CN111399002B - 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 - Google Patents
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 Download PDFInfo
- Publication number
- CN111399002B CN111399002B CN202010276113.XA CN202010276113A CN111399002B CN 111399002 B CN111399002 B CN 111399002B CN 202010276113 A CN202010276113 A CN 202010276113A CN 111399002 B CN111399002 B CN 111399002B
- Authority
- CN
- China
- Prior art keywords
- interference
- stage
- signal
- peak
- identification module
- 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
Images
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
- 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
- G06N3/045—Combinations of networks
-
- 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
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2218/00—Aspects of pattern recognition specially adapted for signal processing
- G06F2218/12—Classification; Matching
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- General Health & Medical Sciences (AREA)
- General Engineering & Computer Science (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- Artificial Intelligence (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- Biomedical Technology (AREA)
- Life Sciences & Earth Sciences (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Health & Medical Sciences (AREA)
- Radar, Positioning & Navigation (AREA)
- Remote Sensing (AREA)
- Computer Networks & Wireless Communication (AREA)
- Position Fixing By Use Of Radio Waves (AREA)
Abstract
本发明公开了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,接收机接收到N颗可见卫星发出的导航信号,根据接收到的GNSS信号模型和干扰源,采用基于BP神经网络的两级识别方案,通过第一级识别模块对A/D转换后的数字中频信号提取时域和频域特征,送入BP神经网络进行压制式干扰检测和分类;若第一级识别模块识别结果为无干扰或者存在欺骗干扰时,再对数字中频信号进行捕获,利用捕获后的二维搜索矩阵提取相关峰特征,送入第二级识别模块进行欺骗干扰检测;当两级识别模块最终识别结果为无干扰时,判定接收信号为真实卫星信号,当识别出干扰类型后,采取相对应的干扰处理手段。本发明能快速准确识别干扰。
Description
技术领域
本发明属于信号处理技术领域,具体涉及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。
背景技术
全球卫星导航***(Global Navigation Satellite System,GNSS)是一种覆盖广、全天候、实时、高精度的导航***。随着卫星导航技术的不断发展,GNSS已广泛应用于军事和民用各个领域。GNSS主要包括美国的全球定位***(GPS)、欧盟的伽利略(GALILEO)、俄罗斯的格洛纳斯(GLONASS)、我国的北斗导航卫星***(BDS)。由于其应用广泛、影响面大,因此保证全球卫星导航***的安全性尤为重要。由于导航卫星一般距离地球表面比较遥远,当卫星发射的导航信号传播到地面的用户端时,卫星信号已经十分微弱,而且民用卫星的信号格式公开,再加上卫星导航***本身抗干扰能力有限,故GNSS接收机很容易受到干扰攻击。压制式干扰和欺骗式干扰是GNSS干扰中两种最典型的干扰方式,也是专门针对导航***用户端部分所常见的两种干扰。压制式干扰是一种大功率的强干扰信号,通过使接收机无法正常接收、锁定卫星导航信号而使其无法定位。欺骗式干扰是是干扰者通过转发或生成与导航卫星信号相同或相似的信号、使卫星导航***目标用户的接收机把欺骗信号误认为是真实导航卫星信号,从而对其进行捕获与跟踪,计算出错误的位置、速度或时间。研究GNSS接收机的抗干扰技术,对于提高卫星导航***在复杂电磁环境下的工作性能、增强卫星导航***在各种环境中的可靠性具有重要意义。
