CN116719061A - 一种基于rms滑动包络与svm的gnss诱导式欺骗检测方法 - Google Patents
一种基于rms滑动包络与svm的gnss诱导式欺骗检测方法 Download PDFInfo
- Publication number
- CN116719061A CN116719061A CN202211601205.6A CN202211601205A CN116719061A CN 116719061 A CN116719061 A CN 116719061A CN 202211601205 A CN202211601205 A CN 202211601205A CN 116719061 A CN116719061 A CN 116719061A
- Authority
- CN
- China
- Prior art keywords
- gnss
- rms
- envelope
- sliding
- svm
- 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.)
- Pending
Links
- 238000001514 detection method Methods 0.000 title claims abstract description 35
- 238000012549 training Methods 0.000 claims abstract description 23
- 238000000034 method Methods 0.000 claims abstract description 17
- 238000000513 principal component analysis Methods 0.000 claims abstract description 7
- 239000013598 vector Substances 0.000 claims description 13
- 238000004364 calculation method Methods 0.000 claims description 7
- 238000011156 evaluation Methods 0.000 claims description 5
- 230000005540 biological transmission Effects 0.000 claims description 2
- 238000012360 testing method Methods 0.000 abstract description 10
- 238000012706 support-vector machine Methods 0.000 abstract description 2
- 238000005516 engineering process Methods 0.000 description 8
- 238000012544 monitoring process Methods 0.000 description 8
- 238000010586 diagram Methods 0.000 description 6
- 238000005314 correlation function Methods 0.000 description 3
- 238000005457 optimization Methods 0.000 description 3
- 238000007781 pre-processing Methods 0.000 description 3
- 238000012545 processing Methods 0.000 description 3
- 238000011161 development Methods 0.000 description 2
- 238000013507 mapping Methods 0.000 description 2
- 238000005070 sampling Methods 0.000 description 2
- 238000000926 separation method Methods 0.000 description 2
- 230000001427 coherent effect Effects 0.000 description 1
- 238000007405 data analysis Methods 0.000 description 1
- 230000004927 fusion Effects 0.000 description 1
