类集成模型进行多径干扰和欺骗干扰识别实验的混淆矩阵,模型准确率的
计算公式为: (4)。
其中表示将正类预测为正类数,真实为0,预测也为0,表示将正类预测为负
类数,真实为0,预测为1,表示将负类预测为正类数,真实为1,预测为0,表示将负类预
测为负类数,真实为1,预测也为1。
表1:CNN聚类集成模型的识别结果
当然,上述说明并非是对本发明的限制,本发明也并不仅限于上述举例,本技术领域的技术人员在本发明的实质范围内所做出的变化、改型、添加或替换,也应属于本发明的保护范围。
Claims (4)
1.一种基于机器学习理论的GNSS欺骗干扰检测方法,其特征在于,具体包括如下步骤:
S1,获取存在多径干扰和存在欺骗干扰的相关峰数据;
S2,根据多径干扰与欺骗干扰产生不同形状的相关峰,设定时间窗长度,并提取相关峰区域作为网络输入;
S3,建立基于卷积神经网络和聚类算法的神经网络模型,应用机器学习方法对数据进行多径干扰和欺骗干扰的识别和分类;
S4,使用多径干扰和欺骗干扰相关峰数据对由步骤S3得到的神经网络模型进行训练,并提取特征,对多径干扰和欺骗干扰数据进行识别和分类。
2.根据权利要求1所述的一种基于机器学习理论的GNSS欺骗干扰检测方法,其特征在于,步骤S3中具体包括如下步骤:
S3.1,导入数据集,对由步骤S2得到的多径干扰和欺骗干扰的相关峰数据,划分训练集和测试集;
S3.2,对训练集和测试集的输入数据进行归一化处理;
S3.3,将训练集和测试集的输入数据从4维转换为2维;
S3.4,构造基于卷积神经网络和聚类算法的神经网络模型,包括:输入层、卷积层、批归一化层、ReLU激活层、最大池化层、全连接层、归一化层和分类层;
S3.5,设置训练网络时的参数。
3.根据权利要求1所述的一种基于机器学习理论的GNSS欺骗干扰检测方法,其特征在于,步骤S4中具体包括如下步骤:
S4.1,利用输入层、卷积层、批归一化层、ReLU激活层和最大池化层,提取输入的多径干扰和欺骗干扰信号相关峰的特征,并利用自适应运动估计算法优化神经网络模型;
S4.2,经归一化层,对提取出的特征进行归一化处理;
S4.3,在分类层加入DBSCAN算法进行聚类分类;
S4.4,训练完成后,对测试集进行预测,将预测结果反归一化,评价模型的性能。
4.根据权利要求1所述的一种基于机器学习理论的GNSS欺骗干扰检测方法,其特征在于,步骤S4.1具体包括如下步骤:
S4.1.1,在输入层输入数据;
S4.1.2,卷积层的输入公式为:
(1)
其中,是卷积运算的函数,/>为卷积核矩阵,/>为输入矩阵,/>为偏置,/>为卷积运算的类型;
卷积层输出公式为:
(2)
其中,为输出矩阵,/>为激活函数;
卷积后产生的特征大小计算公式为
(3)
其中,为输入矩阵大小,/>为卷积核大小,/>为步幅,/>为补零层数;
S4.1.3,经批归一化层对特征进行标准化处理;
S4.1.4,经ReLU激活层对卷积层输出进行非线性处理,引入非线性因素;
S4.1.5,经最大池化层对特征进行下采样;
S4.1.6,将特征按行展开连接成向量,传入全连接层。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310752291.9A CN116482720B (zh) | 2023-06-26 | 2023-06-26 | 一种基于机器学习理论的gnss欺骗干扰检测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310752291.9A CN116482720B (zh) | 2023-06-26 | 2023-06-26 | 一种基于机器学习理论的gnss欺骗干扰检测方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN116482720A true CN116482720A (zh) | 2023-07-25 |
CN116482720B CN116482720B (zh) | 2023-09-05 |
Family
ID=87218191
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202310752291.9A Active CN116482720B (zh) | 2023-06-26 | 2023-06-26 | 一种基于机器学习理论的gnss欺骗干扰检测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116482720B (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116973945A (zh) * | 2023-09-21 | 2023-10-31 | 山东科技大学 | 基于智能终端gnss数据的干扰检测方法及系统 |
CN117269992A (zh) * | 2023-08-29 | 2023-12-22 | 中国民航科学技术研究院 | 基于卷积神经网络的卫星导航多径信号检测方法及系统 |
Citations (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
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 |
CN109782304A (zh) * | 2019-01-29 | 2019-05-21 | 西安交通大学 | 一种信号捕获阶段的gnss欺骗干扰检测方法及系统 |
CN110231634A (zh) * | 2019-05-15 | 2019-09-13 | 西安交通大学 | 一种信号捕获阶段基于lstm的gnss欺骗干扰检测方法及系统 |
CN110231633A (zh) * | 2019-05-15 | 2019-09-13 | 西安交通大学 | 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 |
CN111399002A (zh) * | 2020-04-09 | 2020-07-10 | 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 |
US20200225358A1 (en) * | 2019-01-10 | 2020-07-16 | Raytheon Company | Detection of spoofing and meaconing for geolocation positioning system signals |
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 |
CN112347871A (zh) * | 2020-10-23 | 2021-02-09 | 中国电子科技集团公司第七研究所 | 一种用于通信载波监视系统的干扰信号调制识别方法 |
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 |
CN115598669A (zh) * | 2022-09-26 | 2023-01-13 | 中山大学(Cn) | 一种导航多特征gnss欺骗干扰检测方法、系统、设备及介质 |
-
2023
- 2023-06-26 CN CN202310752291.9A patent/CN116482720B/zh active Active
