CN116660942B - 基于深度学习的列车卫星定位欺骗干扰检测方法及系统 - Google Patents
基于深度学习的列车卫星定位欺骗干扰检测方法及系统 Download PDFInfo
- Publication number
- CN116660942B CN116660942B CN202310641861.7A CN202310641861A CN116660942B CN 116660942 B CN116660942 B CN 116660942B CN 202310641861 A CN202310641861 A CN 202310641861A CN 116660942 B CN116660942 B CN 116660942B
- Authority
- CN
- China
- Prior art keywords
- signal
- autocorrelation function
- deception
- model
- sequence
- 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
- 238000001514 detection method Methods 0.000 title claims abstract description 125
- 238000013135 deep learning Methods 0.000 title claims abstract description 33
- 238000005311 autocorrelation function Methods 0.000 claims abstract description 209
- 238000013136 deep learning model Methods 0.000 claims abstract description 39
- 238000004422 calculation algorithm Methods 0.000 claims abstract description 33
- 238000005457 optimization Methods 0.000 claims abstract description 33
- 238000012549 training Methods 0.000 claims abstract description 29
- 238000005314 correlation function Methods 0.000 claims abstract description 23
- 238000004364 calculation method Methods 0.000 claims abstract description 22
- 238000009826 distribution Methods 0.000 claims abstract description 16
- 238000005070 sampling Methods 0.000 claims description 62
- 238000000034 method Methods 0.000 claims description 49
- 230000001427 coherent effect Effects 0.000 claims description 25
- 238000012360 testing method Methods 0.000 claims description 24
- 230000006870 function Effects 0.000 claims description 20
- 230000010354 integration Effects 0.000 claims description 14
- 238000004590 computer program Methods 0.000 claims description 13
- 238000010276 construction Methods 0.000 claims description 9
- 238000000354 decomposition reaction Methods 0.000 claims description 7
- 238000000605 extraction Methods 0.000 claims description 5
- 238000013178 mathematical model Methods 0.000 claims description 4
- 238000012937 correction Methods 0.000 claims description 3
- 238000003860 storage Methods 0.000 claims description 3
- 230000009471 action Effects 0.000 claims description 2
- 230000007246 mechanism Effects 0.000 abstract description 9
- 239000002245 particle Substances 0.000 description 22
- 230000006978 adaptation Effects 0.000 description 6
- 230000004913 activation Effects 0.000 description 4
- 230000008901 benefit Effects 0.000 description 4
- 238000010586 diagram Methods 0.000 description 4
- 238000002156 mixing Methods 0.000 description 4
- 238000011176 pooling Methods 0.000 description 4
- 230000008569 process Effects 0.000 description 4
- 230000002159 abnormal effect Effects 0.000 description 3
- 230000003044 adaptive effect Effects 0.000 description 3
- 230000000694 effects Effects 0.000 description 3
- 238000005516 engineering process Methods 0.000 description 3
- 238000012545 processing Methods 0.000 description 3
- 230000008030 elimination Effects 0.000 description 2
- 238000003379 elimination reaction Methods 0.000 description 2
- 238000010801 machine learning Methods 0.000 description 2
- 230000001629 suppression Effects 0.000 description 2
- 230000002459 sustained effect Effects 0.000 description 2
- ORILYTVJVMAKLC-UHFFFAOYSA-N Adamantane Natural products C1C(C2)CC3CC1CC2C3 ORILYTVJVMAKLC-UHFFFAOYSA-N 0.000 description 1
- 238000007476 Maximum Likelihood Methods 0.000 description 1
- 230000005856 abnormality Effects 0.000 description 1
- 238000013528 artificial neural network Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 230000003111 delayed effect Effects 0.000 description 1
- 238000009795 derivation Methods 0.000 description 1
- 238000001914 filtration Methods 0.000 description 1
