一种基于机器学习理论的GNSS欺骗干扰检测方法

本发明涉及gnss卫星信号，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：

1、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。

2、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。

3、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。

技术实现思路

1、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。

2、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。

3、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。

4、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。

5、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。

6、s4.1.2，卷积层的输入公式为：

7、         （1）。

8、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。

9、卷积层输出公式为：     （2）。

10、其中，为输出矩阵，为激活函数。

11、卷积后产生的特征大小计算公式为     （3）。

12、其中，为输入矩阵大小，为卷积核大小，为步幅，为补零层数；

13、s4.1.3，经批归一化层对特征进行标准化处理。

14、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。

15、s4.1.5，经最大池化层对特征进行下采样。

16、s4.1.6，将特征按行展开连接成向量，传入全连接层。

17、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。

18、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。

19、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。

20、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。

技术特征：

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：

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：

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：

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：

技术总结
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。

技术研发人员：韩超,马雪纯,王丹丹,白培瑞,郭雅苹,宋承龙,庞岗,杨光,闵晓琳
受保护的技术使用者：山东科技大学
技术研发日：
技术公布日：2024/1/13