干扰识别是抗干扰的重要环节,也因此成为GNSS抗干扰领域的研究热点。目前相关干扰识别的技术大多是基于特定的***和特定的干扰类型,通用性较差。且所使用的相关算法如决策树、聚类算法和神经网络等也仅停留在用来判断干扰是否存在,以及对纯压制式或纯欺骗式干扰进行分类和检测。而在实战环境中,干扰源一般会先进行一定时长的压制式干扰,让目标GNSS接收机转入搜索状态,然后再转而发送欺骗干扰,使被干扰的GNSS接收机锁定到欺骗信号上。因此,在同一场景中压制式和欺骗式干扰会交替出现,且可能随机切换。为了增强接收机的抗干扰能力,有必要设计统一的可对压制式和欺骗式干扰进行自动分类识别的方案。
发明内容
本发明所要解决的技术问题在于针对上述现有技术中的不足,提供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,两级网络均采用一个三层全连接神经网络实现分类决策。
本发明采用以下技术方案:
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,接收机接收到N颗可见卫星发出的导航信号,根据接收到的GNSS信号模型和干扰源,采用基于BP神经网络的两级识别方案,通过第一级识别模块对A/D转换后的数字中频信号提取时域和频域特征,送入BP神经网络进行压制式干扰检测和分类;若第一级识别模块识别结果为无干扰或者存在欺骗干扰时,再对数字中频信号进行捕获,利用捕获后的二维搜索矩阵提取相关峰特征,送入第二级识别模块进行欺骗干扰检测;当两级识别模块最终识别结果为无干扰时,判定接收信号为真实卫星信号,当识别出干扰类型后,采取相对应的干扰处理手段。
具体的,利用信号频谱幅值的最大值与次大值之比、单频能量聚集度、平均频谱平坦系数、时域峰度、功率谱偏度、功率谱峰度频谱方差与均值平方之比、归一化频谱峰均比和归一化频谱之3dB带宽,训练第一级识别模块的BP神经网络,输出标签分为8类。
进一步的,信号频谱幅值的最大值与次大值之比为:
x1=|X(k)|1stmax/|X(k)|2ndmax
单频能量聚集度为:
平均频谱平坦系数为:
时域峰度为:
x4=E(|x(n)-μt|4)/σt 4
功率谱偏度为:
x5=E[X(ω)-μP]3/σP 3
功率谱峰度为:
x6=E[X(ω)-μP]4/σP 4
频谱方差与均值平方之比为:
x7=σf 2/μf 2
归一化频谱峰均比为:
x8=max{Xu(k)}/E[Xu(k)]
归一化频谱之3dB带宽为:
x9=card{k|X′u(k)>V3dB}/card{k|X′u(k)}
其中,Pp(k)表示对P(k)中的冲激部分提取的结果,μt为x(n)的均值,σ是x(n)的标准差;μP为X(ω)的均值,σP是X(ω)的标准差;card{}表示取集合元素的个数,Xu'(k)为X(k)利用均值进行归一化的结果,V3dB=0.707max[X′u(k)]。
具体的,利用相关值全局累加量、相关值局部累加量、相关峰峰值、Af中的相关峰数量、Ac中的相关峰数量、Af的相关峰宽度、Ac的相关峰宽度、Af的相关峰对称差值累加量、Ac的相关峰对称差值累加量、Af斜率差异和Ac斜率差异11个特征,训练第二级识别模块的BP神经网络,输出标签分为2类。
进一步的,相关值全局累加量为:
相关值局部累加量为:
相关峰峰值为:
x13=max{ai,j|ai,j∈A}
Af中的相关峰数量为:
x14=card{i|pAf(i)>VT}
Ac中的相关峰数量为:
x15=card{j|pAc(j)>VT}
Af的相关峰宽度为:
x16=card{Af|Af>VT}
Ac的相关峰宽度为:
x17=card{Ac|Ac>VT}
Af的相关峰对称差值累加量为:
Ac的相关峰对称差值累加量为:
Af斜率差异为:
x20=Af(ip+0.5/Δfd)-Af(ip-0.5/Δfd)
Ac斜率差异为:
x21=Ac(jp+0.5fs/Rc)-Ac(jp-0.5fs/Rc)
其中,ai,j是矩阵A的第i,j个元素,VT是接收机的捕获门限,表示Af中所有波峰峰值的集合;表示Ac中所有波峰峰值的集合;Bf是Af的平移并限幅后的结果;i'P是最大相关峰在Bf中的坐标,Bc是Ac的平移并限幅后的结果;j'P是最大相关峰在Bc中的坐标,ip是最大峰在多普勒频移轴上的坐标,Δfd为多普勒频移搜索步长,ip±0.5/Δfd表示相关峰在多普勒频移轴上左右0.5kHz处的横坐标,jp是最大相关峰在伪码相位轴上的坐标,fs为接收机采样频率,Rc为扩频码的码速率,jp±0.5fs/Rc表示相关峰在伪码相位轴上左右0.5码元处的横坐标。