- 230000001939 inductive effect Effects 0.000 description 1
- 230000005764 inhibitory process Effects 0.000 description 1
- 230000000116 mitigating effect Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000008447 perception Effects 0.000 description 1
- 238000002360 preparation method Methods 0.000 description 1
- 238000011084 recovery Methods 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 230000004044 response Effects 0.000 description 1
- 238000010845 search algorithm Methods 0.000 description 1
- 238000007619 statistical method 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
- 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
- G01S19/29—Acquisition or tracking or demodulation of signals transmitted by the system carrier including Doppler, related
-
- 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
-
- 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]
-
- 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)
- Radar, Positioning & Navigation (AREA)
- Remote Sensing (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Computer Networks & Wireless Communication (AREA)
- Signal Processing (AREA)
- Theoretical Computer Science (AREA)
- Biomedical Technology (AREA)
- General Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- Artificial Intelligence (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Health & Medical Sciences (AREA)
- Position Fixing By Use Of Radio Waves (AREA)
Abstract
本发明提供基于深度学习的列车卫星定位欺骗干扰检测方法及系统，属于轨道交通列车运行控制技术领域，采集卫星定位数字中频信号，在跟踪环路设置多个相关器计算相关函数；训练深度学习模型学习相关函数本身及其统计分布特性，检测欺骗干扰的存在；检测到受到欺骗攻击时，根据相关函数采用智能优化算法估计两路信号的参数，重构两路含有噪声影响的真实/欺骗信号自相关函数序列，构建基于深度学习的欺骗信号辨识模型，辨识欺骗信号，完成欺骗信号重构和剔除，恢复无干扰相关函数，修正跟踪环路参数，完成卫星定位解算。本发明构建了面向列车卫星定位的独立自主式蓄意欺骗攻击检测和缓解机制，为列车运行控制系统对卫星定位的欺骗干扰防护提供保障。
Description
技术领域
本发明涉及轨道交通列车运行控制技术领域，具体涉及一种基于深度学习的列车卫星定位欺骗干扰检测方法及系统。
背景技术
基于卫星定位的新型列车运行控制系统实现了定位技术的革新和经济效益的优化。然而，卫星导航系统固有的脆弱性极大限制了其在特定应用场合的持续运用。卫星信号由导航卫星到地面用户的传输距离较远，接收机收到的信号功率大幅度降低，且民码结构公开，导致卫星定位接收机极易受到干扰攻击。
卫星定位面临的蓄意干扰主要分为压制式干扰和欺骗式干扰。其中，压制式干扰信号本身具有远超接收机工作范围的高功率特性，使得接收机无法正常工作；欺骗式干扰旨在诱导接收机产生错误的定位解算结果，因此，欺骗信号结构类似于真实卫星信号并调制了错误的伪码相位信息，接收机基带信号处理环路难以觉察欺骗信号的存在，从而会被逐步诱导并偏离真实信号跟踪状态，相比于压制式干扰，欺骗式干扰实施手段更加灵活、智能和隐蔽，使得卫星定位面临更严峻的威胁。同时，庞大铁路网内列车运行面临复杂多变的运行环境，也对卫星定位提供稳定、可靠的定位、导航和授时服务带来了显著挑战。因此，如何有效检测、辨识和缓解新型列车运行控制系统可能面临的面向卫星定位的干扰威胁是当前亟需考虑的问题。
列车运行控制系统作为安全苛求系统，对卫星定位可能面临的欺骗干扰潜在威胁不可忽视，亟需采取有效的干扰检测与防护手段解决卫星定位欺骗干扰引起的信息安全问题，这对确保基于卫星定位的列车在途运行位置及状态感知的准确、可靠具有重要意义。本发明旨在缓解欺骗攻击对列车卫星定位的影响，充分运用设备运行过程中积累的大量卫星定位数据，采用基于无监督深度学习建模的数据驱动方式实现欺骗干扰的检测和辨识，使用真实卫星定位样本数据进行模型离线训练，使模型具有分辨正常和欺骗场景输入特征的能力，进而恢复未受到欺骗干扰前的列车运行状态。
现有技术中，卫星导航干扰和抗干扰在军事装备、电子对抗领域备受关注，相关技术得到了极大的发展。在欺骗干扰检测方面，根据信号到达方向、信号功率、捕获相关峰数量、相关函数畸变、定位观测量异变等特性检测欺骗信号是否存在，使用的方法包括参数一致性二元假设检验、信号质量检测、接收机自主完好性检测、机器学习等；在信号参数估计方面，根据多相关器输出自相关函数进行信号分解，采用的方法包括多路径估计延迟锁定环路(MEDLL)、最大似然估计(MLE)、码相位延迟幅度联合跟踪环路(CADLL)、稀疏求解、神经网络、矢量跟踪环路等；在欺骗信号辨识方面，多采用辅助传感器构造冗余观测量，预测真实信号参数，其与信号分解的两路信号参数进行对比辨识欺骗信号分量；在欺骗干扰抑制方面，简单根据信号参数估计和辨识结果，消除相关函数欺骗信号分量，修正信号跟踪环路，以抑制欺骗信号，另外，使用多天线阵列、辅助传感器、抗差估计等方法也可以缓解欺骗信号对最终定位结果的影响。
但是，现有技术普遍存在两大问题：
(1)多数方法仅涉及欺骗干扰检测、信号参数估计、信号辨识和信号抑制中的部分环节，部分方法需要大量的欺骗干扰数据库。针对列车卫星定位场景，列车定位存在大量的真实卫星定位数据，而真实欺骗数据较难获得，数据样本极度不均衡，使得基于有监督模型训练的方法不在适用列车卫星定位场景。
(2)所提出的方法普遍适用多数卫星定位场景，而直接面向列车卫星定位的欺骗干扰检测与缓解方法研究较少，由于列车往返运行在固定的轨道线路上且具有往复重复性，导航卫星信号观测具有一定的时变特性，这为引入机器学习、深度学习等方式建模信号观测量的分布特性进而实施欺骗干扰检测与缓解提供了可能性，且列车固有测速定位传感器、轨道电子地图等可以提供冗余观测信息，有效辅助欺骗信号的辨识和定位恢复。
总之，对基于卫星定位的列车运行控制等专用应用而言，直接面向列车卫星定位的欺骗干扰检测与缓解方法尚有待于研究。考虑到铁路广域运行环境复杂，面向实际运行场景的卫星定位欺骗样本数据难获取，现有基于海量欺骗干扰样本进行模型训练的欺骗干扰检测方法难以适用。
发明内容
本发明的目的在于提供一种基于深度学习的列车卫星定位欺骗干扰检测方法及系统，以解决上述背景技术中存在的至少一项技术问题。
为了实现上述目的，本发明采取了如下技术方案：
一方面，本发明提供一种基于深度学习的列车卫星定位欺骗干扰检测方法，包括：
采集列车卫星定位数字中频信号，对信号进行捕获和跟踪，在跟踪环路设置多个相关器，对自相关函数进行等距离采样，计算自相关函数的数理统计特征；
构建欺骗干扰检测深度学习模型，建立二进制假设检验模型，初步判决系统是否受到欺骗攻击，结合初检结果和列车卫星定位欺骗干扰特性进行复检；
