CN116973945B - 基于智能终端gnss数据的干扰检测方法及系统 - Google Patents
基于智能终端gnss数据的干扰检测方法及系统 Download PDFInfo
- Publication number
- CN116973945B CN116973945B CN202311219079.2A CN202311219079A CN116973945B CN 116973945 B CN116973945 B CN 116973945B CN 202311219079 A CN202311219079 A CN 202311219079A CN 116973945 B CN116973945 B CN 116973945B
- Authority
- CN
- China
- Prior art keywords
- gnss
- data
- interference
- feature
- intelligent terminal
- 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 69
- 238000012216 screening Methods 0.000 claims abstract description 42
- 238000012549 training Methods 0.000 claims abstract description 41
- 238000007637 random forest analysis Methods 0.000 claims abstract description 35
- 238000000034 method Methods 0.000 claims description 49
- 238000003066 decision tree Methods 0.000 claims description 20
- 230000008569 process Effects 0.000 claims description 20
- 230000001629 suppression Effects 0.000 claims description 20
- 239000011159 matrix material Substances 0.000 claims description 16
- 230000006870 function Effects 0.000 claims description 13
- 238000004422 calculation algorithm Methods 0.000 claims description 11
- 238000012545 processing Methods 0.000 claims description 9
- 238000004364 calculation method Methods 0.000 claims description 8
- 238000005070 sampling Methods 0.000 claims description 7
- 230000000694 effects Effects 0.000 claims description 6
- 238000000638 solvent extraction Methods 0.000 claims description 5
- 230000008602 contraction Effects 0.000 claims description 4
- 238000005457 optimization Methods 0.000 claims description 4
- 238000007781 pre-processing Methods 0.000 claims description 4
- 238000012795 verification Methods 0.000 claims description 4
- 238000010276 construction Methods 0.000 claims description 2
- 238000011480 coordinate descent method Methods 0.000 claims description 2
- 238000002790 cross-validation Methods 0.000 claims description 2
- 230000002452 interceptive effect Effects 0.000 claims description 2
- 238000005259 measurement Methods 0.000 claims description 2
- 238000010801 machine learning Methods 0.000 description 6
- 238000012360 testing method Methods 0.000 description 6
- 230000001186 cumulative effect Effects 0.000 description 3
- 238000005516 engineering process Methods 0.000 description 3
- 238000002474 experimental method Methods 0.000 description 3
- 230000008054 signal transmission Effects 0.000 description 3
- 230000004888 barrier function Effects 0.000 description 2
- 230000007547 defect Effects 0.000 description 2
- 238000013461 design Methods 0.000 description 2
- 238000010606 normalization Methods 0.000 description 2
- 235000001674 Agaricus brunnescens Nutrition 0.000 description 1
- 238000012952 Resampling Methods 0.000 description 1