具体的,第一级识别模块和第二级识别模块均采用三层全连接BP神经网络,第一级识别模块的输入节点数为9,使用9个特征参数,第二级识别模块的输入节点数为11,使用11个特征参数;第一级识别模块的隐含层节点数为12,第二级识别模块的隐含层节点数为10;第一级识别模块的输出节点数为8,第二级识别模块的输出节点数为2,对应于各级分类标签数。
具体的,接收机的接收到的GNSS信号模型可以表示为
具体的,干扰源包括单音干扰STI,多音干扰MTI,线性调频干扰LFMI,脉冲干扰PI,BPSK窄带干扰BPSKNBI,BPSK宽带干扰BPSKWBI,欺骗式干扰SI,对应某一时刻接收信号状态划分为H0,无干扰;H1,存在SI;H2:存在MTI;H3,存在LFMI;H4,存在PI;H5,存在BPSK窄带干扰;H6,存在BPSK宽带干扰;H7,存在欺骗干扰。
进一步的,单音干扰STI建模为:
多音干扰MTI建模为:
线性调频干扰LFMI建模为:
脉冲干扰PI建模为:
BPSK窄带干扰BPSKNBI建模为:
BPSK宽带干扰BPSKWBI建模为:
欺骗式干扰SI建模为:
其中,P表示各类压制式干扰信号的功率,f为干扰信号频率,为服从[0,2π)上均匀分布的随机相位,f0表示扫频中心频率,K表示线性扫频率,τ为脉冲占空比,TPI为脉冲周期,N为脉冲的个数,ai表示随机二进制不归零比特流,g(t)表示矩形窗,Tb表示二进制比特的码元宽度,BBPSK表示BPSK调制信号带宽,BGNSS表示GNSS信号带宽,下角标“-S”指示欺骗信号。
进一步的,干扰与真实信号功率比记为JSR=10lgPJ/PS,PJ为干扰的功率,PS为真实卫星信号的功率。
与现有技术相比,本发明至少具有以下有益效果:
本发明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,综合考虑压制式干扰和欺骗式干扰组合干扰的场景,针对两大类干扰的不确定性出现,利用两级识别模块,最终达到较高的识别率,利用GPS信号和北斗信号进行测试,本发明均具有良好效果。
进一步的,第一级识别模块的特征参数主要用来识别压制式干扰,所设置的特征参数参考了部分雷达有源干扰识别和调制模式识别的特征参数设计。例如,信号频谱幅值的最大值与次大值之比,可以有效区分单音干扰和其他压制式干扰,单频能量聚集度可以有效区分单音干扰、多音干扰、脉冲干扰和其他压制式干扰,其他特征参数也类似。
进一步的,第二级识别模块所用的特征是基于不含欺骗信号的导航信号以及含有欺骗信号的导航信号捕获结果的差异来设计的。当存在欺骗干扰时,相关峰值会变大,相关峰数量在码相位差异较大时会显出2个峰,码相位差异较小时会出现斜率差异,相关峰宽度会变宽等区别。
进一步的,BP神经网络具有极强的非线性映射能力,具有对外界刺激和输入信息进行联想记忆的能力,自学习和自适应能力强,泛化能力和容错能力也较好,常用于分类、预测等方面。故本发明采用的算法是BP神经网络的相关算法。
进一步的,接收到的GNSS信号模型描述,可以拆分为三个部分,即导航电文部分,扩频码部分以及载波部分。
进一步的,各种压制式干扰和欺骗式干扰的模型描述,是最常见的典型干扰类型。
进一步的,干信比是衡量干扰强弱的一个指标,干信比越大,表示干扰功率越大,对导航***的危害程度也就越大。
综上所述,本发明针对压制式和欺骗式组合干扰场景,设计了一种基于两级神经网络的干扰识别方案,两级模块均采用BP神经网络,通过提取不同的特征参数,能快速而准确地对随机出现的某一种压制式干扰或欺骗式干扰进行识别,且对GPS和北斗信号均有良好效果。
下面通过附图和实施例,对本发明的技术方案做进一步的详细描述。
附图说明
图1为压制式干扰和欺骗式干扰都存在的场景示意图;
图2为GNSS接收机与识别模块框架示意图;
图3为神经网络的训练示意图;
图4为基于决策树的干扰识别流程示意图;
图5为GPS***下对7种干扰进行单独测试的结果,以及GPS***下对7种干扰的平均识别率与对比方案的平均识别率对比;
图6为BD***下对7种干扰进行单独测试的结果,以及BD***下对7种干扰的平均识别率与对比方案的平均识别率对比。
具体实施方式
本发明提供了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,第一级识别模块,利用从数字中频信号提取出来的时域、频域和功率域的9个特征参数送入BP神经网络,用于识别单音、多音、线性调频、脉冲、BPSK窄带和BPSK宽带六种典型的压制式干扰。由于欺骗式干扰具有与真实卫星信号相同的结构,不能利用第一级网络采用的特征参数实现有效区分。为此引入第二级识别模块,利用从接收机信号捕获所得的二维数组中提取的11个特征参数,对真实卫星信号与欺骗信号进行区分。
请参阅图1,考虑压制式和欺骗式干扰组合存在的场景,接收机可以接收到N颗可见卫星发出的导航信号,压制式干扰源和欺骗式干扰源随机向接收机发起攻击,忽略导航信号中的数据信息以及方向性,接收机的接收到的GNSS信号模型表示为
接收机接收到的信号,除了有用的卫星信号外,还有背景噪声及可能存在的干扰。本发明考虑了六类压制式干扰和转发式欺骗式干扰,它们的信号模型如表1所示,其中,STI为单音干扰,MTI为多音干扰,LFMI为线性调频干扰,PI为脉冲干扰,BPSKNBI为BPSK窄带干扰,BPSKWBI为BPSK宽带干扰,SI为欺骗式干扰。
表1干扰类型及建模
在LFMI信号模型中,f0表示扫频中心频率,K表示线性扫频率。在PI模型中,τ为脉冲占空比,TPI为脉冲周期,N为脉冲的个数。