决策系统受到欺骗攻击，结合自相关函数序列和智能优化算法对自相关函数进行分解，估计子信号分量的参数，所述信号参数为信号幅值、码相位延迟和载波相位差异；
构建欺骗信号辨识深度学习模型，重构理想真实/欺骗信号自相关函数，将含有噪声影响的估计真实/欺骗信号自相关函数序列输入模型中，进行分类决策；
剔除辨识的欺骗信号，恢复无干扰自相关函数，修正跟踪环路参数，进行信号跟踪和定位解算。
第二方面，本发明提供一种基于深度学习的列车卫星定位欺骗干扰检测系统，包括：
采样计算模块，用于采集列车卫星定位数字中频信号，对信号进行捕获和跟踪，在跟踪环路设置多个相关器，对自相关函数进行等距离采样，计算自相关函数的数理统计特征；
检测构建模块，用于构建欺骗干扰检测深度学习模型，建立二进制假设检验模型，初步判决系统是否受到欺骗攻击，结合初检结果和列车卫星定位欺骗干扰特性进行复检；
分解模块，用于在决策系统受到欺骗攻击，结合自相关函数序列和智能优化算法对自相关函数进行分解，估计子信号分量的参数，所述信号参数为信号幅值、码相位延迟和载波相位差异；
辨识构建模块，用于构建欺骗信号辨识深度学习模型，重构理想真实/欺骗信号自相关函数，将含有噪声影响的估计真实/欺骗信号自相关函数序列输入模型中，进行分类决策；
修正解算模块，用于剔除辨识的欺骗信号，恢复无干扰自相关函数，修正跟踪环路参数，进行信号跟踪和定位解算。
第三方面，本发明提供一种非暂态计算机可读存储介质，所述非暂态计算机可读存储介质用于存储计算机指令，所述计算机指令被处理器执行时，实现如上所述的基于深度学习的列车卫星定位欺骗干扰检测方法。
第四方面，本发明提供一种计算机程序产品，包括计算机程序，所述计算机程序当在一个或多个处理器上运行时，用于实现如上所述的基于深度学习的列车卫星定位欺骗干扰检测方法。
第五方面，本发明提供一种电子设备，包括：处理器、存储器以及计算机程序；其中，处理器与存储器连接，计算机程序被存储在存储器中，当电子设备运行时，所述处理器执行所述存储器存储的计算机程序，以使电子设备执行实现如上所述的基于深度学习的列车卫星定位欺骗干扰检测方法的指令。
本发明有益效果：在基带信号处理域实现了卫星欺骗信号的检测、重构和消除，可以主动抵御外来蓄意欺骗干扰对列车卫星定位的影响，为列车定位系统提供可靠的异常定位警示和防护，有效支撑列车定位信息的安全应用。
本发明附加方面的优点，将在下述的描述部分中更加明显的给出，或通过本发明的实践了解到。
附图说明
为了更清楚地说明本发明实施例的技术方案，下面将对实施例描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，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。
图1为本发明实施例所述的基于深度学习的列车卫星定位欺骗干扰检测与缓解方法流程图。
图2为本发明实施例所述的在欺骗攻击下的自相关函数曲线示意图。
图3为本发明实施例所述的基于深度学习模型的欺骗干扰检测原理示意图。
图4为本发明实施例所述的基于深度学习模型的欺骗信号辨识原理示意图。
图5为本发明实施例所述的基于深度学习模型的欺骗干扰检测准确度对比示意图。
具体实施方式
下面详细叙述本发明的实施方式，所述实施方式的示例在附图中示出，其中自始至终相同或类似的标号表示相同或类似的元件或具有相同或类似功能的元件。下面通过附图描述的实施方式是示例性的，仅用于解释本发明，而不能解释为对本发明的限制。
本领域技术人员应该理解，附图只是实施例的示意图，附图中的部件并不一定是实施本发明所必须的。
实施例1
本实施例1中，首先提供了一种基于深度学习的列车卫星定位欺骗干扰检测系统，包括：采样计算模块，用于采集列车卫星定位数字中频信号，对信号进行捕获和跟踪，在跟踪环路设置多个相关器，对自相关函数进行等距离采样，计算自相关函数的数理统计特征；检测构建模块，用于构建欺骗干扰检测深度学习模型，建立二进制假设检验模型，初步判决系统是否受到欺骗攻击，结合初检结果和列车卫星定位欺骗干扰特性进行复检；分解模块，用于在决策系统受到欺骗攻击，结合自相关函数序列和智能优化算法对自相关函数进行分解，估计子信号分量的参数，所述信号参数为信号幅值、码相位延迟和载波相位差异；辨识构建模块，用于构建欺骗信号辨识深度学习模型，重构理想真实/欺骗信号自相关函数，将含有噪声影响的估计真实/欺骗信号自相关函数序列输入模型中，进行分类决策；修正解算模块，用于剔除辨识的欺骗信号，恢复无干扰自相关函数，修正跟踪环路参数，进行信号跟踪和定位解算。
本实施例中，利用上述的系统，实现了基于深度学习的列车卫星定位欺骗干扰检测方法，包括：采集列车卫星定位数字中频信号，对信号进行捕获和跟踪，在跟踪环路设置多个相关器，对自相关函数进行等距离采样，计算自相关函数的数理统计特征；构建欺骗干扰检测深度学习模型，建立二进制假设检验模型，初步判决系统是否受到欺骗攻击，结合初检结果和列车卫星定位欺骗干扰特性进行复检；决策系统受到欺骗攻击，结合自相关函数序列和智能优化算法对自相关函数进行分解，估计子信号分量的参数，所述信号参数为信号幅值、码相位延迟和载波相位差异；构建欺骗信号辨识深度学习模型，重构理想真实/欺骗信号自相关函数，将含有噪声影响的估计真实/欺骗信号自相关函数序列输入模型中，进行分类决策；剔除辨识的欺骗信号，恢复无干扰自相关函数，修正跟踪环路参数，进行信号跟踪和定位解算。
其中，采集列车卫星定位数字中频信号，对信号进行捕获和跟踪,在跟踪环路设置多个相关器，对自相关函数进行等距离采样，计算自相关函数的数理统计特征，包括：
在跟踪环路，设置自相关函数曲线的采样范围[-m，m]码片和相关器时间间隔d码片，共设置N个等间隔相关器，计算非相干积分C/A码自相关幅值：
其中，是相关器间隔为di的超前支路输出的自相关幅值，P为即时支路输出的自相关幅值，/>是滞后支路输出的自相关幅值，τP是本地产生C/A码与接收C/A码之间的相位差异值，R(·)为最大值是1的理想自相关函数，fe为频率差异，Tcoh为相干积分时间；
得到k时刻C/A码自相关函数的等间隔采样序列为：
设置滑动窗口长度Wlen，计算滑动窗口内相关函数的数理统计特征，所述自相关函数的数理统计特征包括：当前时刻鉴频器输出值鉴相器输出值/>前后倾斜量Metk，Delta检测量Deltak，Ratio检测量Ratiok，相关函数最大值/>0.5Rmax值对应的码相位距离/>归一化采样序列与标准归一化自相关函数序列的平均偏差/>取滑动窗口内每个时刻C/A码自相关函数的/>和/>组成序列，进行平滑去噪，得到/>和/>
取滑动窗口内每个时刻C/A码自相关函数等间隔采样序列的最大值，组成自相关函数最值序列计算序列的标准差/>极值最大值与最小值的比值/>
则，C/A码自相关函数的特征序列为：
构建欺骗干扰检测深度学习模型，建立二进制假设检验模型，初步判决系统是否受到欺骗攻击，结合初检结果和列车卫星定位欺骗干扰特性进行复检，包括：
根据自相关函数采样序列Rk和特征参数序列Fk，构建基于深度学习模型训练的欺骗干扰检测模型，在离线状态下，将无干扰场景的自相关函数采样序列和特征参数序列输入模型中，多次迭代训练模型，不断提升模型对输入序列进行分布特征提取和序列重构的能力，直至模型收敛；设置检测统计量t和检测阈值Td，建立二进制假设检验模型
若假设H0成立，则模型输出“1”表示当前时刻系统未受到欺骗攻击，否则，假设H1成立，模型输出“-1”表示当前时刻系统受到了欺骗攻击。
所述的决策系统受到欺骗攻击，结合自相关函数序列和智能优化算法对自相关函数进行分解，估计子信号分量的参数，所述信号参数为信号幅值、码相位延迟和载波相位差异，包括：
在载波频率锁定的情况下，忽略导航数据位的影响，建立复数自相关函数序列：
组成第k时刻复数自相关函数序列
第k时刻复数自相关函数为一路真实信号、一路欺骗信号以及噪声作用的叠加；
设置待估参数为两路信号分量的自相关函数幅值a、码相位延时Δd和载波相位差异φe，即自变量为x＝[a1,Δd1,φe,1,a2,Δd2,φe,2]，根据理想归一化自相关函数的数学模型RSTD(·)，重构当前信号的自相关函数：
使用接收信号的自相关函数采样序列与重构自相关函数的采样序列/>作差得到残余信号的自相关函数采样序列，记为/>
将残余信号的平均功率作为智能优化算法的适应度函数：
通过多次迭代在自变量可行域内寻找到适应度函数的最小值，最优值对应的自变量即为算法所求两路信号的待估参数
所述的构建欺骗信号辨识深度学习模型，重构真实、欺骗信号理想自相关函数，将含有噪声影响的真实、欺骗信号自相关函数序列输入模型中，进行分类决策，包括：
根据优化算法估计的两路信号参数，重构两路信号的自相关函数：
接收信号的自相关采样序列分别与两路信号的重构理想自相关函数采样序列作差，得到含有噪声影响的真实/欺骗信号自相关函数序列：