- 230000005856 abnormality Effects 0.000 description 1
- 238000004458 analytical method Methods 0.000 description 1
- 238000013459 approach Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000013145 classification model Methods 0.000 description 1
- 238000012937 correction Methods 0.000 description 1
- 238000012217 deletion Methods 0.000 description 1
- 230000037430 deletion Effects 0.000 description 1
- 230000001419 dependent effect Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000011156 evaluation Methods 0.000 description 1
- 230000007246 mechanism Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000010187 selection method Methods 0.000 description 1
- 238000012800 visualization 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
-
- 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
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/243—Classification techniques relating to the number of classes
- G06F18/24323—Tree-organised classifiers
-
- 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)
- Theoretical Computer Science (AREA)
- Signal Processing (AREA)
- Data Mining & Analysis (AREA)
- Life Sciences & Earth Sciences (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- General Engineering & Computer Science (AREA)
- Artificial Intelligence (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明属于GNSS干扰检测技术领域,具体公开了一种基于智能终端GNSS数据的干扰检测方法及系统。本发明包括如下步骤:利用智能终端获取不同类型干扰场景下的多种GNSS原始观测数据;将GNSS原始观测数据转换为时间序列数据,作为特征筛选的输入数据;使用相关性判决与最小绝对收缩选择算子对输入数据进行特征联合筛选;搭建用于干扰检测的随机森林模型,并使用特征联合筛选得到的GNSS数据集对随机森林模型进行训练,利用训练好的模型对各种类型干扰进行识别与分类。本发明基于智能终端输出的GNSS观测数据进行干扰检测,能够显著降低成本,并且依托智能终端的高持有率能够极大地增加检测范围。
Description
技术领域
本发明属于GNSS干扰检测技术领域,尤其涉及一种基于智能终端GNSS数据的干扰检测方法及系统。
背景技术
全球卫星导航系统(global satellite navigation system, GNSS)是提供定位、导航和授时的重要基础设施。随着卫星导航技术的发展,电磁干扰环境也变得日渐复杂,各种人为和非人为的电磁干扰层出不穷,而大部分GNSS商用干扰设备价格低廉,即使是小型干扰机也很容易对GNSS信号造成巨大威胁。传统GNSS干扰检测大都基于固定式GNSS接收机,传统干扰检测主要针对固定区域干扰源具有较好的检测能力。然而,这种检测方式存在显著缺点:一是检测区域较为固定,目前仅能覆盖小部分重点场所;二是检测能力十分依赖于站点的布设密度,因此要想达到较好的检测效果要布设大量检测站点,成本高昂。
随着智能终端的普及,已经实现整个国土范围的基本覆盖。2016年,谷歌公司推出了安卓智能终端访问GNSS原始观测数据的应用程序编程接口(Application ProgrammingInterface,API),随后于2017年开放了访问自动增益控制电压(AutomaticGenerationControl ,AGC)的API接口。这一举措显著提升了利用智能终端进行GNSS干扰检测的可行性。
因此,迫切需要提出一种基于智能终端GNSS数据的干扰检测方法及系统,以克服统GNSS干扰检测过程中大都基于固定式GNSS接收机所存在的检测范围小且成本高的技术问题,进而有效地检测与识别出室内遮挡、压制干扰与欺骗干扰等多种干扰环境。
近年来,基于机器学习的GNSS干扰检测技术引起了研究人员的广泛关注。相对于传统的GNSS干扰检测技术,机器学习方法具备快速处理大量数据和提取有效信息的优势。在机器学习技术领域,随机森林算法展现出了鲁棒性、高效性和处理高维数据的能力。
发明内容
本发明的目的在于提出一种基于智能终端GNSS数据的干扰检测方法,该方法基于智能终端输出的GNSS观测数据进行干扰检测,能够显著降低成本,并且依托智能终端的高持有率能够极大地增加检测范围,从而巧妙地化解了传统检测方式高成本且范围小的弊端。
本发明为了实现上述目的,采用如下技术方案:
基于智能终端GNSS数据的干扰检测方法,包括如下步骤:
步骤1. 利用智能终端获取不同类型干扰场景下的多种GNSS原始观测数据;
步骤2. 将GNSS原始观测数据转换为GNSS时间序列数据,作为特征筛选的输入数据;
步骤3. 使用相关性判决与最小绝对收缩选择算子对输入数据进行特征联合筛选,首先计算输入数据中各个GNSS特征与干扰场景互相关性,并根据得分排序情况实现对GNSS特征的初步筛选,然后利用最小绝对收缩选择算子将数据特征系数进行收缩处理,进行特征二次筛选;将经过相关性判决与最小绝对收缩选择算子联合筛选后的特征组成GNSS数据集;