在BPSKNBI和BPSKWBI模型中,ai表示随机二进制不归零比特流,g(t)表示矩形窗,Tb表示二进制比特的码元宽度,BBPSK表示BPSK调制信号带宽,BGNSS表示GNSS信号带宽。
在欺骗干扰(Spoofing Interference,SI)模型中,下角标“-S”指示欺骗信号,其他参数含义与式(1)相同。
假设在任一时刻若存在攻击,则仅存在表1中的某一类干扰。因此,某一时刻接收信号状态可以划分为8种情况:
H0,无干扰;
H1,存在SI;
H2:存在MTI;
H3,存在LFMI;
H4,存在PI;
H5,存在BPSK窄带干扰;
H6,存在BPSK宽带干扰;
H7,存在欺骗干扰。
干扰与真实信号功率比(Jamming to Signal Power Ratio,JSR)记为JSR=10lgPJ/PS,其中PJ为干扰的功率,PS为真实卫星信号的功率。
请参阅图2,常见的GNSS软件接收机可分为天线与射频前端、基带处理以及应用处理三个模块,如图2上半部分所示。
本发明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,基于GNSS软件接收机结构设计,采用基于BP神经网络的两级识别方案,第一级识别模块对A/D转换后的数字中频信号提取时域和频域特征,送入BP神经网络进行压制式干扰检测和分类。因为欺骗式干扰编码结构和真实卫星信号相同,仅通过中频信号的基本时、频域特征无法区分欺骗式干扰与真实卫星信号。若第一级模块识别结果为无干扰或者存在欺骗干扰时,进一步对数字中频信号进行捕获,利用捕获后的二维搜索矩阵提取相关峰特征,再送入第二级模块进行欺骗干扰检测。当两级模块最终识别结果为无干扰时,可认为接收信号为真实卫星信号,否则可根据识别出的干扰类型,采取相对应的干扰处理手段。
两级模块均采用三层全连接BP神经网络:输入节点数分别为9和11,第一级模块使用9个特征参数,第二级模块使用11个特征参数;隐含层节点数分别为12和10;输出节点数分别为8和2,对应于各级分类标签数。两级网络训练网络的示意图如图3所示。
第一级识别模块
首先,对数字中频信号进行功率归一化:
Xu(k)=X(k)/max[X(k)] (3)
为了对各类压制式干扰进行精确识别,第一级识别模块采用的特征参数如表2所示:
表2第一级网络使用的特征参数
在x3的计算中,Pp(k)表示对P(k)中的冲激部分提取的结果,即用归一化后的功率Pu(k)减去对自身使用滑动平均后的结果,表示为
其中,L是滑动平均窗口的长度,在后续仿真中取L=1。在x4的计算中,μt为x(n)的均值,σ是x(n)的标准差。在x5和x6的计算中,μP为X(ω)的均值,σP是X(ω)的标准差。在x9的计算中,card{}表示取集合元素的个数,X′u(k)为X(k)利用均值进行归一化的结果,V3dB=0.707max[X′u(k)]。利用上述9个特征,训练第一级识别模块的BP神经网络,输出标签分为8类,对应于H0~H7。
第2级识别模块
第二级识别模块利用的数据来自于数字中频信号经过捕获操作后生成的二维数组。若存在卫星信号或欺骗干扰信号,捕获输出中将存在相关峰。对这些相关峰在码相位轴和多普勒频移轴的平面投影进行计算,提取相应的特征参数,再输入到第二级识别模块的神经网络中进行训练。记接收机捕获生成的二维矩阵为A,A在伪码相位轴和多普勒频移轴上的投影分别为Ac和Af。第二级识别模块所使用的特征参数集如表3所示:
表3第二级网络使用的特征参数
其中,ai,j是矩阵A的第i,j个元素,VT是接收机的捕获门限,表示Af中所有波峰峰值的集合。表示Ac中所有波峰峰值的集合。在x18的计算中,Bf是Af的平移并限幅后的结果,即将最大相关峰移位至中间位置,且将小于捕获门限VT的值置为0而其余值不变;i'P是最大相关峰在Bf中的坐标。在x19的计算中,Bc是Ac的平移并限幅后的结果;j'P是最大相关峰在Bc中的坐标。x20计算式中,ip是最大峰在多普勒频移轴上的坐标,Δfd为多普勒频移搜索步长,ip±0.5/Δfd表示相关峰在多普勒频移轴上左右0.5kHz处的横坐标。在x21的计算中,jp是最大相关峰在伪码相位轴上的坐标,fs为接收机采样频率,Rc为扩频码的码速率,jp±0.5fs/Rc表示相关峰在伪码相位轴上左右0.5码元处的横坐标。利用上述11个特征,训练第二级识别模块的BP神经网络,输出标签分为2类,即H0和H7。
为使本发明实施例的目的、技术方案和优点更加清楚,下面将结合本发明实施例中的附图,对本发明实施例中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。通常在此处附图中的描述和所示的本发明实施例的组件可以通过各种不同的配置来布置和设计。因此,以下对在附图中提供的本发明的实施例的详细描述并非旨在限制要求保护的本发明的范围,而是仅仅表示本发明的选定实施例。基于本发明中的实施例,本领域普通技术人员在没有作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。
实施例
考虑压制式干扰和欺骗式干扰都存在的场景,如图1所示。在仿真实验中,利用GPSL1频点和BDS B1频点的模拟中频数据,接收机能接收到6~8颗可见卫星的信号,接收信噪比为-20dB,采样频率为10.23MHz,欺骗干扰源转发的卫星数为2~4颗,多径信号与直射信号的伪码相位差为0.1~1码片、与直射信号的多普勒频移差为±100Hz。其他相关仿真参数如表4所示。