构建基于深度学习模型的欺骗信号辨识模型，将含有噪声影响的真实、欺骗信号自相关函数序列输入至模型中，得到模型损失为e1和e2，以模型损失作为信号辨识指标，认为损失较小者为含有噪声影响的真实信号自相关函数序列，对应的重构理想信号为欺骗信号自相关函数序列。
所述的剔除辨识的欺骗信号，恢复无干扰相关函数，修正跟踪环路参数，进行信号跟踪和定位解算，包括：
若辨识出第j个信号分量为欺骗信号，即欺骗信号的自相关函数幅值为aj、码相位延时为Δdj和载波相位差异为φe,j，则可以重构出欺骗信号的同相支路和正交支路的相干积分值；
接收信号的相干积分值与重构欺骗信号的相干积分值作差，即可得到估计的真实信号相干积分值，将估计的真实信号相关参数再次输入跟踪环路中，修正相关结果，进行导航定位解算，得到消除欺骗干扰后的卫星定位结果。
实施例2
本实施例2中，提供一种基于深度学习的列车卫星定位欺骗干扰检测与缓解方法，包括：
采集列车卫星定位数字中频信号，对信号进行捕获和跟踪,在跟踪环路设置多个相关器，对自相关函数进行等距离采样，计算自相关函数的数理统计特征。
构建欺骗干扰检测深度学习模型，建立二进制假设检验模型，初步判决系统是否受到欺骗攻击，结合初检结果和列车卫星定位欺骗干扰特性进行复检。
决策系统受到欺骗攻击，结合自相关函数序列和智能优化算法对自相关函数进行分解，估计子信号分量的参数，所述信号参数为信号幅值、码相位延迟和载波相位差异。
构建欺骗信号辨识深度学习模型，重构理想真实/欺骗信号自相关函数，将含有噪声影响的估计真实/欺骗信号自相关函数序列输入模型中，进行分类决策。
剔除辨识的欺骗信号，恢复无干扰自相关函数，修正跟踪环路参数，进行信号跟踪和定位解算。
所述的采集列车卫星定位数字中频信号，对信号进行捕获和跟踪,在跟踪环路设置多个相关器，对自相关函数进行等距离采样，计算自相关函数的数理统计特征，包括：
在跟踪环路，设置自相关函数曲线的采样范围[-m，m]码片和相关器时间间隔d码片，共设置N个等间隔相关器，计算非相干积分C/A码自相关幅值
其中，是相关器间隔为di的超前支路输出的自相关幅值，P为即时支路输出的自相关幅值，/>是滞后支路输出的自相关幅值，τP是本地产生C/A码与接收C/A码之间的相位差异值，R(·)为最大值是1的理想自相关函数，fe为频率差异，Tcoh为相干积分时间。最终，得到k时刻C/A码自相关函数的等间隔采样序列/>
设置滑动窗口长度Wlen，计算滑动窗口内相关函数的数理统计特征，所述自相关函数的数理统计特征包括：当前时刻鉴频器输出值(载波相位差异估计值)鉴相器输出值(码相位差异)/>前后倾斜量Metk，Delta检测量Deltak，Ratio检测量Ratiok，相关函数最大值/>0.5Rmax值对应的码相位距离/>(单位：码片，理想值为1码片)，归一化采样序列与标准归一化自相关函数序列的平均偏差/>取滑动窗口内每个时刻C/A码自相关函数的/>和/>组成序列，进行平滑去噪，得到/>和/>取滑动窗口内每个时刻C/A码自相关函数等间隔采样序列的最大值，组成自相关函数最值序列/>并计算序列的标准差/>极值/>最大值与最小值的比值/>最终，形成C/A码自相关函数的特征序列/>
所述的构建欺骗干扰检测深度学习模型，建立二进制假设检验模型，初步判决系统是否受到欺骗攻击，结合初检结果和列车卫星定位欺骗干扰特性进行复检，包括：
根据自相关函数采样序列Rk和特征参数序列Fk，构建基于深度学习模型训练的欺骗干扰检测模型，在离线状态下，将无干扰场景的自相关函数采样序列和特征参数序列输入模型中，多次迭代训练模型，不断提升模型对输入序列进行分布特征提取和序列重构的能力，直至模型收敛；设置检测统计量t和检测阈值Td，建立二进制假设检验模型
若假设H0成立，则模型输出“1”表示当前时刻系统未受到欺骗攻击，否则，假设H1成立，模型输出“-1”表示当前时刻系统受到了欺骗攻击。
将无干扰数据和存在欺骗干扰的数据的混合集合作为测试集，依据模型检测精度调整模型参数，实现模型的优化。
列车在途运行检测时，实时计算自相关函数序列及其特征参数序列，将序列输入已经训练好的模型中，判断当前列车卫星定位系统接收的卫星信号是否受到欺骗攻击，若决策出系统受到欺骗攻击，则结合列车卫星定位欺骗干扰特性增加欺骗检测防护机制，进行复检。
所述复检机制，即在时间窗口内存在多个时刻的初检结果均为检测出欺骗攻击时，则判定当前时刻复检结果为系统受到欺骗攻击。复检结果作为欺骗干扰检测的最终结果。
所述的决策系统受到欺骗攻击，结合自相关函数序列和智能优化算法对自相关函数进行分解，估计子信号分量的参数，所述信号参数为信号幅值、码相位延迟和载波相位差异，包括：
在载波频率锁定的情况下，忽略导航数据位的影响，建立复数自相关函数序列
组成第k时刻复数自相关函数序列
第k时刻复数自相关函数为一路真实信号、一路欺骗信号以及噪声作用的叠加。设置待估参数为两路信号分量的自相关函数幅值a、码相位延时Δd和载波相位差异φe，即自变量为x＝[a1,Δd1,φe,1,a2,Δd2,φe,2]，根据理想归一化自相关函数的数学模型RSTD(·)，重构当前信号的自相关函数
使用接收信号的自相关函数采样序列与重构自相关函数的采样序列/>作差得到残余信号的自相关函数采样序列，记为/>
将残余信号的平均功率作为智能优化算法的适应度函数，即
通过多次迭代在自变量可行域内寻找到适应度函数的最小值，最优值对应的自变量即为算法所求两路信号的待估参数
所述的构建欺骗信号辨识深度学习模型，重构真实、欺骗信号理想自相关函数，将含有噪声影响的真实、欺骗信号自相关函数序列输入模型中，进行分类决策，包括：
根据优化算法估计的两路信号参数，重构两路信号的自相关函数
在上述两路重构信号中，一路为真实信号的重构理想自相关函数，一路为欺骗信号的重构理想自相关函数，接收信号的自相关采样序列分别与两路信号的重构理想自相关函数采样序列作差，得到含有噪声影响的真实/欺骗信号自相关函数序列
式中，一路为排除重构理想欺骗信号自相关函数的真实信号自相关函数序列，一路为排除重构理想真实信号自相关函数的欺骗信号自相关函数。
为辨识两路信号，构建基于深度学习模型的欺骗信号辨识模型，在离线状态下，将无干扰场景的真实信号自相关函数采样序列输入模型中，多次迭代训练模型，不断提升模型对输入序列进行分布特征提取的能力，直至模型收敛；将上述含有噪声影响的真实、欺骗信号自相关函数序列输入至已经训练好的模型中，得到模型损失为e1和e2，以模型损失作为信号辨识指标，认为损失较小者为含有噪声影响的真实信号自相关函数序列，对应的重构理想信号为欺骗信号自相关函数序列。
所述的剔除辨识的欺骗信号，恢复无干扰相关函数，修正跟踪环路参数，进行信号跟踪和定位解算，包括：
若辨识出第j个信号分量为欺骗信号，即欺骗信号的自相关函数幅值为aj、码相位延时为Δdj和载波相位差异为φe,j，则可以重构出欺骗信号的同相支路和正交支路的相干积分值
接收信号的相干积分值与重构欺骗信号的相干积分值作差，即可得到估计的真实信号相干积分值，将估计的真实信号相关参数再次输入跟踪环路中，修正相关结果，进行导航定位解算，得到消除欺骗干扰后的卫星定位结果。
实施例3
本实施例3提供的基于深度学习的列车卫星定位欺骗干扰检测与消除方法的应用场景为：采集卫星定位数字中频信号，在信号跟踪环路设置多个相关器以计算相关函数；训练深度学习模型学习相关函数本身及其统计分布特性，检测欺骗干扰的存在；检测确认受到欺骗攻击时，根据相关函数采用智能优化算法估计两路信号(一路真实信号和一路欺骗信号)的参数；根据估计信号参数重构两路含有噪声影响的真实/欺骗信号自相关函数序列，构建基于深度学习的欺骗信号辨识模型，完成欺骗信号辨识；结合辨识信号参数完成欺骗信号重构和剔除，恢复无干扰相关函数，修正跟踪环路参数，并用其完成卫星定位解算。本发明旨在提出一种列车卫星定位独立自主式蓄意欺骗攻击的检测和缓解机制，为列车运行控制系统对卫星定位的欺骗干扰防护提供保障。
图1为本实施例的一种基于深度学习的列车卫星定位欺骗干扰检测与缓解方法流程图，参照图1，该方法包括：
S1、采集列车卫星定位数字中频信号，对信号进行捕获和跟踪，在跟踪环路设置多个相关器，对自相关函数进行等距离采样，计算自相关函数的数理统计特征。
设置中频采集器的采样频率、增益等相关参数，采集卫星数字中频信号，采用软件接收机进行信号捕获，若捕获卫星数大于等于4(卫星独立定位位置解算要求的最低卫星个数)，则进入信号跟踪模块，设置多个相关器，计算相关函数和数理统计特征，为后续欺骗干扰检测、信号分解等操作提供数据基础。
S1.1、在信号跟踪环路，设置多个相关器，对相关函数进行等距离采样。