- 230000010354 integration Effects 0.000 description 1
- 238000012804 iterative process Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000010606 normalization Methods 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 238000000638 solvent extraction Methods 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 230000001360 synchronised effect Effects 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
-
- 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)
- Computer Networks & Wireless Communication (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Position Fixing By Use Of Radio Waves (AREA)
Abstract
本发明公开了一种基于RMS滑动包络与SVM的GNSS诱导式欺骗检测方法,首先使用软件接收机从GNSS中频信号中捕获和跟踪可见卫星,以ELP跟踪环路的IQ数据、载噪比C/N0、多普勒频移作为原特征;然后设定窗长并计算原特征的极值点后用三次样条插值法对极大值点和极小值点进行插值,以获得原始特征的上下包络曲线;计算包络曲线的滑动均方根作为处理后的新特征;对新特征进行归一化后,使用主成分分析进行特征降维;最后,将特征划分为训练集和测试集,训练支持向量机后输入测试样本得到最分类结果。本发明减少了数据冗余度和运算时间,容易实现且复杂度低,对接收机要求不高,大大减少接收机的设备成本,应用场景更广泛。
Description
技术领域
本发明涉及卫星导航干扰检测技术领域,尤其涉及一种基于RMS滑动包络与SVM的GNSS诱导式欺骗检测方法。
背景技术
全球卫星定位***(GNSS)自1994年以来已为民用、商用和军用用户提供位置、速度和时间(PVT)信息,各主要大国都在大力发展各自的GNSS***,中国的北斗BDS,美国的GPS,欧洲的Galileo,以及俄罗斯的GLONASS并称当今世界四大GNSS***,在全球定位***进入商业和民用市场后,关键基础设施的许多组成部分和广泛使用的应用开始依赖于PVT信息的持续可用性,一旦全球导航卫星***突然关闭或受到干扰导致提供错误的时间位置信息,将对全球各个行业产生重大影响甚至毁灭打击。
无论是电磁环境的日益复杂还是国际形式的剧烈变化都对卫星导航安全应用提出了严峻的挑战,在民用GNSS***中,导航信号经过长距离传输后功率十分微弱,并且由于信号结构是公开的因而容易遭受欺骗干扰。随着科学技术的发展,集成电子技术、传感器技术、无线电技术的发展,欺骗干扰变得越来越容易实现,且成本更低、操作更灵活,所以必须对导航欺骗进行检测、削弱或消除。其中,欺骗检测是关键,只有将卫星导航欺骗正确地检测出来,才能进一步进行减弱或消除,或者更进一步地将欺骗源的位置确定出来,以便将欺骗源清除掉。
近年来,国内外针对GNSS欺骗检测提出了不少的解决方案,包括有绝对功率监测、相对功率监测、多相关峰检测法、信号波达角检测法、时间一致性检测、自主完整性检测(RAIM)、导航和时间信息融合检测等多种方法。绝对功率监测欺骗式干扰检测技术是通过对接收机接收到的信号功率设置一个阈值,当检测到接收信号功率超过设定阈值时,就可确认该信号是欺骗信号,但这一方法会因为天线类型、天线姿态、多径影响等因素导致判决出现误警。信号波达角监测的原理是基于假设欺骗干扰源为单天线干扰源,发射的欺骗信号在接收机天线的方向角是相同的。通过对到达角的监测,便可以使用接收机的多个天线来实施对接收到的卫星导航信号的到达角进行检测,判断到达角是否相同来识别欺骗干扰。时间一致性监测的基本原理是:大多数欺骗信号所携带的信息和真实信号的时间并不能同步,而欺骗设备会给被欺骗接收机带来一定的多普勒频移,那么通过本地高稳定性和高准确性时钟,监测这个频移量,同时比较观测时间和卫星信号星历时间的时差,该方法主要是针对产生式欺骗干扰提出的。接收机自主完整性监测(RAIM)的基本原理对接收到的卫星信号采用抽样检测的方法实现欺骗检测,接收机确定自身位置至少需要4颗卫星信号,则在接收到的所有信号中多次随机的抽出4颗卫星信号,解算接收机位置,通过多次解算位置的比较,判断信号中是否存在欺骗干扰,该方法要求至少要收到5颗卫星信号。