详细的仿真参数见表1。
表4仿真参数
对比方案:
由于在已有工作中没有同时考虑压制式和欺骗式干扰的统一方案,为了说明所提方案的有效性,在此引入经典的基于门限法的决策树(Decision Tree,DT)方案,并按照本发明考虑的组合干扰场景,对特征参数和门限阈值做了适当设计和调整,以此来与本文方案进行性能对比。决策树的基本思想是,利用各特征参数值与门限值进行对比,逐级进行二分类,直到最后每个类别集中只有一个干扰类型。其识别流程如图4所示。其中所用到的特征值f1~f6的设计,其计算公式和门限值设定表5所示。
表5决策树的特征参数和门限值
图5展示了所提方案在GPS***下对每种干扰的识别准确率,同时给出了所提方案和基于门限的决策树方案对所有干扰类型的平均识别率。需要说明的是,由于压制式干扰和欺骗式干扰的攻击目的不同,因此其采用的功率范围不同。前者JSR通常较大,一般大于10dB,而进行欺骗攻击时JSR通常较低,一般小于20dB。为了方便展示方案对所有干扰的平均识别效果,结果图中仅展示了两种干扰类型都可能取到的JSR范围:10~20dB。
图6展示的是对BD数据的测试结果。可以看到,不论是GPS***还是BD***,在所考察的JSR范围,所提方案的平均识别率均在96%以上。当JSR>17dB时识别准确率可达100%。而基于门限的决策树方案其识别精度仅在80%~95%之间。主要原因是,在进行干扰检测识别时,无法准确测量出具体的JSR,因此不能根据JSR设置精确的门限,只能按JSR区间设置门限。此外,决策树逐级分类,会有累计误差的风险。因此分类效果较差。而本发明依据各干扰特点提取了有效的特征参数,并利用了神经网络优异的分类能力,因此可获得较优的识别效果。
综上所述,本发明针对压制式和欺骗式组合干扰场景,设计了一种基于两级神经网络的干扰识别方案,两级模块均采用BP神经网络,通过提取不同的特征参数,分别实现对压制式干扰和欺骗式干扰的识别。附图中的测试结果表明该发明可对随机出现的压制式和欺骗式干扰进行较准确的分类和检测,平均识别率较高;且本方案所利用的数据均位于GNSS接收机处理的前期,不晚于信号捕获阶段,可以尽早的实现干扰检测与识别,增强了导航***对抗干扰的时效性。
本领域内的技术人员应明白,本申请的实施例可提供为方法、***、或计算机程序产品。因此,本申请可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且,本申请可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、CD-ROM、光学存储器等)上实施的计算机程序产品的形式。
本申请是参照根据本申请实施例的方法、设备(***)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器,使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。
这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中,使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品,该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。
这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上,使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理,从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。
以上内容仅为说明本发明的技术思想,不能以此限定本发明的保护范围,凡是按照本发明提出的技术思想,在技术方案基础上所做的任何改动,均落入本发明权利要求书的保护范围之内。
Claims (5)
1.一种基于两级神经网络的GNSS接收机组合干扰分类识别方法,其特征在于,接收机接收到N颗可见卫星发出的导航信号,根据接收到的GNSS信号模型和干扰源,采用基于BP神经网络的两级识别方案,通过第一级识别模块对A/D转换后的数字中频信号提取时域和频域特征,送入BP神经网络进行压制式干扰检测和分类;若第一级识别模块识别结果为无干扰或者存在欺骗干扰时,再对数字中频信号进行捕获,利用捕获后的二维搜索矩阵提取相关峰特征,送入第二级识别模块进行欺骗干扰检测;当两级识别模块最终识别结果为无干扰时,判定接收信号为真实卫星信号,当识别出干扰类型后,采取相对应的干扰处理手段;
接收机捕获阶段生成的二维捕获矩阵A在伪码相位轴和多普勒频移轴上的投影分别记为Ac和Af,利用相关值全局累加量、相关值局部累加量、相关峰峰值、Af中的相关峰数量、Ac中的相关峰数量、Af的相关峰宽度、Ac的相关峰宽度、Af的相关峰对称差值累加量、Ac的相关峰对称差值累加量、Af斜率差异和Ac斜率差异11个特征,训练第二级识别模块的BP神经网络,输出标签分为2类;
相关值全局累加量为:
相关值局部累加量为:
相关峰峰值为:
x13=max{ai,j|ai,j∈A}
Af中的相关峰数量为:
Ac中的相关峰数量为:
Af的相关峰宽度为:
x16=card{Af|Af>VT}
Ac的相关峰宽度为:
x17=card{Ac|Ac>VT}
Af的相关峰对称差值累加量为:
Ac的相关峰对称差值累加量为:
Af斜率差异为:
x20=Af(ip+0.5/Δfd)-Af(ip-0.5/Δfd)
Ac斜率差异为:
x21=Ac(jp+0.5fs/Rc)-Ac(jp-0.5fs/Rc)
其中,ai,j是矩阵A的第i,j个元素,VT是接收机的捕获门限,表示Af中所有波峰峰值的集合;表示Ac中所有波峰峰值的集合;Bf是Af的平移并限幅后的结果;i'P是最大相关峰在Bf中的坐标,Bc是Ac的平移并限幅后的结果;j'P是最大相关峰在Bc中的坐标,ip是最大峰在多普勒频移轴上的坐标,Δfd为多普勒频移搜索步长,ip±0.5/Δfd表示相关峰在多普勒频移轴上左右0.5kHz处的横坐标,jp是最大相关峰在伪码相位轴上的坐标,fs为接收机采样频率,Rc为扩频码的码速率,jp±0.5fs/Rc表示相关峰在伪码相位轴上左右0.5码元处的横坐标;
第一级识别模块和第二级识别模块均采用三层全连接BP神经网络,第一级识别模块的输入节点数为9,使用9个特征参数,第二级识别模块的输入节点数为11,使用11个特征参数;第一级识别模块的隐含层节点数为12,第二级识别模块的隐含层节点数为10;第一级识别模块的输出节点数为8,第二级识别模块的输出节点数为2,对应于各级分类标签数;
接收机的接收到的GNSS信号模型表示为
干扰源包括单音干扰STI,多音干扰MTI,线性调频干扰LFMI,脉冲干扰PI,BPSK窄带干扰BPSKNBI,BPSK宽带干扰BPSKWBI,欺骗式干扰SI,对应某一时刻接收信号状态划分为H0,无干扰;H1,存在SI;H2:存在MTI;H3,存在LFMI;H4,存在PI;H5,存在BPSK窄带干扰;H6,存在BPSK宽带干扰;H7,存在欺骗干扰。
2.根据权利要求1所述的基于两级神经网络的GNSS接收机组合干扰分类识别方法,其特征在于,利用信号频谱幅值的最大值与次大值之比、单频能量聚集度、平均频谱平坦系数、时域峰度、功率谱偏度、功率谱峰度频谱方差与均值平方之比、归一化频谱峰均比和归一化频谱之3dB带宽,训练第一级识别模块的BP神经网络,输出标签分为8类。
3.根据权利要求2所述的基于两级神经网络的GNSS接收机组合干扰分类识别方法,其特征在于,信号频谱幅值的最大值与次大值之比为:
x1=|X(k)|1stmax/|X(k)|2ndmax
单频能量聚集度为:
平均频谱平坦系数为:
时域峰度为:
x4=E(|x(n)-μt|4)/σt 4
功率谱偏度为:
x5=E[X(ω)-μP]3/σP 3
功率谱峰度为:
x6=E[X(ω)-μP]4/σP 4
频谱方差与均值平方之比为:
x7=σf 2/μf 2
归一化频谱峰均比为:
x8=max{Xu(k)}/E[Xu(k)]
归一化频谱之3dB带宽为:
x9=card{k|X′u(k)>V3dB}/card{k|X′u(k)}
其中,Pp(k)表示对P(k)中的冲激部分提取的结果,μt为x(n)的均值,σt是x(n)的标准差;μP为X(ω)的均值,σP是X(ω)的标准差;card{}表示取集合元素的个数,X′u(k)为X(k)利用均值进行归一化的结果,V3dB=0.707max[X′u(k)]。
4.根据权利要求1所述的基于两级神经网络的GNSS接收机组合干扰分类识别方法,其特征在于,单音干扰STI建模为:
多音干扰MTI建模为:
线性调频干扰LFMI建模为:
脉冲干扰PI建模为:
BPSK窄带干扰BPSKNBI建模为:
BPSK宽带干扰BPSKWBI建模为:
欺骗式干扰SI建模为:
5.根据权利要求1所述的基于两级神经网络的GNSS接收机组合干扰分类识别方法,其特征在于,干扰与真实信号功率比记为JSR=10lgPJ/PS,PJ为干扰的功率,PS为真实卫星信号的功率。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010276113.XA CN111399002B (zh) | 2020-04-09 | 2020-04-09 | 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 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010276113.XA CN111399002B (zh) | 2020-04-09 | 2020-04-09 | 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 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN111399002A CN111399002A (zh) | 2020-07-10 |
CN111399002B true CN111399002B (zh) | 2022-06-07 |
Family
ID=71435061