步骤4. 搭建用于干扰检测的随机森林模型,并使用步骤3得到的GNSS数据集对随机森林模型进行训练,然后利用训练好的模型对各种类型干扰进行识别与分类。
本发明具有如下优点:
1. 由于目前的智能终端均内嵌了不同的GNSS芯片,应用广泛且持有基数十分庞大,因此,本发明方法提出利用智能终端输出的GNSS观测数据信息进行干扰检测,可以显著降低成本,并且依托智能终端的高持有率可以极大地增加检测范围,巧妙地化解了传统检测方式高成本且小范围的弊端,本发明利于实现大范围覆盖且低成本的GNSS干扰检测。
2. 本发明利用智能终端直接输出的GNSS原始观测数据作为干扰检测模型的数据集,无需引入额外设备,为使用现有智能终端资源实施大规模干扰检测提供了可能。
3. 本发明针对移动终端采集的GNSS数据,针对性设计了一种基于相关性与最小绝对收缩选择算子优化随机森林理论的智能终端干扰检测模型算法,该模型算法对简单单一干扰场景(如室内遮挡、压制干扰、欺骗干扰)具有出色的检测效果,检测准确率均在95%以上。
附图说明
图1为本发明实施例中基于智能终端GNSS数据的干扰检测方法的流程图。
具体实施方式
下面结合附图以及具体实施方式对本发明作进一步详细说明:
实施例1
基于此,本实施例1述及了一种基于智能终端GNSS数据的干扰检测方法,以解决传统GNSS干扰检测过程中采用固定式GNSS接收机所存在的高成本且检测范围小的问题。
如图1所示,基于智能终端GNSS数据的干扰检测方法,包括如下步骤:
步骤1. 利用智能终端获取不同类型干扰场景下的多种GNSS原始观测数据。
常见的干扰类型包括室外开阔、室内遮挡、压制干扰和欺骗干扰。因此,本实施例中搭建的干扰场景类型,包括室外开阔、室内遮挡、压制干扰和欺骗干扰等干扰场景。
另外,智能终端的GNSS芯片可采集25种GNSS原始观测数据,分别是:
1. ElapsedRealtimeMillis: 智能手机自系统启动以来的毫秒数。
2. TimeNanos: GNSS信号时间戳。
3. FullBiasNanos:全偏移纳秒数。
4. BiasNanos:钟差。
5. BiasUncertaintyNanos: 钟差不确定性。
6. DriftNanosPerSecond:钟漂。
7. DriftUncertaintyNanosPerSecond:钟漂不确定性。
8. HardwareClockDiscontinuityCount: 硬件时钟中断次数。
9. Svid: 卫星标识符。
10. TimeOffsetNanos:时间修正偏移量。
11. State: 卫星状态。
12. ReceivedSvTimeNanos:卫星信号时间戳。
13. ReceivedSvTimeUncertaintyNanos: 卫星信号时间不确定性。
14. Cn0DbHz:载噪比。
15. PseudorangeRateMetersPerSecond: 伪距率。
16. PseudorangeRateUncertaintyMetersPerSecond: 伪距率不确定性。
17. AccumulatedDeltaRangeState: 累积增量距离状态。
18. AccumulatedDeltaRangeMeters: 累积增量距离。
19. AccumulatedDeltaRangeUncertaintyMeters: 累积增量距离不确定性。
20. CarrierFrequencyHz:载波频率。
21. CarrierCycles:载波周期数。
22. MultipathIndicator: 多径效应指示器。
23. ConstellationType: 卫星星座系别。
24. AgcDb: 自动增益控制器。
25. allRxMillis: 所有GNSS信号时间戳。
这些数据可以从实验室或者实际场景中获取,数据采集的方式如下:
选择安卓(Android)操作系统的智能手机(品牌不限)作为GNSS接收机。使用谷歌公司开源软件GNSSLogger工具来获取在实际测试环境下智能手机的GNSS原始观测数据。
同时,挑选压制干扰机,在本实施例中例如使用德信康商用便携式GNSS干扰机作为压制干扰机,并使用SPIRENT GSS9000 CNSS Generator作为欺骗干扰源。
实验中,分别设置不同的干扰场景来评估智能手机在不同干扰环境下的性能。
室外开阔场景位于室外开阔地带,室内遮挡场景位于建筑物内,压制干扰场景位于室外开阔地带并施加压制干扰,欺骗干扰场景位于室外开阔场景并打开施加欺骗干扰。
下面对该步骤1的详细过程进行说明:
步骤1.1. 分别搭建不同类型的干扰场景。在本实施例中搭建四种常见的干扰场景,分别是室外开阔场景、室内遮挡场景、压制干扰场景以及欺骗干扰场景。
室外开阔场景通过开放的室外环境,模拟没有物理障碍物阻挡信号传输的情况。
室内遮挡场景模拟室内环境中存在物理障碍物如墙壁、家具等阻挡信号传输的情况。
压制干扰场景通过使用压制干扰机产生针对GNSS的干扰信号,来压制智能手机作为GNSS接收机正常的信号传输。
欺骗干扰场景利用干扰源来模拟恶意攻击者对智能手机作为GNSS接收机的欺骗干扰。
各种干扰场景的搭建过程分别如下:
步骤1.1.1. 搭建室外开阔场景,将智能终端放置于远离遮挡物的室外开阔地带。
步骤1.1.2. 搭建室内遮挡场景,将智能终端放置于建筑物内部,智能终端周围排除电子器件产生的射频干扰影响,且距离墙体和窗边均保持在5米至10米。
步骤1.1.3. 搭建压制干扰场景,在室外开阔处放分别放置智能终端与压制干扰机,压制干扰机功率范围为1瓦至7瓦,智能终端与压制干扰机的距离范围为80米至200米。
压制干扰场景下的具体实施过程为:
I. 将GNSS干扰机与智能手机的初始距离设置为200米,使用示波器显示干扰功率,通过旋钮将其初始干扰功率调整为7瓦,干扰GPS L1 频段。
II. 每隔10分钟将智能手机往干扰机方向移动10米,直到移动至距干扰机80米停止。
III. 在80米处以每10分钟调整1瓦为间隔依次调整干扰功率至0瓦。
IV. 在保持步骤III的同时以10米为间隔将智能手机移至距离干扰机200米处。
步骤1.1.4. 搭建欺骗干扰场景,在室外开阔处放分别放置智能终端与欺骗干扰源,该欺骗干扰源通过转发式欺骗干扰原理仅产生简单的位置欺骗。
欺骗干扰源与智能终端之间的距离0到80米,干扰源的功率衰减为0到45分贝毫瓦。
欺骗干扰场景下的具体实施过程为:
I. 将欺骗干扰源与智能手机的初始距离设置为0米,将欺骗干扰源连接蘑菇头天线接收GNSS信号,使用笔记本电脑作为上位机控制欺骗干扰源播发欺骗信号,干扰源的功率衰减设置为45分贝毫瓦。选择GPS L1频段进行转发式欺骗干扰,从而产生简单的位置欺骗。