以上方法和技术通过布置额外的硬件设备以获得不错的检测性能,但增加了经济成本或实现难度,对于中微小企业来说根本不可实现,故难以普及,而基于信息解算的欺骗式干扰检测技术是利用算法对接收机获取数据分析处理后进行判断,无需改变卫星导航信号体制和安装额外设备,是目前欺骗式干扰检测技术的研究重点。
发明内容
基于背景技术存在的技术问题,本发明提出了一种基于RMS滑动包络与SVM的GNSS诱导式欺骗检测方法。
本发明提出的一种基于RMS滑动包络与SVM的GNSS诱导式欺骗检测方法,包括如下步骤:
步骤1:使用GNSS软件接收机从射频前端接收的GNSS中频信号中捕获可见卫星,对捕获的可见卫星进行跟踪,以跟踪阶段的超前、即时、滞后环路的IQ支路输出为基础计算SQM特征以及载噪比C/N0,同时估计多普勒频移,将计算得到的5个特征作为原始特征;
步骤2:对步骤1中的5个特征计算滑动RMS包络后,使用均值方差归一化特征、主成分分析降维,将处理后的数据作为新特征的训练数据;
步骤3:通过步骤2获得的训练数据对支持向量机SVM分类器进行训练,训练完毕后,获得训练好的SVM模型;通过所述训练好的SVM模型能够判断是否存在欺骗信号;使用预测标签与真实标签进行比对,计算各项评估指标,并调整参数使模型性能达到最优;
步骤4:通过步骤3训练好的SVM模型对GNSS接收机接收的信号进行检测,完成在信号捕获和跟踪基于RMS包络和SVM的GNSS欺骗干扰检测。
本发明检测步骤如下:
(1)处理并保存射频前端接收的GNSS中频信号;
(2)使用GNSS软件接收机从中捕获可见卫星;
(3)跟踪并计算第j颗可见卫星的SQM特征:包括Ratio、Delta和ELP:
(3.1)计算跟踪环路的超前、即时、滞后环路的同相和正交支路输出,表示为IE、IP、IL和QE、QP、QL:
(3.2)计算第j颗卫星的SQM特征:
其中,IE、IP、IL分别为超前、即时、滞后码相关支路输出的同相分量,QE、QP、QL分别为超前、即时、滞后码相关支路输出的正交分量。
(4)估计第j颗卫星的载波-噪声比C/N0:
(4.1)根据步骤(3.1)中计算的同相和正交支路输出计算宽带功率与窄带功率的平均归一化值:
其中,K为相关器个数,T为导航数据的比特持续时间,M为相关积分器输出的个数。
(4.2)C/N0可根据宽带功率与窄带功率的平均归一化值进行估计:
(5)估计第j颗卫星的多普勒频移:
其中,fs为卫星发射的载波频率,Vs为卫星的切向速度,C为信号的传播速度,A为用户至卫星的矢径与其切向速矢的夹角。
(6)计算步骤(3)-步骤(5)中获得的第j颗卫星的原特征的RMS滑动包络,包括Ratio、Delta、ELP、C/N0和fd:
(6.1)求出所有原特征的极大值点,记为Im;
(6.2)对Im中的极大值点集合进行插值得到上包络曲线;
(6.3)求出所有原特征的极小值点,记为In;
(6.4)对In中的极小值点集合进行插值得到下包络曲线;
(6.5)滑动窗口的长度w和滑动步长μ;
(6.6)计算步骤(6.2)和(6.4)中包络曲线的滑动RMS。输入离散序列X(k)滑动RMS计算公式为:
(7)重复步骤(3)-(6),直到步骤(2)中所有捕获的可见卫星的滑动RMS包络被计算;
(8)将步骤(7)中所有处理数据作为新特征,并进行预处理:
(8.1)使用均值方差对数据进行归一化预处理:
(8.2)使用主成分分析对归一化数据进行特征选择,以降低数据维度同时保证数据信息不丢失,以及检查组合特征的质量。重新投影可以表示如下:
其中,aij为常数,n为投影空间的维度,bij为迭代过程中的一组常数,不断迭代直至重投影特征与原特征的误差最小,PCi为原特征的线性组合:
(9)设定SVM的参数并划分数据集。
(9.1)支持向量机通过将原始训练数据映射到多维空间的方式构建超平面用于分类,被建立起的超平面将对不同的类别进行划分。在SVM参数设定中,C是惩罚系数,理解为调节优化方向中两个指标(间隔大小,分类准确度)偏好的权重,即对误差的宽容度,C越高,说明越不能容忍出现误差,容易过拟合,C越小,容易欠拟合,C过大或过小,泛化能力变差。将C设为0.98;
(9.2)选择RBF函数作为kernel;
(9.3)gamma为选择RBF函数作为kernel后,该函数自带的一个参数,隐含地决定了数据映射到新的特征空间后的分布,gamma越大,支持向量越少,gamma值越小,支持向量越多,支持向量的个数影响训练与预测的速度,将gamma设为0.2;