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010276113.XA Active CN111399002B (zh) | 2020-04-09 | 2020-04-09 | 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 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111399002B (zh) |
Families Citing this family (12)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20210334626A1 (en) * | 2020-04-28 | 2021-10-28 | Novatel Inc. | Gnss-receiver interference detection using deep learning |
CN112083448B (zh) * | 2020-09-04 | 2023-08-15 | 哈尔滨工程大学 | 面向卫星导航***的干扰信号分类识别特征提取方法及*** |
CN112859116B (zh) * | 2020-12-28 | 2022-11-15 | 杭州电子科技大学 | 基于主特征盲源分离的单天线gnss欺骗式干扰检测方法 |
CN113221781B (zh) * | 2021-05-20 | 2022-12-06 | 成都海擎科技有限公司 | 一种基于多任务深度卷积神经网络的载波信号检测方法 |
CN113376659B (zh) * | 2021-06-15 | 2022-05-13 | 东南大学 | 一种基于bp神经网络的gnss生成式欺骗干扰检测方法 |
CN113970762B (zh) * | 2021-09-26 | 2024-05-24 | 西安交通大学 | 一种多级干扰源定位方法及*** |
CN116125499B (zh) * | 2021-11-12 | 2024-04-09 | 北京六分科技有限公司 | 检测中频数据的方法、装置及*** |
CN114325600B (zh) * | 2021-12-22 | 2023-09-26 | 广东邦盛北斗科技股份公司 | 用于北斗导航***的抗干扰方法、***、装置及云平台 |
CN114114227B (zh) * | 2022-01-27 | 2022-05-31 | 安徽京淮健锐电子科技有限公司 | 基于双通道异构融合网络的雷达信号调制类型识别方法 |
GB2621176A (en) * | 2022-08-05 | 2024-02-07 | Ordnance Survey Ltd | Detecting jamming in OSNET using machine learning |
CN116009034B (zh) * | 2022-12-21 | 2023-11-07 | 湖南工商大学 | 卫星信号捕获方法、基带信号处理单元、接收机及介质 |
CN116482720B (zh) * | 2023-06-26 | 2023-09-05 | 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 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107238847A (zh) * | 2017-04-21 | 2017-10-10 | 中国科学院光电研究院 | 一种卫星导航干扰信号检测方法及*** |
CN109061577A (zh) * | 2018-07-05 | 2018-12-21 | 西安电子科技大学 | 一种不同类型的遮盖式干扰和欺骗式干扰的识别方法 |
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*** |
CN110826630A (zh) * | 2019-11-08 | 2020-02-21 | 哈尔滨工业大学 | 基于深度卷积神经网络的雷达干扰信号特征级融合识别方法 |
Family Cites Families (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US9651671B2 (en) * | 2014-08-14 | 2017-05-16 | Honeywell International Inc. | Interference detection using multiple automatic gain controllers |
US20180024248A1 (en) * | 2016-07-20 | 2018-01-25 | Honeywell International Inc. | Systems and methods for nequick modeling using neural networks |
-
2020
- 2020-04-09 CN CN202010276113.XA patent/CN111399002B/zh active Active
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107238847A (zh) * | 2017-04-21 | 2017-10-10 | 中国科学院光电研究院 | 一种卫星导航干扰信号检测方法及*** |