软件接收机采用并行码相位搜索算法捕获卫星信号，对信号进行二维时频粗略同步。数字中频信号SIF(n)首先与同相支路上的正弦和正交支路上的余弦复制载波进行混频，混频结果与本地产生的C/A码进行相关，相关结果i和q经过Tcohms的相干积分后生成I和Q，最后经非相干积分时间Tncms后得到非相干积分幅值V，通过检测非相干积分幅值是否超过捕获门限值Vt来判断当前信号是否被搜索到，若非相干积分幅值超过捕获门限值，那么相应于本地产生信号的参数值就是信号捕获对当前接收信号的参数估计值，将其输入信号跟踪环路进行精同步。
在信号跟踪环路，精细载波频率由载波跟踪环得到，码相位通过码跟踪环得到，因此，在载波跟踪环路中数控振荡器(NCO)产生的载波一路与输入信号混频，一路经过90°移相后与输入信号混频，通过低通滤波器后将两路信号输入鉴频器中，以完成对载波的实时跟踪；在码跟踪环路中，本地产生的C/A码，分别与经过载波剥离的超前(Early)、即时(Prompt)和滞后(Late)支路相关，将相关结果经过积分，累加后输入鉴相器中，以完成对码相位的实时跟踪。设置相关函数曲线上的采样范围为[-m，m]码片，相关器时间间隔为d码片，则所需的等间隔相关器数目为
忽略噪声的影响，输入信号经过混频后，在经过低通滤波器滤除其所含高频成分后，得到
式中，a0是信号幅值，D(n)是值为±1的数据比特电平值，ωe为角频率差异，θe为初相位误差，ωe(n)t(n)+θe是载波频率与载波相位差异的总和。
混频结果i(n)和q(n)分别与本地产生的C/A码相关，得到
其中，τP是本地产生C/A码与接收C/A码之间的相位差异值，R(•)为最大值是1的理想自相关函数。对相关结果进行相干积分得到
式中，a1为积分后的系数，φe为当前的载波相位差异，fe为频率差异。码跟踪环路采用非相干积分得到C/A码自相关幅值为
将相干积分值带入上式得到
计算N个相关器，即得到当前时刻C/A码自相关函数的等间隔采样序列在以上推导过程中，并未考虑欺骗信号的影响，图2左图显示了理想自相关函数曲线，右图显示了一种可能的存在欺骗干扰和噪声影响的相关函数曲线。
S1.2、设置滑动窗口长度Wlen，对采样后的相关函数进行数理统计分析，计算滑动窗口内的相关特征。计算当前k时刻相关函数采样序列Rk的相关特征包括：当前时刻鉴频器输出值(载波相位差异估计值)鉴相器输出值(码相位差异)/>前后倾斜量Metk、Delta检测量Deltak、Ratio检测量Ratiok、相关函数最大值/>0.5Rmax值对应的码相位距离/>(单位：码片，理想值为1码片)、归一化采样序列与标准归一化自相关函数序列的平均偏差/>计算公式如下
式中，RSTD为标准归一化自相关函数序列。取滑动窗口内每个时刻C/A码自相关函数的和/>组成序列并进行平滑去噪，得
式中，mean(•)表示取均值，abs(•)表示对序列中的每个元素取绝对值。取滑动窗口内每个时刻C/A码自相关函数等间隔采样序列的最大值，组成自相关函数最值序列并计算序列的标准差/>极值/>最大值与最小值的比值/>
最终形成C/A码自相关函数的特征序列：
S2、构建欺骗干扰检测深度学习模型，建立二进制假设检验模型，初步判决系统是否受到欺骗攻击，结合初检结果和列车卫星定位欺骗干扰特性进行复检。
根据自相关函数采样序列和特征参数序列，构建基于深度学习模型训练的欺骗干扰检测模型，在离线状态下，将无干扰场景的自相关函数采样序列和特征参数序列输入模型中，多次迭代训练模型，不断提升模型对输入序列进行分布特征和序列重构的能力，直至模型收敛；模型对不同分布特性的输入序列的响应存在差异，以充分反映这一差异的参数作为检测统计量，设置检测阈值，建立二进制假设检验模型，判决系统是否受到欺骗攻击。
将无干扰数据和存在欺骗干扰的数据的混合集合作为测试集，依据模型检测精度调整模型参数，实现模型的优化。列车在途运行检测时，实时计算自相关函数序列及其特征序列，将序列输入已经训练好的模型中，判断当前列车卫星定位系统接收的卫星信号是否受到欺骗攻击，若决策为系统受到欺骗攻击，则结合列车卫星定位欺骗干扰特性增加欺骗检测防护机制，进行复检，降低误检率，最终确定当前系统的状态。
在本实施例选用深度卷积自编码器这一可行方式进行模型的训练和基于网络模型的欺骗干扰检测，所选检测统计量为序列重构误差，具体实施方式如图3所示，包括：
S2.1、构建基于深度卷积自编码器的欺骗干扰检测模型，以重构误差作为检测统计量，建立二进制假设检验模型，初步判决系统是否受到欺骗攻击。
深度卷积自编码器模型采用一维卷积层和池化层构成编码器，一维反卷积层和反池化层构成解码器，编码过程使用leakyRelu()激活函数，解码过程中间层使用Relu()激活函数，最后一层使用Sigmoid()激活函数，优化函数为Adam。
所述基于深度卷积自编码器模型的欺骗干扰检测方法是一种单分类异常检测方法，在模型训练时，使用正常无干扰数据作为训练集，深度卷积自编码器模型学习了无干扰数据的分布特性，具有无干扰数据的重构能力，而在线检测时，已经训练好的模型对异常数据的分布不具有较好的再现性，导致重构样本与输入样本存在差异，因此，将输入样本与重构样本的重构误差作为检测统计量，设置检测阈值Td进行欺骗干扰检测。
假设输入样本为x，重构样本为则重构误差t为MSE损失
建立二进制假设检验模型
根据假设检验结果确定决策输出，具体原则为：
1)若假设H0成立，则模型输出“1”表示当前时刻系统未受到欺骗攻击；
2)若假设H1成立，模型输出“-1”表示当前时刻系统受到了欺骗攻击。
S2.2、若深度学习模型初步判断当前卫星受到欺骗攻击时，触发复检机制。信号噪声和多路径信号均会影响卫星信号的捕获和跟踪性能，导致C/A码相关函数具有较强的波动性。如果某一时刻检测出异常就发出警报，会出现大量的误检，瞬时发起的欺骗攻击对信号的捕获和跟踪造成的影响多数情况下不会得到持续。所述复检机制，即根据多个连续检测时刻的异常情况来判定是否需要报警。若当前k时刻，初步检测出欺骗攻击，则在滑动窗口内，统计共有M个时刻初步检测结果为“-1”，取第i个检测结果的检测量ti、检测阈值Td、检测时刻ki，定义检测统计量
该检测统计量用于累积滑动窗口内初步检测出欺骗的情况，欺骗发生的时间越接近、欺骗发生的程度越大，v值越大。设置阈值Tv＝3Td，若vk＞Tv，最终判定系统受到欺骗攻击，否则，系统处于正常状态。以复检结果作为欺骗干扰检测的最终结果。
复检机制的优势在于充分考虑了欺骗攻击作用到列车卫星定位系统中的特性，瞬时发起的欺骗攻击在接收机捕获、跟踪环路、导航定位解算过程中多被当成系统噪声逐步过滤消除，且其对系统造成的影响多数情况下不会持续下去，列车运行在固定的轨道线路上，最终卫星定位结果经过轨道电子地图进行投影匹配时，可以有效缓解瞬时欺骗攻击引起的定位偏差。然而，对于满足条件且持续时间较长的欺骗攻击，接收机捕获、跟踪环路逐步偏离真实信号，锁定欺骗信号，导致定位解算结果持续偏离参考真值，误差积累，严重影响系统的安全运行。因此，在列车卫星定位场景中，欺骗者多发出连续的欺骗攻击以达到诱导卫星接收机持续输出错误定位信息的目的。所述复检机制充分考虑到这一点，可以在一定程度上降低虚警率。
图5显示了一种基于深度学习模型欺骗干扰检测准确度结果对比示意图。
S3、决策系统受到欺骗攻击，结合自相关函数序列和智能优化算法对自相关函数进行分解，估计子信号分量的参数，所述信号参数为信号幅值、码相位延迟和载波相位差异。
一种可行的方法是采用粒子群优化算法对自相关函数进行分解，估计两路信号的参数，假设载波频率已经锁定，并忽略导航数据位的影响，则上式(4)变为
改写为复数形式为
对式(23)组成的复数自相关函数序列进行分解。
为便于描述，下面以每颗卫星存在一路欺骗信号的情况为例，所述信号分解方法同样适用于每颗卫星存在多路欺骗信号的情况。复数自相关函数为一路真实信号、一路欺骗信号以及噪声作用的叠加。设置一个粒子代表两个信号分量的待估参数：自相关函数幅值a、码相位延时Δd和载波相位差异φe，即第i个粒子xi＝[a1,Δd1,φe,1,a2,Δd2,φe,2]。理想归一化自相关函数的数学模型为
根据第i个粒子的参数，可以估计当前信号的自相关函数
在相同码相位范围内，使用相同的采样频率对估计自相关函数进行采样，构成序列则使用接收信号的自相关采样序列/>与估计自相关函数的采样序列/>作差得到残余信号的相关值，记为/>
将残余信号的平均功率作为粒子的适应值，即
残余信号的平均功率作为粒子的适应值可以有效避免选取不同的相关器数目对自相关函数逼近的影响，提高信号参数估计的准确度。当算法准确地估计出每一个信号分量的参数时，残余信号的平均功率会降低，对应粒子的适应值减小，显然满足优化算法的求解条件。
设置粒子总数为Ns，第n次迭代时第i个粒子的位置和速度分别为xi＝[a1,Δd1,φe,1,a2,Δd2,φe,2]、迄今为止该粒子搜索到的最优位置为个体最优,记为Pbest，第n次迭代时该种群搜索到的最优位置为全局最优，记为Gbest，则基于粒子群优化算法的信号分解具体流程如下：