(9.4)划分数据集时,70%作为训练数据,其余30%作为测试数据。
(10)训练与评估模型。
(10.1)根据步骤(9)设置参数和划分数据集后,在训练集上训练SVM;
(10.2)随后在测试集上评估模型。输入测试样本后,SVM输出预测标签1或-1,其中1表示假设H1,即被检测样本为欺骗GSNN信号;-1表示假设H0,即被检测样本为正常信号,未受到GNSS欺骗攻击。
本发明中,所述一种基于RMS滑动包络与SVM的GNSS诱导式欺骗检测方法,将信号包络的RMS和机器学习算法应用于GNSS欺骗检测,是一种基于SQM技术和信号波形观测值的欺骗检测方法,相比于传统的SQM检测方法,本发明通过提取上下包络减少了数据的冗余度,使得欺骗信号和真实信号的数据分布更为离散,故检测率得到很大的提升,使用更少的特征和更少的计算时间,达到了更好的检测性能。
附图说明
图1为本发明的实施示例流程图;
图2为卫星导航***诱导式欺骗干扰与检测模型示意图;
图3为导航卫星软件接收机基于FFT算法捕获过程的相关峰搜索结果示意图;
图4为跟踪环路的框架及IQ数据获取示意图;
图5为可见卫星GPS-03的真实ELP信号和欺骗ELP信号的以及数据分布情况;
图6为不同窗长下GPS-03的真实ELP信号和欺骗ELP信号的以及数据分布情况;
图7为不同窗长下GNSS欺骗检测的ROC曲线;
图8为不同窗长下GNSS欺骗检测的F1得分和耗时统计情况;
图9为不同欺骗场景下检测的混淆矩阵图示。
具体实施方式
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,所描述的实施例仅仅是本发明一部分实施例,而不是全部的实施例。
参照图1-9,一种基于RMS滑动包络与SVM的GNSS诱导式欺骗检测方法,包括如下步骤:
1、处理并保存射频前端接收的GNSS中频信号,并使用GNSS软件接收机从中捕获可见卫星,并保存结果数据;
步骤1具体包括:
1.1GNSS信号经过空间传播入射到用户的GNSS接收天线上,经衰减和热噪声干扰后幅度大大削弱,频率太高,射频前端利用放大器、下变频器、带通滤波器和自身振荡器的组合,使信号具有更高幅度、更低频率、更小带宽。第k号卫星的前端输出为:
其中,P,τ,分别表示功率、时延和载波相位,Ts是采样间隔,C、D分别为时刻nTs对应的扩展码序列和导航数据序列,ζ(nTs)是零均值和方差为σ2的加性高斯白噪声,k为卫星的PRN编号,f是前端将载波频率下变频至的中频频率;
由于欺骗干扰的信号结构是仿照GPS真实信号产生的,故接收机收到的欺骗信号为:
其中,上标a,s分别表示真实信号与欺骗信号,当接收机受到欺骗时,接收信号是来自多颗卫星的信号组合:
其中,γa和γs分别为真实信号和欺骗信号的PRN集合;
本地码和接收到的混合卫星信号的互相关函数可以通过载波剥离和1ms的相干积分得到,表示为:
R(τ)=Ra(τ)+Rs(τ)+ζ′t,τ)
其中,Ra(·)表示真实卫星信号与本地码的互相关函数;Rs(·)表示欺骗信号与本地码的互相关函数;ζ’(t,τ)表示滤波后的高斯白噪声以及其他卫星信号和本地码之间的互相关结果;
1.2接收机必须知道哪些卫星是用户可见的,因此需对卫星信号进行捕获,捕获阶段主要关注频率和码相位,对信号功率的相关峰进行最大值搜索,当最大值超过设定的阈值,则以相应的频率和相位捕获卫星并保持跟踪,跟踪环路的框图如图4所示,跟踪过程的超前、即时、滞后码相关支路输出的同相、正交分量可表示为:
其中,d为相关器间隔,τ为时间延迟,θ0为初始相位,θ1为相位延迟;
2、计算原特征。原特征包括CN0、多普勒频移和根据ELP跟踪环路的IQ支路输出计算的SQM特征;
步骤2具体包括:
2.1计算载波噪声比,载波噪声密度比(C/N0)估计是根据信号的宽带功率与其窄带功率之比,用于测量获得的GNSS信号的质量:
其中,T为导航数据的比特持续时间,M为相关积分器输出的个数,μNP为宽带功率与窄带功率之比的平均归一化值,计算公式为:
式中:K为相关器个数;
2.2SQM特征计算,SQM监测常用的统计指标有Ratio、Delta、ELP,具体公式有:
其中,IE、IP、IL分别为超前、即时、滞后码相关支路输出的同相分量,QE、QP、QL分别为超前、即时、滞后码相关支路输出的正交分量。
3、计算原特征的极值点,设X(t)为离散序列,且满足:
X(t)∈[x(t1),x(t2),...,x(tn)]=[x1,x2,…,xn],
t∈[t(1),t(2),…,t(n)]=[t1,t2,…,tn]
X(t)有M个极大值和N个极小值,对应的序列下标(Im,In)、间(Tm,Tn)和函数值(U,V)记为:
Im=[Im(1),Im(2),…,Im(M)]
In=[In(1),In(2),…,In(N)]
4、使用三次样条插值法对极值点进行插值,计算特征包络曲线的滑动RMS;
步骤4具体包括:
4.1利用三次样条插值函数yi=f(xi)对各个分段区间[ti,ti+1]进行插值,求不包括端点在内的所有极小值点In构成的插值区间的下包络曲线,由这些分段插值曲线构成的下包络曲线是不包括左右端点在内的下包络曲线,同理,对所有极大值点差值得到上包络线;
4.2设定窗长,窗长决定了滑动窗口的样本点数,对后续整个包络的平滑性和数据分布具有重要影响。窗长的根据样本长度设定。
4.3计算包络的滑动RMS,计算公式为:
其中,w为窗长,μ为滑动步长。
图5展示了导航卫星GPS-03的SQM特征ELP的原数据和滑动RMS包络数据。
5、数据预处理和制作数据集。
步骤5主要包括:
5.1数据标准化,取滑动RMS包络后使用下式对特征进行标准化:
其中,表示第k颗捕获卫星的第i个特征值的期望,/>表示第k颗捕获卫星的第i个特征值的标准差。
5.2特征降维,主成分分析(PCA)是一种降低数据集维数的技术。基本方法是从原始空间到另一个空间/>的线性投影,该投影可以用下面的等式表示:
其中,aij为常数,PCi为原特征的线性组合,n为投影空间的维度。
主成分分析使用重投影来检查组合特征的质量,重新投影可以表示如下:
其中,bij为迭代过程中的一组常数,不断迭代直至重投影特征与原特征的误差最小;
5.3数据集划分,为了训练和评估SVM分类器,将数据集中的70%用于训练,30%用于评估训练好的分类器。
6、训练和测试SVM分类器。
步骤6主要包括:
6.1训练SVM分类器,通过将原始训练数据映射到多维空间的方式构建超平面用于分类,被建立起的超平面将对不同的类别进行划分,支持向量之间距离最大的超平面被设定为最终用于分类的超平面,与超平面之间距离最近的数据点被称为“支持向量”,因此,为了能够以最小的分类误差进行分类,我们的目标是最大化边缘数据点与超平面之间的距离,为了找到最优超平面,可以定义超平面为:
wTx+b=0
其中,wT是超平面的法向量,包含不同数据点的权值,X为定义超平面的样本点,b为偏置常数。
数据集由向量z=z1,z2,…,zm和对应标签yi∈[-1,1]组成,其中yi=1为正样本,yi=-1为负样本,进一步地,定义决策边界,该边界应将所有的点正确划分为:
在使所有z=z1,z2,…,zm数据分离的超平面中,仅存在一个能使两类样本的分离裕度达到最优超平面,通过优化可找到最优解:
6.2在SVM参数设定中,C是惩罚系数,理解为调节优化方向中两个指标(间隔大小,分类准确度)偏好的权重,即对误差的宽容度,C越高,说明越不能容忍出现误差,容易过拟合,C越小,容易欠拟合,C过大或过小,泛化能力变差。将C设为0.98;
6.3选择RBF函数作为kernel;
6.4 gamma为选择RBF函数作为kernel后,该函数自带的一个参数,隐含地决定了数据映射到新的特征空间后的分布,gamma越大,支持向量越少,gamma值越小,支持向量越多。支持向量的个数影响训练与预测的速度。将gamma设为0.2。
7、评估SVM分类器。
7.1训练好SVM分类器后,在测试样本集上进行评估,首先确定评估指标。评估的指标包括ROC(Receiver operating characteristic curve)曲线下面积AUC(Area UnderCurve)、准确率(accuracy)、查准率(precision)、查全率(recall)、F1得分。其中,AUC被定义为ROC曲线下与坐标轴围成的面积,这个面积的数值不会大于1,AUC越接近1.0,检测方法真实性越高;低于0.5时,则真实性最低,无应用价值;准确率是正确归类的样本数占总样本数的比例,表征总体准确率,当样本不平衡时失效;查准率是正确归类为正样本的样本数占所有归类为正样本数的比值,仅表征正样本的查准程度;查全率为正确预测为正样本的数量占所有正样本的比值,表征欺骗不被漏检的概率;F1得分同时衡量查全率和查准率。上述指标的计算方式为:
7.2输入测试样本,模型输出预测标签,SVM输出预测标签1或-1,其中1表示假设H1,即被检测样本为欺骗GSNN信号;-1表示假设H0,即被检测样本为正常信号,未受到GNSS欺骗攻击。
7.3将上述步骤中的预测标签y_pred与真实标签y_true进行对比,得到正确分类和错误分类的样本数量,即TP、TN、FP、FN,代入步骤(7.1)中的公式求解各项指标。
7.4对上述步骤中各项指标进行评估,并调整步骤(6.2)-(6.4)中的参数设置,重新实施步骤(7.1)-(7.3)直至模型训练到最佳状态。