II. 每隔10分钟将智能手机往外移动10米,直到移动至距干扰机80米停止。
IIII. 在80米处以每10分钟调整1分贝毫瓦为间隔依次调整干扰功率至0分贝毫瓦。
IV. 在保持步骤III的同时以10米为间隔将智能手机移至距离干扰机0米处。
步骤1.2. 在搭建的各种干扰场景中分别使用智能终端采集GNSS原始观测数据。
步骤1.2.1. 调用GNSS定位服务的API接口,通过智能终端的安卓操作系统提供的GNSS Measurement类和GNSS Clock类的API接口,调用GNSS定位服务。
步骤1.2.2. 请求GNSS原始观测数据,使用API接口中提供的函数和方法,向智能终端内嵌的GNSS芯片发送请求以获取GNSS原始观测数据。
步骤1.2.3. 从GNSS芯片中接收GNSS原始观测数据,并调用API接口将接收到的多种GNSS原始观测数据返回到GNSS原始数据日志文件。
本发明方法基于智能终端获取GNSS原始观测数据,相比于传统的GNSS干扰检测方法,不仅能以较低成本实现大范围覆盖的干扰检测,对于一些弱信号检测也能起到很好的效果。
步骤2. 将GNSS原始观测数据转换为GNSS时间序列数据,作为特征筛选的输入数据。
经过步骤1采集到的GNSS原始观测数据文件共包含25个特征,这些特征主要包括卫星信号信息、位置信息、时间信息和手机硬件信息四个方面。
本步骤使用MATLAB对采集到的GNSS数据日志文件进行处理,筛选GPS L1频段数据,并将其处理成便于机器学习算法使用的时间序列,并按照四种场景打上类别标签。
具体的,该步骤2的详细过程如下:
步骤2.1. 打开GNSS原始数据日志文件,读取文件头部信息,并检查是否有缺省值,确保数据完整性,防止因数据缺失造成的算法运行异常。
步骤2.2. 解析GNSS观测数据,遍历文件的每一行,并解析每行的内容;根据数据格式,提取所需的多个数据特征,将解析后的观测数据存储到数组中。
步骤2.3. 筛选数组中GPS L1频段数据,按时间戳重新排列并存入新数组变为时间序列,便于后续步骤中的机器学习算法使用。
步骤2.4. 按照采集数据的干扰场景对新数组新增一列标签列,打上类别标签。其中,类别标签包括室外开阔、室内遮挡、压制干扰和欺骗干扰标签。
本发明针对移动终端采集的GNSS数据,设计了一种基于相关性与最小绝对收缩选择算子优化随机森林理论的智能终端干扰检测模型,其中通过相关性特征筛选有效地减少模型中的特征噪声,提高模型性能,在相关性筛选的基础上,利用最小绝对收缩选择算子进行优化,通过其正则化机制可以控制随机森林模型的复杂度,防止相关性判决容易产生的过拟合问题,提高模型的泛化能力,使用随机森林模型对各种干扰场景进行分类识别,检测准确率高。
步骤3. 使用相关性判决与最小绝对收缩选择算子对输入数据进行特征联合筛选。
具体的,首先计算输入数据中各个GNSS特征与干扰场景的互相关性,并根据得分排序情况实现对GNSS特征的初步筛选,然后利用最小绝对收缩选择算子将经过初步筛选后的GNSS数据特征系数进行收缩处理,进行特征二次筛选。
步骤3.1. 导入数据集,对由步骤2得到的GNSS时间序列数据作为数据集导入。本实施例例如采集200000个样本,前140000个样本作为训练集,后60000个样本作为测试集。
步骤3.2. 对数据集进行预处理,检测是否有缺省值,以确保数据的质量。
步骤3.3. 计算特征初步得分,通过计算每个GNSS特征与各种干扰场景之间的互相关信息,对该GNSS特征进行量化评估,得到每个GNSS特征的初步得分。
具体的,该步骤3.3的过程如下:
GNSS数据与干扰场景的互相关信息计算公式如下:
I(D;J)= H (D)+H (J)-H(D,J);
其中,I(D;J)表示GNSS数据特征和干扰场景之间的互相关信息。
D表示多种(例如25种)GNSS数据组成的特征矩阵,J表示干扰场景目标矩阵,H (D)和H(J)分别表示GNSS数据特征、干扰场景的熵,H(D, J)表示二者的联合熵。
GNSS数据特征与干扰场景的熵计算公式为:
H(D)=-∑P(d)*log(P(d)),P(d)表示GNSS数据特征为某一数据类型的概率;
H(J)=-∑P(j)*log(P(j)),P(j)表示GNSS干扰场景为某一干扰场景的概率。
二者联合熵的计算公式为:H(D,J)=-∑∑P(d,j)*log(P(d,j));其中,P(d,j)表示GNSS特征矩阵D取某个值d,且干扰场景目标矩阵J取某个场景j的联合概率。
步骤3.4. 按照特征得分对GNSS特征进行排序,根据得分高低初步决定特征的重要性。
步骤3.5. 初步筛选出得分最靠前(通常选取断层式领先的若干个GNSS特征)的若干GNSS特征,并对筛选出的GNSS特征进行标准化处理,使其具有零均值和单位方差,确保不同特征之间的尺度差异不会影响到最小绝对收缩选择算子的计算结果。
在本实施例中选出的断层式领先的GNSS特征有12个。
标准化处理过程为,首先计算数据集中12个GNSS特征样本在该特征上的平均值和标准差。然后对于每个样本和每个选定的特征执行标准化计算,将原始特征值减去该特征的均值,然后除以该特征的标准差,从而使其具有零均值和单位方差。
步骤3.6. 使用最小绝对收缩选择算子对步骤3.5处理后的若干GNSS特征系数进行收缩处理,稀疏化相对不重要的GNSS特征,将其系数收缩为零,达到特征筛选的目的。
具体的,该步骤3.6的过程如下:
步骤3.6.1. 定义目标函数。最小绝对收缩选择算子的目标是最小化以下目标函数:L(β)=|| J-Dβ||2+α||β||1;其中,J是干扰场景目标矩阵,D是GNSS数据特征矩阵,β是GNSS数据特征系数向量,α是正则化参数。
步骤3.6.2. 设置正则化参数α,通过十折交叉验证来选择合适的α值,具体过程为:
步骤3.6.2.1. 将GNSS初步筛选的若干GNSS特征数据集分为m个大小相等的子集,其中m-1个子集作为训练集,1个子集作为验证集。
其中,m为自然数,且m小于初步筛选的GNSS特征数,m例如取值为10。
步骤3.6.2.2. 使用指数增长方法选择一系列正则化参数α值作为候选参数,从而覆盖不同的α值的范围。
步骤3.6.2.3. 对于每个α值求解步骤3.6.1中的目标函数最优解,使用迭代优化方法坐标下降法来逐步调整特征系数,直到收敛到最优解,得到步骤3.6.1计算的特征系数向量β。
步骤3.6.2.4. 使用验证集计算目标函数的性能指标均方误差,通过比较不同α值下的目标函数性能指标,选择使得性能指标最优的α值。