1)初始化：随机产生Ns个粒子，包括粒子的位置和速度，并结合式(26)～(27)计算粒子的适应值，随机选取一个粒子作为个体最优Pbest和全局最优Gbest；
2)更新当前粒子的个体最优Pbest：在当前迭代中，比较每个粒子和其当前个体最优Pbest的适应值，若当前个体的适应值小于Pbest，则使用当前个体的位置和适应值更新个体最优Pbest，否则，Pbest不变；
3)更新当前粒子的全局最优：在当前种群中，比较所有粒子的适应值，取最小者，其于全局最优Gbest的适应值进行比较，若当前种群的最小适应值小于Gbest，则取最小适应值对应的粒子更新全局最优，否则，Gbest不变；
4)粒子的速度和位置更新：使用下式(29)和(30)分别更新当前粒子的速度、位置
式中，w为惯性权重，c1和c2为学习因子，r1和r2为[0,1]范围内的随机数，下标j表示对应向量的第j个分量。
5)检查是否满足算法迭代终止条件，若满足，则结束寻优，输出全局最优作为两个信号分量的参数估计值；否则，转为第2步，持续寻优。
算法迭代结束后，优化算法在自变量可行域内寻找到适应度函数的最小值，最优值对应的自变量即为算法所求两路信号的待估参数
S4、构建欺骗信号辨识深度学习模型，重构理想真实/欺骗信号自相关函数，将含有噪声影响的估计真实/欺骗信号自相关函数序列输入模型中，进行分类决策。
根据优化算法估计的两路信号参数，重构真实/欺骗信号的理想自相关函数，其与接收信号的自相关函数采样序列作差，得到含有噪声影响的估计真实/欺骗信号自相关函数序列。根据含有噪声影响的估计真实/欺骗信号自相关函数序列，构建基于深度学习模型训练的欺骗信号辨识模型，在离线状态下，将无干扰场景的真实信号自相关函数采样序列输入模型中，多次迭代训练模型，不断提升模型对输入序列进行分布特征提取的能力，直至模型收敛。将含有噪声影响的估计真实/欺骗信号自相关函数序列输入至已经训练好的模型中，得到模型损失，以模型损失作为信号辨识指标，认为损失较小者为含有噪声影响的估计真实信号自相关函数序列，对应的重构理想信号为欺骗信号。
在本实施例选用用于异常检测的生成对抗网络(AnoGAN)这一可行方式进行模型的训练和基于网络模型的欺骗信号辨识，具体实施方式如图4所示，所述欺骗信号辨识方法的具体实施步骤如下：
1)数据准备：按照公式(2)～(6)计算真实无干扰自相关函数序列R，根据优化算法估计的两路信号参数，重构两路信号的自相关函数
在上述两路重构信号中，一路为重构的理想真实信号，一路为重构的理想欺骗信号，接收信号的自相关采样序列分别与两路重构理想信号的自相关函数采样序列作差，得到含有噪声影响的估计真实/欺骗信号自相关函数序列
式中，一路为排除重构理想欺骗信号自相关函数的真实信号自相关函数序列，一路为排除重构理想真实信号自相关函数的欺骗信号自相关函数。取两路信号模值作为网络的输入数据，对数据进行标准化操作，并取部分无干扰数据作为训练集，部分无干扰数据和全部干扰数据的重构信号数据作为测试集。
2)搭建生成对抗网络模型：使用卷积层、池化层搭建鉴别网络，使用反卷积层、反池化层搭建生成网络，设置生成网络和对抗网络的激活函数、优化函数和学习率。
3)离线训练：使用训练集训练生成对抗网络模型，生成模型输入潜在变量Z，生成网络可以生成无干扰自相关函数序列。
4)在线检测：定义一个潜在变量Z，输入生成网络，得到假的无干扰自相关函数序列G(Z)，根据损失不断迭代更新Z，得到较为合理的Z值，使得生成序列与输入序列更加相似。将更新后的Z输入生成网络中，计算残差损失
rG＝|R-G(Z)| (33)
将真实数据和生成数据分别输入判别器中，得到D(R)和D(G(Z))，注意，AnoGAN中，鉴别器的主要作用不是用于分类，而是将其用于特征提取，计算判别器损失
rD＝|D(R)-D(G(Z))| (34)
式中，D(·)表示鉴别器中间层的输出，即判别器学习到的特征表示。定义残差损失和判别器损失的线性组合作为最终损失Loss
Loss＝λrG+(1-λ)rD (35)
式中，λ为权重因子，取值为[0,1]。
计算同一时刻的两个信号分量的最终损失，认为损失较小者为含有噪声影响的估计真实信号自相关函数序列，对应的重构理想信号为欺骗信号。
S5、剔除辨识的欺骗信号，恢复无干扰相关函数，修正跟踪环路参数，进行信号跟踪和定位解算。
若辨识出第j个信号分量为欺骗信号，即欺骗信号的自相关函数幅值aj、码相位延时Δdj和载波相位差异φe,j，则可以重构出欺骗信号的同相支路和正交支路的相干积分值为
接收信号的相干积分值(式(22))与重构欺骗信号的相干积分值作差，即可得到估计的真实信号相干积分值
同理，可得估计的真实信号非相干积分值SP,A(n)和/>
将估计的真实信号相关参数再次输入跟踪环路中，修正相关结果，进行导航定位解算，以缓解欺骗干扰引起的卫星定位结果偏差。
综上所述，本实施例提出的基于深度学习的列车卫星定位欺骗干扰检测与缓解方法在基带信号处理域实现了卫星欺骗信号的检测、重构和消除，可以主动抵御外来蓄意欺骗干扰对列车卫星定位的影响，为列车定位系统提供可靠的异常定位警示和防护，有效支撑列车定位信息的安全应用。在列车卫星定位场景中，不存在大量的欺骗干扰数据支撑基于模型训练的卫星欺骗干扰检测方法，本发明实施例可以有效避免这一问题，充分发挥基于模型训练的异常检测方法的优势，仅使用无欺骗数据进行模型的训练，学习正常数据的分布特性，受到欺骗攻击的数据异于正常数据的分布特点会被模型检测出来，且方法引入了智能优化算法实现信号参数估计，恢复无欺骗干扰信号的自相关函数，为欺骗干扰的缓解创造了条件。
实施例4
本实施例4提供一种非暂态计算机可读存储介质，所述非暂态计算机可读存储介质用于存储计算机指令，所述计算机指令被处理器执行时，实现如上所述的基于深度学习的列车卫星定位欺骗干扰检测方法。
实施例5
本实施例5提供一种计算机程序产品，包括计算机程序，所述计算机程序当在一个或多个处理器上运行时，用于实现如上所述的基于深度学习的列车卫星定位欺骗干扰检测方法。
实施例6
本实施例6提供一种电子设备，包括：处理器、存储器以及计算机程序；其中，处理器与存储器连接，计算机程序被存储在存储器中，当电子设备运行时，所述处理器执行所述存储器存储的计算机程序，以使电子设备执行实现如上所述的基于深度学习的列车卫星定位欺骗干扰检测方法的指令。
上述虽然结合附图对本发明的具体实施方式进行了描述，但并非对本发明保护范围的限制，所属领域技术人员应该明白，在本发明公开的技术方案的基础上，本领域技术人员在不需要付出创造性劳动即可做出的各种修改或变形，都应涵盖在本发明的保护范围之内。
Claims (9)
1.一种基于深度学习的列车卫星定位欺骗干扰检测方法，其特征在于，包括：
采集列车卫星定位数字中频信号，对信号进行捕获和跟踪，在跟踪环路设置多个相关器，对自相关函数进行等距离采样，计算自相关函数的数理统计特征；
构建欺骗干扰检测深度学习模型，建立二进制假设检验模型，初步判决系统是否受到欺骗攻击，结合初检结果和列车卫星定位欺骗干扰特性进行复检；
决策系统受到欺骗攻击，结合自相关函数序列和智能优化算法对自相关函数进行分解，估计子信号分量的参数，所述子信号分量的参数为信号幅值、码相位延迟和载波相位差异；
构建欺骗信号辨识深度学习模型，重构理想真实/欺骗信号自相关函数，将含有噪声影响的估计真实/欺骗信号自相关函数序列输入模型中，进行分类决策；
剔除辨识的欺骗信号，恢复无干扰自相关函数，修正跟踪环路参数，进行信号跟踪和定位解算；
其中，在模型训练时，使用正常无干扰数据作为训练集，将输入样本与重构样本的重构误差作为检测统计量，设置检测阈值Td进行欺骗干扰检测；
构建欺骗干扰检测深度学习模型，建立二进制假设检验模型，初步判决系统是否受到欺骗攻击，结合初检结果和列车卫星定位欺骗干扰特性进行复检，包括：
根据自相关函数采样序列Rk和特征参数序列Fk，构建基于深度学习模型训练的欺骗干扰检测模型，在离线状态下，将无干扰场景的自相关函数采样序列和特征参数序列输入模型中，多次迭代训练模型，不断提升模型对输入序列进行分布特征提取和序列重构的能力，直至模型收敛；设置检测统计量t和检测阈值Td，建立二进制假设检验模型
若假设H0成立，则模型输出“1”表示当前时刻系统未受到欺骗攻击，否则，假设H1成立，模型输出“-1”表示当前时刻系统受到了欺骗攻击。
2.根据权利要求1所述的基于深度学习的列车卫星定位欺骗干扰检测方法，其特征在于，采集列车卫星定位数字中频信号，对信号进行捕获和跟踪,在跟踪环路设置多个相关器，对自相关函数进行等距离采样，计算自相关函数的数理统计特征，包括：
在跟踪环路，设置自相关函数曲线的采样范围[-m，m]码片和相关器时间间隔d码片，共设置N个等间隔相关器，计算非相干积分C/A码自相关幅值：