8、对实时样本进行测试。确定训练好的模型能在测试集上达到较好的性能后,对实时接收的样本行进测试,以实时检测GNSS欺骗干扰。
以上所述,仅为本发明较佳的具体实施方式,但本发明的保护范围并不局限于此,任何熟悉本技术领域的技术人员在本发明揭露的技术范围内,根据本发明的技术方案及其发明构思加以等同替换或改变,都应涵盖在本发明的保护范围之内。
Claims (8)
1.一种基于RMS滑动包络与SVM的GNSS诱导式欺骗检测方法,其特征在于,包括如下步骤:
步骤1:使用GNSS软件接收机从射频前端接收的GNSS中频信号中捕获可见卫星,对捕获的可见卫星进行跟踪,以跟踪阶段的超前、即时、滞后环路的IQ支路输出为基础计算SQM特征以及载噪比C/N0,同时估计多普勒频移,将计算得到的5个特征作为原始特征;
步骤2:对步骤1中的5个特征计算滑动RMS包络后,使用均值方差归一化特征、主成分分析降维,将处理后的数据作为新特征的训练数据;
步骤3:通过步骤2获得的训练数据对支持向量机SVM分类器进行训练,训练完毕后,获得训练好的SVM模型;通过所述训练好的SVM模型能够判断是否存在欺骗信号;使用预测标签与真实标签进行比对,计算各项评估指标,并调整参数使模型性能达到最优;
步骤4:通过步骤3训练好的SVM模型对GNSS接收机接收的信号进行检测,完成在信号捕获和跟踪基于RMS包络和SVM的GNSS欺骗干扰检测。
2.根据权利要求1所述的一种基于RMS滑动包络与SVM的GNSS诱导式欺骗检测方法,其特征在于,所述步骤2中,RMS滑动包络的计算方式为:求出所有原特征的极值点,其中极大值点集记为Im,极小值点集记为In,极大值点表示在某个区间内,原特征变化的最大边界,极小值表征在某个期间内,原特征变化的最小边界。
3.根据权利要求1所述的一种基于RMS滑动包络与SVM的GNSS诱导式欺骗检测方法,其特征在于,所述步骤2中,RMS滑动包络的计算方式为:对极值点集的分区间进行插值,遍历完整个集合后可得到原特征的上、下包络曲线。
4.根据权利要求1所述的一种基于RMS滑动包络与SVM的GNSS诱导式欺骗检测方法,其特征在于,所述步骤2中,RMS滑动包络X的滑动RMS值:
其中,w为滑动窗口的长度,μ为滑动步长,γ(i)为第i个窗口的均方根。
5.根据权利要求4所述的一种基于RMS滑动包络与SVM的GNSS诱导式欺骗检测方法,其特征在于,所述滑动窗口的长度w决定了包络的平坦性和数据的冗余度,滑动窗口的长度不超过原特征样本长度的20%。
6.根据权利要求1所述的一种基于RMS滑动包络与SVM的GNSS诱导式欺骗检测方法,其特征在于,所述步骤1中,提取的特征参数F=[Ratio,Delta,ELP,C/N0,fD],计算方式为:
其中,IE、IP、IL分别为超前、即时、滞后码相关支路输出的同相分量,QE、QP、QL分别为超前、即时、滞后码相关支路输出的正交分量;K为相关器个数,T为导航数据的比特持续时间,M为相关积分器输出的个数;fs为卫星发射的载波频率,Vs为卫星的切向速度,C为信号的传播速度,A为用户至卫星的矢径与其切向速矢的夹角。
7.根据权利要求1所述的一种基于RMS滑动包络与SVM的GNSS诱导式欺骗检测方法,其特征在于,所述步骤3中,如果存在欺骗信号,SVM输出预测标签为1,否则输出预测标签为-1,分别对应二值假设H0和H1。
8.根据权利要求7所述的一种基于RMS滑动包络与SVM的GNSS诱导式欺骗检测方法,其特征在于,所述的二值假设,是指下式所表述的GNSS卫星欺骗信号存在与否的假设:
H0:
H1:
其中,T为检测统计量,ζ为信道噪声,上标a和s分别表示真实信号和欺骗信号,下标k表示第k颗卫星。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211601205.6A CN116719061A (zh) | 2022-12-13 | 2022-12-13 | 一种基于rms滑动包络与svm的gnss诱导式欺骗检测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211601205.6A CN116719061A (zh) | 2022-12-13 | 2022-12-13 | 一种基于rms滑动包络与svm的gnss诱导式欺骗检测方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN116719061A true CN116719061A (zh) | 2023-09-08 |
Family
ID=87872087