步骤3.6.3. 根据求解得到的GNSS特征系数向量β,将系数接近于零的GNSS特征视为相对不重要的特征,将其系数收缩为零,实现特征筛选的效果,稀疏化不重要的特征。
步骤3.7. 根据特征系数的大小,选择系数不为零的10个特征作为最终的GNSS数据集。
本发明方法在没有增加随机森林模型复杂度的基础上,通过引入相关性与最小绝对收缩选择算子进行特征联合筛选优化,从而有效地减少了特征噪声,同时防止了相关性判决容易产生的过拟合问题的同时,提高了模型的性能和泛化能力。
步骤4. 搭建用于干扰检测的随机森林模型,并使用步骤3得到的GNSS数据集对随机森林模型进行训练,然后利用训练好的模型对各种类型干扰进行识别与分类。
在机器学习领域,随机森林算法展现出了鲁棒性、高效性和处理高维数据的能力,可有效实现干扰信号的准确鉴别和识别,提升干扰检测的准确性和鲁棒性。由于智能终端的高覆盖率产生大量数据,因此非常适合利用随机森林对其大量数据进行快速处理。
该模型的输入数据是经过特征联合筛选后的包含10个GNSS数据特征的数据集,同样将筛选后数据中的前140000个GNSS数据作为训练集,后60000个GNSS数据作为测试集。
输入的GNSS数据集依次经过随机抽样、构建多颗决策树,投票预测等步骤进行处理,最终输出预测GNSS干扰场景结果。
下面对随机森林模型的训练过程进行详细说明,具体如下:
步骤4.1. 导入由步骤3得到的GNSS数据集作为随机森林输入数据集,对随机森林输入数据集划分训练集和测试集。在本实施例中,按照7:3的比例将打乱后数据中的前140000组数据作为训练集,后60000组数据作为测试集。
步骤4.2. 从训练集中使用自助采样方法随机选择一部分GNSS数据放入训练子集,此过程中,所选的GNSS数据将不被移除或替换,而是继续留在训练集中,以便后续的选择。
这种重复采样的方式可以增加训练子集的多样性,并提供机会让某些GNSS数据在训练子集中出现多次,从而构建每棵决策树的训练子集。
步骤4.3. 基于选定的每棵决策树的训练子集,使用决策树算法训练一棵决策树,通过递归地将训练子集进一步分割成多个子集,在每个子集上选择最佳的GNSS特征和划分点。
具体的,该步骤4.3的过程如下:
步骤4.3.1. 选择训练子集特征:从步骤S4.2中得到每棵决策树的GNSS训练子集中,随机选择一部分GNSS特征。
步骤4.3.2. 递归地训练决策树:如果满足终止条件(例如节点中的GNSS数据属于同一干扰场景或达到设定树最大深度),则将节点标记为叶节点,并将该干扰场景类别作为预测结果。否则,通过选择最佳的GNSS特征和划分点将其训练子集划进一步划分子集。
对于每个子集,递归地调用步骤4.3,继续训练子树,直到满足步骤4.3.2的终止条件。
步骤4.4. 重复步骤4.2和步骤4.3,训练预设数量的决策树,每棵树都在构建的不同GNSS训练子集上进行训练。每次执行步骤S4.2时,从训练集中进行随机抽样,以得到不同的训练子集。每次执行步骤S4.3时,使用选定的训练子集训练一棵决策树。
通过以上训练过程,将训练好的全部决策树组合为最终的随机森林模型。并利用训练好的随机森林模型对不同类型干扰进行识别与分类,具体过程如下:
利用智能终端采集GNSS观测数据,然后将GNSS观测数据转换为GNSS时间序列数据,保留10个GNSS数据特征的数据集,将数据集输入训练好的随机森林模型中
在随机森林模型中,用投票的方式进行分类预测,每棵决策树都对新的GNSS数据进行预测,并根据多数投票的结果确定最终干扰场景的分类预测结果。
通过以上步骤4,利用随机森林算法构建了多棵决策树,并利用随机抽样和特征子集选择的方法提高了GNSS干扰检测模型的多样性和泛化能力,最终GNSS干扰场景的分类预测结果是由多棵决策树投票得出的,从而达到更准确和可靠的预测效果。
每次构建决策树的过程都是基于随机抽样和特征子集选择的,使得随机森林能够充分利用智能终端提取的GNSS数据多样性和特征的多样性,提高干扰检测模型的性能和鲁棒性。
此外,为了验证本发明方法的有效性,还给出了如下实例,在本实例中计算得到的相关性与最小绝对收缩选择算子优化的随机森林模型的测试集混淆矩阵如表1所示。
表1
混淆矩阵是一种可视化工具,用于对比分类模型在各类别上的预测性能。它将真实标签和预测结果交叉比较,展示了分类器在每个类别上的准确率等评估指标。混淆矩阵的每一行描述了被识别为四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。
据表1记录的使用相关性与最小绝对收缩选择算子优化的随机森林模型进行干扰检测实验的混淆矩阵,可计算模型准确率(ACC),公式为:ACC=Σ(TPi)/ Σ(TPi+FPi+FNi)。
其中,TPi是第i类干扰场景中真正例数量,FPi是第i类干扰场景的假正例数量,FNi是第i类干扰场景的假反例数量,Σ表示对所有干扰场景的数量求和。
经过上述实例分析,在弱压制干扰情况下,智能终端GNSS数据特征与室内遮挡之间存在一定的相似性,成为多数干扰检测算法主要难题。因此,辨别压制干扰和室内遮挡的能力可以在一定程度上反映模型的分类性能。根据该公式计算模型总体准确率、每个场景的准确率相以及压制干扰与欺骗干扰区分率,计算的模型最终结果如表2所示。
表2
实验结果表明,本发明对单一场景下的简单干扰具有出色的检测能力,其中对压制干扰的检测率达到98.91%,室内遮挡环境的检测率达到99.83%,欺骗干扰的检测率达到99.99%。此外,本发明还能够较好的区分室内遮挡与压制干扰环境,对压制干扰与室内遮挡区分率达到99.37%,通过以上实验,证明了本发明方法对于各种类型干扰检测的有效性。
本发明方法不仅能够针对手机终端进行干扰检测任务,还可适用于车载终端、智能平板等一些列安卓操作系统的智能终端,为后续进行基于众包的GNSS干扰检测奠定了基础。
实施例2
本实施例2述及了一种基于智能终端GNSS数据的干扰检测系统,该系统除以下技术特征与上述实施例1不同之外,其余技术特征均可参照上述实施例1。
本实施例中基于智能终端GNSS数据的干扰检测系统,包括:
采集模块,用于接收智能终端获取的不同类型干扰场景下的多种GNSS原始观测数据;
预处理模块,用于将GNSS原始观测数据转换为GNSS时间序列数据,作为特征筛选的输入数据;
特征联合筛选模块,使用相关性判决与最小绝对收缩选择算子对输入数据进行特征联合筛选,首先计算输入数据中各个GNSS特征与干扰场景的互相关性,并根据得分排序情况实现对GNSS特征的初步筛选,然后利用最小绝对收缩选择算子将数据特征系数进行收缩处理,进行特征二次筛选;将经过相关性判决与最小绝对收缩选择算子联合筛选后的特征组成GNSS数据集;