其中，是相关器间隔为di的超前支路输出的自相关幅值，P为即时支路输出的自相关幅值，/>是滞后支路输出的自相关幅值，τP是本地产生C/A码与接收C/A码之间的相位差异值，R(·)为最大值是1的理想自相关函数，fe为频率差异，Tcoh为相干积分时间；
得到k时刻C/A码自相关函数的等间隔采样序列为：
3.根据权利要求1所述的基于深度学习的列车卫星定位欺骗干扰检测方法，其特征在于，设置滑动窗口长度Wlen，计算滑动窗口内相关函数的数理统计特征，所述自相关函数的数理统计特征包括：
当前时刻鉴频器输出值鉴相器输出值/>前后倾斜量Metk，Delta检测量Deltak，Ratio检测量Ratiok，相关函数最大值/>0.5Rmax值对应的码相位距离/>归一化采样序列与标准归一化自相关函数序列的平均偏差/>取滑动窗口内每个时刻C/A码自相关函数的/>和/>组成序列，进行平滑去噪，得到/>和/>
取滑动窗口内每个时刻C/A码自相关函数等间隔采样序列的最大值，组成自相关函数最值序列计算序列的标准差/>极值/>最大值与最小值的比值/>
则，C/A码自相关函数的特征序列为：
4.根据权利要求1所述的基于深度学习的列车卫星定位欺骗干扰检测方法，其特征在于，所述的决策系统受到欺骗攻击，结合自相关函数序列和智能优化算法对自相关函数进行分解，估计子信号分量的参数，所述子信号分量的参数为信号幅值、码相位延迟和载波相位差异，包括：
在载波频率锁定的情况下，忽略导航数据位的影响，建立复数自相关函数序列：
组成第k时刻复数自相关函数序列
第k时刻复数自相关函数为一路真实信号、一路欺骗信号以及噪声作用的叠加；
设置待估参数为两路信号分量的自相关函数幅值a、码相位延时Δd和载波相位差异φe，即自变量为x＝[a1,Δd1,φe,1,a2,Δd2,φe,2]，根据理想归一化自相关函数的数学模型RSTD(·)，重构当前信号的自相关函数：
使用接收信号的自相关函数采样序列与重构自相关函数的采样序列/>作差得到残余信号的自相关函数采样序列，记为/>
将残余信号的平均功率作为智能优化算法的适应度函数：
通过多次迭代在自变量可行域内寻找到适应度函数的最小值，最优值对应的自变量即为算法所求两路信号的待估参数
5.根据权利要求1所述的基于深度学习的列车卫星定位欺骗干扰检测方法，其特征在于：构建基于深度学习模型的欺骗信号辨识模型，将含有噪声影响的真实、欺骗信号自相关函数序列输入至模型中，得到模型损失为e1和e2，以模型损失作为信号辨识指标，认为损失较小者为含有噪声影响的真实信号自相关函数序列，对应的重构理想信号为欺骗信号自相关函数序列；其中，所述的构建欺骗信号辨识深度学习模型，重构真实、欺骗信号理想自相关函数，将含有噪声影响的真实、欺骗信号自相关函数序列输入模型中，进行分类决策，包括：
根据优化算法估计的两路信号参数，重构两路信号的自相关函数：
接收信号的自相关采样序列分别与两路信号的重构理想自相关函数采样序列作差，得到含有噪声影响的真实/欺骗信号自相关函数序列：
6.根据权利要求1所述的基于深度学习的列车卫星定位欺骗干扰检测方法，其特征在于，所述的剔除辨识的欺骗信号，恢复无干扰相关函数，修正跟踪环路参数，进行信号跟踪和定位解算，包括：
若辨识出第j个信号分量为欺骗信号，即欺骗信号的自相关函数幅值为aj、码相位延时为Δdj和载波相位差异为φe,j，则可以重构出欺骗信号的同相支路和正交支路的相干积分值；
接收信号的相干积分值与重构欺骗信号的相干积分值作差，即可得到估计的真实信号相干积分值，将估计的真实信号相关参数再次输入跟踪环路中，修正相关结果，进行导航定位解算，得到消除欺骗干扰后的卫星定位结果。
7.一种基于深度学习的列车卫星定位欺骗干扰检测系统，其特征在于，包括：
采样计算模块，用于采集列车卫星定位数字中频信号，对信号进行捕获和跟踪，在跟踪环路设置多个相关器，对自相关函数进行等距离采样，计算自相关函数的数理统计特征；
检测构建模块，用于构建欺骗干扰检测深度学习模型，建立二进制假设检验模型，初步判决系统是否受到欺骗攻击，结合初检结果和列车卫星定位欺骗干扰特性进行复检；
分解模块，用于在决策系统受到欺骗攻击，结合自相关函数序列和智能优化算法对自相关函数进行分解，估计子信号分量的参数，所述子信号分量的参数为信号幅值、码相位延迟和载波相位差异；
辨识构建模块，用于构建欺骗信号辨识深度学习模型，重构理想真实/欺骗信号自相关函数，将含有噪声影响的估计真实/欺骗信号自相关函数序列输入模型中，进行分类决策；
修正解算模块，用于剔除辨识的欺骗信号，恢复无干扰自相关函数，修正跟踪环路参数，进行信号跟踪和定位解算；
其中，在模型训练时，使用正常无干扰数据作为训练集，将输入样本与重构样本的重构误差作为检测统计量，设置检测阈值Td进行欺骗干扰检测；
构建欺骗干扰检测深度学习模型，建立二进制假设检验模型，初步判决系统是否受到欺骗攻击，结合初检结果和列车卫星定位欺骗干扰特性进行复检，包括：
根据自相关函数采样序列Rk和特征参数序列Fk，构建基于深度学习模型训练的欺骗干扰检测模型，在离线状态下，将无干扰场景的自相关函数采样序列和特征参数序列输入模型中，多次迭代训练模型，不断提升模型对输入序列进行分布特征提取和序列重构的能力，直至模型收敛；设置检测统计量t和检测阈值Td，建立二进制假设检验模型
若假设H0成立，则模型输出“1”表示当前时刻系统未受到欺骗攻击，否则，假设H1成立，模型输出“-1”表示当前时刻系统受到了欺骗攻击。
8.一种非暂态计算机可读存储介质，其特征在于，所述非暂态计算机可读存储介质用于存储计算机指令，所述计算机指令被处理器执行时，实现如权利要求1-6任一项所述的基于深度学习的列车卫星定位欺骗干扰检测方法。
9.一种电子设备，其特征在于，包括：处理器、存储器以及计算机程序；其中，处理器与存储器连接，计算机程序被存储在存储器中，当电子设备运行时，所述处理器执行所述存储器存储的计算机程序，以使电子设备执行实现如权利要求1-6任一项所述的基于深度学习的列车卫星定位欺骗干扰检测方法的指令。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310641861.7A CN116660942B (zh) | 2023-06-01 | 2023-06-01 | 基于深度学习的列车卫星定位欺骗干扰检测方法及系统 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310641861.7A CN116660942B (zh) | 2023-06-01 | 2023-06-01 | 基于深度学习的列车卫星定位欺骗干扰检测方法及系统 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN116660942A CN116660942A (zh) | 2023-08-29 |
| CN116660942B true CN116660942B (zh) | 2024-01-30 |
Family
ID=87713198
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202310641861.7A Active CN116660942B (zh) | 2023-06-01 | 2023-06-01 | 基于深度学习的列车卫星定位欺骗干扰检测方法及系统 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN116660942B (zh) |
Citations (9)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| 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 |
| 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 |
| CN110568456A (zh) * | 2019-09-11 | 2019-12-13 | 北京交通大学 | 基于超宽带辅助的列车卫星定位欺骗干扰检测方法 |
| CN111783558A (zh) * | 2020-06-11 | 2020-10-16 | 上海交通大学 | 一种卫星导航干扰信号类型智能识别方法及系统 |
| CN112946694A (zh) * | 2021-02-19 | 2021-06-11 | 国网上海市电力公司 | 基于分布拟合优度的卫星导航欺骗信号检测方法及系统 |
| CN115061159A (zh) * | 2022-07-15 | 2022-09-16 | 东南大学 | 一种卫星导航定位欺骗信号防御方法 |