CN109061577A (zh) * | 2018-07-05 | 2018-12-21 | 西安电子科技大学 | 一种不同类型的遮盖式干扰和欺骗式干扰的识别方法 |
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*** |
CN110826630A (zh) * | 2019-11-08 | 2020-02-21 | 哈尔滨工业大学 | 基于深度卷积神经网络的雷达干扰信号特征级融合识别方法 |
Non-Patent Citations (1)
Title |
---|
基于BAS-BP神经网络的遮盖干扰信号识别;杨洁等;《西安邮电大学学报》;20190930;第24卷(第5期);正文第1-4小节,附图1-4 * |
Also Published As
Publication number | Publication date |
---|---|
CN111399002A (zh) | 2020-07-10 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
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 | |
CN109782304B (zh) | 一种信号捕获阶段的gnss欺骗干扰检测方法及*** | |
CN110231633B (zh) | 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*** | |
CN109188470B (zh) | 一种基于卷积神经网络的gnss欺骗干扰检测方法 | |
CN106125053B (zh) | 脉冲多普勒雷达极化抗干扰方法 | |
Yang et al. | Dense people counting using IR-UWB radar with a hybrid feature extraction method | |
CN104267379B (zh) | 一种基于波形设计的主被动雷达协同抗干扰方法 | |
CN102323601B (zh) | 一种gnss-boc调制信号的捕获方法 | |
CN105137396B (zh) | 一种smsp干扰和c&i干扰的检测方法 | |
CN113406671B (zh) | 一种基于c/n0-mv的gnss转发式欺骗干扰检测方法 | |
CN110231634A (zh) | 一种信号捕获阶段基于lstm的gnss欺骗干扰检测方法及*** | |
CN103954943A (zh) | 网络化雷达***抗欺骗式干扰方法 | |
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 | |
CN108983165B (zh) | 基于子站选择的多站雷达***抗欺骗式干扰方法 | |
Lu et al. | An improved sliding matched filter method for interrupted sampling repeater jamming suppression based on jamming reconstruction | |
CN107272030B (zh) | 一种基于多个gps卫星信息融合的目标探测方法 | |
CN113534067B (zh) | 一种多干扰源下多站雷达抗欺骗式干扰方法及*** | |
FR2821163A1 (fr) | Procede de detection d'objets mobiles au moyen de bouees sous-marines passives | |
CN107064903A (zh) | 一种多个异构卫星下基于glrt的目标探测方法 | |
Chen et al. | GNSS interference type recognition with fingerprint spectrum DNN method | |
Cao et al. | DNN-based peak sequence classification CFAR detection algorithm for high-resolution FMCW radar | |
Brieger et al. | Multimodal learning for reliable interference classification in GNSS signals | |
Wu et al. | Jammer classification with federated learning | |
Colone et al. | Reference-free amplitude-based WiFi passive sensing | |
Tu et al. | GNSS intermediate spoofing detection via dual‐peak in frequency domain and relative velocity residuals |
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 |