以及干扰识别与分类模块,搭建用于干扰检测的随机森林模型,并使用GNSS数据集对随机森林模型进行训练,然后利用训练好的模型对各种类型干扰进行识别与分类。
需要说明的是,基于智能终端GNSS数据的干扰检测系统中,各个功能模块的功能和作用的实现过程具体详见实施例1中方法中对应步骤的实现过程,在此不再赘述。
当然,以上说明仅仅为本发明的较佳实施例,本发明并不限于列举上述实施例,应当说明的是,任何熟悉本领域的技术人员在本说明书的教导下,所做出的所有等同替代、明显变形形式,均落在本说明书的实质范围之内,理应受到本发明的保护。
Claims (8)
1.基于智能终端GNSS数据的干扰检测方法,其特征在于,包括如下步骤:
步骤1. 利用智能终端获取不同类型干扰场景下的多种GNSS原始观测数据;
步骤2. 将GNSS原始观测数据转换为GNSS时间序列数据,作为特征筛选的输入数据;
步骤3. 使用相关性判决与最小绝对收缩选择算子对输入数据进行特征联合筛选,首先计算输入数据中各个GNSS特征与干扰场景的互相关性,并根据得分排序情况实现对GNSS特征的初步筛选,然后利用最小绝对收缩选择算子将数据特征系数进行收缩处理,进行特征二次筛选;将经过相关性判决与最小绝对收缩选择算子联合筛选后的特征组成GNSS数据集;
所述步骤3具体为:
步骤3.1. 导入数据集,对由步骤2得到的GNSS时间序列数据作为数据集导入;
步骤3.2. 对数据集进行预处理,检测是否有缺省值,以确保数据的质量;
步骤3.3. 计算特征初步得分,通过计算每个GNSS特征与各种干扰场景之间的互相关信息,对该GNSS特征进行量化评估,得到每个GNSS特征的初步得分;
步骤3.4. 按照特征得分对GNSS特征进行排序,根据得分高低初步决定特征的重要性;
步骤3.5. 初步筛选出得分最靠前的若干GNSS特征,并对初步筛选出的GNSS特征进行标准化处理,使其具有零均值和单位方差;
步骤3.6. 使用最小绝对收缩选择算子对步骤3.5处理后的若干GNSS特征系数进行收缩处理,稀疏化相对不重要的GNSS特征,将其系数收缩为零,达到特征筛选的目的;
步骤3.7. 根据特征系数的大小,选择系数不为零的多个特征作为最终的GNSS数据集;
所述步骤3.6具体为:
步骤3.6.1. 定义目标函数;
最小绝对收缩选择算子的目标是最小化以下目标函数:
L(β)=|| J-Dβ||2+α||β||1;其中,J是干扰场景目标矩阵,D是GNSS数据特征矩阵,β是GNSS数据特征系数向量,α是正则化参数;
步骤3.6.2. 设置正则化参数α,通过十折交叉验证来选择合适的α值,具体过程为:
步骤3.6.2.1. 将GNSS初步筛选的若干GNSS特征数据集分为m个大小相等的子集,其中m-1个子集作为训练集,1个子集作为验证集;
其中,m为自然数,且m小于初步筛选的GNSS特征数;
步骤3.6.2.2. 使用指数增长方法选择一系列正则化参数α值作为候选参数;
步骤3.6.2.3. 对于每个α值求解步骤3.6.1中的目标函数最优解,使用迭代优化方法坐标下降法来逐步调整特征系数,直到收敛到最优解,得到步骤3.6.1计算的特征系数向量β;
步骤3.6.2.4. 使用验证集计算目标函数的性能指标均方误差,通过比较不同α值下的目标函数性能指标,选择使得性能指标最优的α值;
步骤3.6.3. 根据求解得到的GNSS特征系数向量β,将系数接近于零的GNSS特征视为相对不重要的特征,将其系数收缩为零,实现特征筛选的效果,稀疏化不重要的特征;
步骤4. 搭建用于干扰检测的随机森林模型,并使用步骤3得到的GNSS数据集对随机森林模型进行训练,然后利用训练好的模型对各种类型干扰进行识别与分类。
2.根据权利要求1所述的基于智能终端GNSS数据的干扰检测方法,其特征在于,
所述步骤1具体为:
步骤1.1. 分别搭建不同类型的干扰场景;
步骤1.2. 在搭建的各种干扰场景中分别使用智能终端采集GNSS原始观测数据。
3.根据权利要求2所述的基于智能终端GNSS数据的干扰检测方法,其特征在于,
所述步骤1.1中,干扰类型包括室外开阔、室内遮挡、压制干扰和欺骗干扰;
各种干扰场景的搭建过程分别如下:
步骤1.1.1. 搭建室外开阔场景,将智能终端放置于远离遮挡物的室外开阔地带;
步骤1.1.2. 搭建室内遮挡场景,将智能终端放置于建筑物内部,智能终端周围排除电子器件产生的射频干扰影响,且距离墙体和窗边范围均保持在5米至10米;
步骤1.1.3. 搭建压制干扰场景,在室外开阔处放分别放置智能终端与压制干扰机,压制干扰机功率范围为1瓦至7瓦,智能终端与压制干扰机的距离范围为80米至200米;
步骤1.1.4. 搭建欺骗干扰场景,在室外开阔处放分别放置智能终端与欺骗干扰源,该欺骗干扰源通过转发式欺骗干扰原理仅产生简单的位置欺骗;
欺骗干扰源与智能终端之间的距离0到80米,干扰源的功率衰减为0到45分贝毫瓦。
4.根据权利要求2所述的基于智能终端GNSS数据的干扰检测方法,其特征在于,
所述步骤1.2具体为:
步骤1.2.1. 调用GNSS定位服务的API接口,通过智能终端的安卓操作系统提供的GNSSMeasurement类和GNSS Clock类的API接口,调用GNSS定位服务;
步骤1.2.2. 请求GNSS原始观测数据,使用API接口中提供的函数和方法,向智能终端内嵌的GNSS芯片发送请求以获取GNSS原始观测数据;
步骤1.2.3. 从GNSS芯片中接收GNSS原始观测数据,并调用API接口将接收到的多种GNSS原始观测数据返回到GNSS原始数据日志文件。
5.根据权利要求1所述的基于智能终端GNSS数据的干扰检测方法,其特征在于,
所述步骤2具体为:
步骤2.1. 打开GNSS原始数据日志文件,读取文件头部信息,并检查是否有缺省值;
步骤2.2. 解析GNSS观测数据,遍历文件的每一行,并解析每行的内容;根据数据格式,提取所需的多个数据特征,将解析后的观测数据存储到数组中;
步骤2.3. 筛选数组中GPS L1频段数据,按时间戳重新排列并存入新数组变为时间序列;
步骤2.4. 按照采集数据的干扰场景对新数组新增一列标签列,打上类别标签。
6.根据权利要求1所述的基于智能终端GNSS数据的干扰检测方法,其特征在于,
所述步骤3.3具体为:
GNSS数据与干扰场景的互相关信息计算公式如下:
I(D;J)= H (D)+H (J)-H(D,J);
其中,I(D;J)表示GNSS数据特征和干扰场景之间的互相关信息;