Patent Citations (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
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 |
US20200225358A1 (en) * | 2019-01-10 | 2020-07-16 | Raytheon Company | Detection of spoofing and meaconing for geolocation positioning system signals |
CN109782304A (zh) * | 2019-01-29 | 2019-05-21 | 西安交通大学 | 一种信号捕获阶段的gnss欺骗干扰检测方法及系统 |
CN110231634A (zh) * | 2019-05-15 | 2019-09-13 | 西安交通大学 | 一种信号捕获阶段基于lstm的gnss欺骗干扰检测方法及系统 |
CN110231633A (zh) * | 2019-05-15 | 2019-09-13 | 西安交通大学 | 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 |
CN111399002A (zh) * | 2020-04-09 | 2020-07-10 | 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 |
CN112347871A (zh) * | 2020-10-23 | 2021-02-09 | 中国电子科技集团公司第七研究所 | 一种用于通信载波监视系统的干扰信号调制识别方法 |
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 |
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 |
CN115598669A (zh) * | 2022-09-26 | 2023-01-13 | 中山大学(Cn) | 一种导航多特征gnss欺骗干扰检测方法、系统、设备及介质 |
Non-Patent Citations (2)
Title |
---|
柯晔等: "GNSS/ INS 组合导航系统抗欺骗式干扰技术现状与展望", 测绘与空间地理信息, vol. 45, no. 12, pages 180 - 183 * |
田君杰;郭泓辰;刘艳芳;: "基于自适应增量流形学习的GNSS欺骗干扰识别", 通信技术, no. 05, pages 880 - 885 * |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117269992A (zh) * | 2023-08-29 | 2023-12-22 | 中国民航科学技术研究院 | 基于卷积神经网络的卫星导航多径信号检测方法及系统 |
CN117269992B (zh) * | 2023-08-29 | 2024-04-19 | 中国民航科学技术研究院 | 基于卷积神经网络的卫星导航多径信号检测方法及系统 |
CN116973945A (zh) * | 2023-09-21 | 2023-10-31 | 山东科技大学 | 基于智能终端gnss数据的干扰检测方法及系统 |
CN116973945B (zh) * | 2023-09-21 | 2023-12-08 | 山东科技大学 | 基于智能终端gnss数据的干扰检测方法及系统 |
Also Published As
Publication number | Publication date |
---|---|
CN116482720B (zh) | 2023-09-05 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN116482720B (zh) | 一种基于机器学习理论的gnss欺骗干扰检测方法 | |
Abbas et al. | WiDeep: WiFi-based accurate and robust indoor localization system using deep learning | |
CN109188470B (zh) | 一种基于卷积神经网络的gnss欺骗干扰检测方法 | |
CN111479231A (zh) | 一种用于毫米波大规模mimo系统的室内指纹定位方法 | |
CN114189809B (zh) | 基于卷积神经网络与高维5g观测特征的室内定位方法 | |
CN105898713A (zh) | 一种基于加权余弦相似度的WiFi指纹室内定位方法 | |
CN112799128B (zh) | 一种地震信号检测和震相提取的方法 | |
CN108680796A (zh) | 用于计算机显示器的电磁信息泄漏检测系统及方法 | |
CN113406671B (zh) | 一种基于c/n0-mv的gnss转发式欺骗干扰检测方法 | |
CN115524724B (zh) | 一种通用航空可信时空服务方法、系统及介质 | |
CN115826042A (zh) | 一种边云端结合的分布式地震数据处理方法与装置 | |
CN115496097A (zh) | 一种基于小波格拉姆卷积神经网络的非视距信号识别方法 | |
Zhang et al. | Machine learning-based integrated wireless sensing and positioning for cellular network | |
Chen et al. | Learning from FM communications: Toward accurate, efficient, all-terrain vehicle localization | |
CN116482680B (zh) | 一种身体干扰识别方法、装置、系统和存储介质 | |
CN116930963A (zh) | 一种基于无线通信系统的穿墙成像方法 | |
Guven et al. | Classifying LPI radar waveforms with time-frequency transformations using multi-stage CNN system | |
CN113343924B (zh) | 一种基于循环谱特征和生成对抗网络的调制信号识别方法 | |
CN108399413B (zh) | 一种图片拍摄区域识别及地理定位方法及装置 | |
CN115600101A (zh) | 一种基于先验知识的无人机信号智能检测方法及装置 | |
CN115205779A (zh) | 基于人群图像模板的人数检测方法 | |
CN106249241B (zh) | 一种自适应杂波功率统计算法 | |
CN111372211A (zh) | 一种基于集成学习的智能手机WiFi室内定位方法 | |
CN113514796A (zh) | 一种无源定位方法、系统和介质 | |
Cui et al. | Mobile Big Data Analytics for Human Behavior Recognition in Wireless Sensor Network Based on Transfer Learning |
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 |