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202211601205.6A Pending CN116719061A (zh) | 2022-12-13 | 2022-12-13 | 一种基于rms滑动包络与svm的gnss诱导式欺骗检测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116719061A (zh) |
-
2022
- 2022-12-13 CN CN202211601205.6A patent/CN116719061A/zh active Pending
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 | |
CN106443598B (zh) | 基于卷积神经网络的雷达网协同航迹欺骗干扰鉴别方法 | |
US20050192768A1 (en) | System and method for improving the precision of localization estimates | |
US20220357460A1 (en) | System and method for global navigation satellite system (gnss) spoofing detection | |
CN113406671B (zh) | 一种基于c/n0-mv的gnss转发式欺骗干扰检测方法 | |
Aissou et al. | Instance-based supervised machine learning models for detecting GPS spoofing attacks on UAS | |
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 | |
CN115494526A (zh) | 一种gnss欺骗干扰检测方法、装置、电子设备及存储介质 | |
CN106100769B (zh) | 一种多个不同体制卫星下微弱回波信号联合检测方法 | |
Zhuang et al. | Detection and classification of GNSS signal distortions based on quadratic discriminant analysis | |
CN115616619A (zh) | 一种基于多参数的gnss欺骗干扰检测方法 | |
EP1682923B1 (fr) | Procede de localisation d un ou de plusieurs emetteurs | |
CN113359158A (zh) | 一种基于svm的gnss生成式欺骗干扰检测方法 | |
CN112526563B (zh) | 一种gnss信号质量监测方法及*** | |
CN105652256B (zh) | 一种基于极化信息的高频地波雷达tbd方法 | |
CN117148385A (zh) | 一种基于改进Delta-ELP的复合欺骗干扰检测方法 | |
CN116719061A (zh) | 一种基于rms滑动包络与svm的gnss诱导式欺骗检测方法 | |
CN108718223B (zh) | 一种非合作信号的盲频谱感知方法 | |
Ziedan | Optimized position estimation in mobile multipath environments using machine learning | |
Jiang et al. | Satellite spoofing identification method based on radio frequency feature extraction | |
Sarpanah et al. | GPS receivers spoofing detection based on subtractive, FCM and DBScan clustering algorithms | |
CN112698367A (zh) | 一种卫星导航接收机的抗转发式干扰处理方法 | |
CN113031013A (zh) | 一种星载gnss-r海冰边界探测方法及*** | |
Lang et al. | A robust signal driven method for GNSS signals interference detection |
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 |