D表示多种GNSS数据组成的特征矩阵,J表示干扰场景目标矩阵,H (D)和H (J)分别表示GNSS数据特征、干扰场景的熵,H(D, J)表示二者的联合熵;
GNSS数据特征与干扰场景的熵计算公式为:
H(D)=-∑P(d)*log(P(d)),P(d)表示GNSS数据特征为某一数据类型的概率;
H(J)=-∑P(j)*log(P(j)),P(j)表示GNSS干扰场景为某一干扰场景的概率;
二者联合熵的计算公式为:H(D,J)=-∑∑P(d,j)*log(P(d,j));其中,P(d,j)表示GNSS特征矩阵D取值为d,且干扰场景目标矩阵J取场景j的联合概率。
7.根据权利要求1所述的基于智能终端GNSS数据的干扰检测方法,其特征在于,
所述步骤4中,随机森林模型的训练过程如下:
步骤4.1. 导入由步骤3得到的GNSS数据集作为随机森林输入数据集;
步骤4.2. 随机抽样,从随机森林输入数据集划分的训练集中,使用自助采样方法随机选择一部分GNSS数据,以构建每棵决策树的训练子集;
步骤4.3. 基于选定的每棵决策树的训练子集,使用决策树算法训练一棵决策树,通过递归地将训练子集进一步分割成多个子集,在每个子集上选择最佳的GNSS特征和划分点;
步骤4.4. 重复步骤4.2和步骤4.3,训练预设数量的决策树,每棵树都在构建的不同GNSS训练子集上进行训练,将训练好的全部决策树组合为最终的随机森林模型。
8.一种用于实现如权利要求1至7任一项所述的基于智能终端GNSS数据的干扰检测方法的基于智能终端GNSS数据的干扰检测系统,其特征在于,
所述基于智能终端GNSS数据的干扰检测系统包括:
采集模块,用于接收智能终端获取的不同类型干扰场景下的多种GNSS原始观测数据;
预处理模块,用于将GNSS原始观测数据转换为GNSS时间序列数据,作为特征筛选的输入数据;
特征联合筛选模块,使用相关性判决与最小绝对收缩选择算子对输入数据进行特征联合筛选,首先计算输入数据中各个GNSS特征与干扰场景的互相关性,并根据得分排序情况实现对GNSS特征的初步筛选,然后利用最小绝对收缩选择算子将数据特征系数进行收缩处理,进行特征二次筛选;将经过相关性判决与最小绝对收缩选择算子联合筛选后的特征组成GNSS数据集;
以及干扰识别与分类模块,搭建用于干扰检测的随机森林模型,并使用GNSS数据集对随机森林模型进行训练,然后利用训练好的模型对各种类型干扰进行识别与分类。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311219079.2A CN116973945B (zh) | 2023-09-21 | 2023-09-21 | 基于智能终端gnss数据的干扰检测方法及系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311219079.2A CN116973945B (zh) | 2023-09-21 | 2023-09-21 | 基于智能终端gnss数据的干扰检测方法及系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN116973945A CN116973945A (zh) | 2023-10-31 |
CN116973945B true CN116973945B (zh) | 2023-12-08 |
Family
ID=88485284
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202311219079.2A Active CN116973945B (zh) | 2023-09-21 | 2023-09-21 | 基于智能终端gnss数据的干扰检测方法及系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116973945B (zh) |
Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2018107492A1 (zh) * | 2016-12-16 | 2018-06-21 | 深圳大学 | 基于直觉模糊随机森林的目标跟踪方法及装置 |
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 |
CN114065803A (zh) * | 2021-10-21 | 2022-02-18 | 中国人民解放军61081部队 | 干扰信号识别模型的训练方法、识别方法及装置 |
CN114879231A (zh) * | 2022-05-26 | 2022-08-09 | 温州大学 | Gnss信号压缩捕获方法及装置、电子设备、存储介质 |
CN115932899A (zh) * | 2023-01-05 | 2023-04-07 | 湖南北云科技有限公司 | 干扰类型识别方法、装置、终端设备及介质 |
CN115932898A (zh) * | 2022-12-28 | 2023-04-07 | 沈阳理工大学 | 一种卫星导航系统的高效干扰识别方法 |
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 |
CN116699671A (zh) * | 2023-04-29 | 2023-09-05 | 中国民航大学 | 一种基于随机森林回归的电离层幅度闪烁指数计算方法 |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US10557946B2 (en) * | 2017-12-29 | 2020-02-11 | Comnav Technology Ltd. | GNSS board, terminal and narrowband interference suppression method |
-
2023
- 2023-09-21 CN CN202311219079.2A patent/CN116973945B/zh active Active
Patent Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2018107492A1 (zh) * | 2016-12-16 | 2018-06-21 | 深圳大学 | 基于直觉模糊随机森林的目标跟踪方法及装置 |
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 |