| CN115932900A (zh) * | 2023-01-10 | 2023-04-07 | 黄淮学院 | 一种基于机器学习的gnss欺骗检测方法 |
| CN115932895A (zh) * | 2022-12-13 | 2023-04-07 | 湖南航天有限责任公司 | 一种基于mha-1dcnn的gnss欺骗干扰智能化检测方法 |
| CN116087994A (zh) * | 2023-04-07 | 2023-05-09 | 中国人民解放军战略支援部队航天工程大学 | 一种基于机器学习的欺骗干扰检测方法 |
-
2023
- 2023-06-01 CN CN202310641861.7A patent/CN116660942B/zh active Active
Patent Citations (9)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| 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 |
| 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 |
| CN110568456A (zh) * | 2019-09-11 | 2019-12-13 | 北京交通大学 | 基于超宽带辅助的列车卫星定位欺骗干扰检测方法 |
| CN111783558A (zh) * | 2020-06-11 | 2020-10-16 | 上海交通大学 | 一种卫星导航干扰信号类型智能识别方法及系统 |
| CN112946694A (zh) * | 2021-02-19 | 2021-06-11 | 国网上海市电力公司 | 基于分布拟合优度的卫星导航欺骗信号检测方法及系统 |
| CN115061159A (zh) * | 2022-07-15 | 2022-09-16 | 东南大学 | 一种卫星导航定位欺骗信号防御方法 |
| CN115932895A (zh) * | 2022-12-13 | 2023-04-07 | 湖南航天有限责任公司 | 一种基于mha-1dcnn的gnss欺骗干扰智能化检测方法 |
| CN115932900A (zh) * | 2023-01-10 | 2023-04-07 | 黄淮学院 | 一种基于机器学习的gnss欺骗检测方法 |
| CN116087994A (zh) * | 2023-04-07 | 2023-05-09 | 中国人民解放军战略支援部队航天工程大学 | 一种基于机器学习的欺骗干扰检测方法 |
Non-Patent Citations (4)
| Title |
|---|
| Deep-Ensemble-Learning-Based GPS Spoofing Detection for Cellular-Connected UAVs;Yongchao Dang 等;《IEEE INTERNET OF THINGS JOURNAL》;第9卷(第24期);25068-25085 * |
| 基于 CS-BP 的列车卫星定位欺骗干扰检测方法;王思昊 等;《铁道科学与工程学报》;正文全文 * |
| 基于捕获结果的 GNSS 欺骗式干扰检测;王文益 等;《信号处理》;第37卷(第8期);1460-1469 * |
| 基于机器学习的GNSS欺骗式干扰检测技术研究;杨帆;《中国优秀硕士学位论文全文数据库信息科技辑》(第06期);正文全文 * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN116660942A (zh) | 2023-08-29 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Shafiee et al. | Detection of spoofing attack using machine learning based on multi-layer neural network in single-frequency GPS receivers | |
| CN109188470B (zh) | 一种基于卷积神经网络的gnss欺骗干扰检测方法 | |
| CN108828628B (zh) | 一种欺骗信号检测方法 | |
| Borhani-Darian et al. | Deep neural network approach to detect GNSS spoofing attacks | |
| CN109728939B (zh) | 一种网络流量检测方法及装置 | |
| CN113376659B (zh) | 一种基于bp神经网络的gnss生成式欺骗干扰检测方法 | |
| 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 | |
| CN114760098A (zh) | 一种基于cnn-gru的电网虚假数据注入检测方法及装置 | |
| Zhuang et al. | Detection and classification of GNSS signal distortions based on quadratic discriminant analysis | |
| CN111698257A (zh) | 针对多类恶意攻击的工业信息物理系统安全检测方法 | |
| Basiri et al. | Kalman filter based secure state estimation and individual attacked sensor detection in cyber-physical systems | |
| CN116660942B (zh) | 基于深度学习的列车卫星定位欺骗干扰检测方法及系统 | |
| CN111624632B (zh) | 一种卫星导航信号捕获方法及装置 | |
| CN111708055A (zh) | 一种导航欺骗信号检测方法及装置 | |
| CN113098848A (zh) | 基于矩阵素描和哈希学习的流数据异常检测方法及其系统 | |
| Mosavi et al. | Positioning improvement by combining GPS and GLONASS based on Kalman filter and its application in GPS spoofing situations | |
| Zhang et al. | Signal quality monitoring‐based spoofing detection method for Global Navigation Satellite System vector tracking structure | |
| CN113886765A (zh) | 错误数据注入攻击的检测方法及装置 | |
| Moazedi et al. | Real-time interference detection and mitigation in robust tracking loop of GPS receiver | |
| CN112698367A (zh) | 一种卫星导航接收机的抗转发式干扰处理方法 | |
| CN108613695B (zh) | 基于ica-sprt的冗余传感器故障检测方法 | |
| Guillén et al. | Selection of sampling interval and size of random sample for radar detection in the moments space | |
| Marchand et al. | Machine Learning Assessment of Anti-Spoofing Techniques for GNSS Receivers | |
| Kim | Multiple frequency tracking method based on the cardinalised probability hypothesis density filter with cardinality compensation | |
| CN117607917B (zh) | 一种基于接收机输出的自动欺骗检测算法 |
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 | ||
| GR01 | Patent grant | ||
| GR01 | Patent grant |