CN114065803A (zh) * | 2021-10-21 | 2022-02-18 | 中国人民解放军61081部队 | 干扰信号识别模型的训练方法、识别方法及装置 |
CN114879231A (zh) * | 2022-05-26 | 2022-08-09 | 温州大学 | Gnss信号压缩捕获方法及装置、电子设备、存储介质 |
CN115932898A (zh) * | 2022-12-28 | 2023-04-07 | 沈阳理工大学 | 一种卫星导航系统的高效干扰识别方法 |
CN115932899A (zh) * | 2023-01-05 | 2023-04-07 | 湖南北云科技有限公司 | 干扰类型识别方法、装置、终端设备及介质 |
CN116699671A (zh) * | 2023-04-29 | 2023-09-05 | 中国民航大学 | 一种基于随机森林回归的电离层幅度闪烁指数计算方法 |
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 |
Non-Patent Citations (7)
Title |
---|
A Study of GNSS-IR Soil Moisture Inversion Algorithms Integrating Robust Estimation with Machine Learning;rui ding et al.;Sustainability;第15卷(第8期);全文 * |
Analysis of the Effect of GNSS Interference on High-Precision Positioning Applications of Satellite Navigation Systems;Yixu Liu et al.;2021 IEEE International Geoscience and Remote Sensing Symposium IGARSS;全文 * |
GNSS抗欺骗干扰技术研究;耿正霖;聂俊伟;王飞雪;;全球定位系统(04);全文 * |
典型高压线环境对城市GNSS高精度定位应用的影响分析;马雪纯等;第十四届中国卫星导航年会论文集——S01卫星导航应用;全文 * |
利用随机森林算法的卫星控制系统故障诊断;黄瑾等;宇航学报(第4期);全文 * |
多源信息融合的室内定位方法;韩冷;戴鹏;阳媛;王庆;;传感器与微系统(07);全文 * |
高分辨率遥感影像的随机森林变化检测方法;冯文卿;眭海刚;涂继辉;孙开敏;黄伟明;;测绘学报(11);全文 * |
Also Published As
Publication number | Publication date |
---|---|
CN116973945A (zh) | 2023-10-31 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN107665289B (zh) | 一种运营商数据的处理方法及系统 | |
CN108680796A (zh) | 用于计算机显示器的电磁信息泄漏检测系统及方法 | |
CN104978522A (zh) | 一种检测恶意代码的方法和装置 | |
CN111144522B (zh) | 一种基于硬件本征差异的电网nfc设备指纹认证方法 | |
CN110490134A (zh) | 信号识别方法、设备及存储介质 | |
CN116482720B (zh) | 一种基于机器学习理论的gnss欺骗干扰检测方法 | |
Wibowo et al. | Earthquake early warning system using ncheck and hard-shared orthogonal multitarget regression on deep learning | |
CN112380922A (zh) | 复盘视频帧确定方法、装置、计算机设备和存储介质 | |
CN116973945B (zh) | 基于智能终端gnss数据的干扰检测方法及系统 | |
Liu et al. | Discrimination between earthquake P waves and microtremors via a generative adversarial network | |
CN113886821A (zh) | 基于孪生网络的恶意进程识别方法、装置、电子设备及存储介质 | |
CN111757257B (zh) | 一种克服设备差异的动态模糊匹配室内定位方法 | |
CN110444225B (zh) | 基于特征融合网络的声源目标识别方法 | |
CN110580915B (zh) | 基于可穿戴式设备的声源目标识别系统 | |
Huang et al. | FM broadcast monitoring using artificial intelligence | |
CN114580588B (zh) | 基于概率矩阵模型的uhf rfid群标签选型方法 | |
US11763836B2 (en) | Hierarchical generated audio detection system | |
CN113163327B (zh) | 一种移动应用中定位数据真伪辨别的方法和系统 | |
CN110458179A (zh) | 基于i-vector局部加权的光纤振动振源识别分类方法及系统 | |
CN114580482A (zh) | 基于边缘计算节点与数据中心的无线电信号特征采集方法 | |
Liu et al. | Detection on abnormal usage of spectrum by electromagnetic data mining | |
Lu et al. | A lockable abnormal electromagnetic signal joint detection algorithm | |
CN117421644B (zh) | 无线设备入侵检测方法及装置 | |
CN116630752B (zh) | 基于ai算法的施工现场目标对象识别方法及装置 | |
CN117150265B (zh) | 一种低信噪比条件下鲁棒的射频信号开集识别方法 |
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 | ||
GR01 | Patent grant | ||
GR01 | Patent grant |