一种信号捕获阶段的GNSS欺骗干扰检测方法及系统.pdf

(19)中华人民共和国国家知识产权局(12)发明专利申请(10)申请公布号CN109782304A(43)申请公布日2019.05.21(21)申请号201910087648.X(22)申请日2019.01.29(71)申请人西安交通大学地址710049陕西省西安市咸宁西路28号(72)发明人张国梅孟伟李国兵吕刚明(74)专利代理机构西安通大专利代理有限责任公司61200代理人徐文权(51)Int.Cl.G01S19/21(2010.01)权利要求书2页说明书8页附图8页(54)发明名称一种信号捕获阶段的GNSS欺骗干扰检测方法及系统(57)摘要本发明公开了一种信号捕获阶段的GNSS欺骗干扰检测方法及系统，包括以下步骤：步骤1，在信号捕获阶段，提取接收机产生的预设数量的以多普勒频移和码相位为轴的二维搜索数组的特征参数，获得样本数据；步骤2，通过步骤1获得的样本数据中的训练数据训练预构建的分类神经网络模型，获得训练好的分类神经网络模型；步骤3，将待检测GNSS信号输入步骤2获得的训练好的分类神经网络模型中，通过分类神经网络模型输出检测结果。本发明的检测方法集合了信号功率、相关峰数量和相关峰畸形参数统一进行检测，具有检测性能好、适用性强、时机靠前以及复杂度较低的优点。CN109782304ACN109782304A权利要求书1/2页1.一种信号捕获阶段的GNSS欺骗干扰检测方法，其特征在于，包括以下步骤：步骤1，针对GNSS接收机接收信号中仅存在真实的卫星导航信号以及GNSS接收机接收信号中同时存在卫星导航真实信号和欺骗信号两种场景，对接收机在信号捕获阶段获得的预设数量的以多普勒频移和伪码相位为轴的二维搜索数组进行特征参数提取，获得训练样本数据；每个二维搜索数组提取获得的特征参数均包括全局统计量x1、峰值2码片内统计量x2、全局峰值x3、达到捕获门限的相关峰数量x4、多普勒频移轴中心对称差值累加和x5以及伪码相位轴中心对称差值累加和x6；样本数据包括训练数据；步骤2，通过步骤1获得的样本数据中的训练数据训练预构建的分类神经网络模型，训练达到预设收敛条件后，获得训练好的分类神经网络模型；步骤3，将待检测GNSS信号输入步骤2获得的训练好的分类神经网络模型中，通过分类神经网络模型输出检测结果。2.根据权利要求1所述的一种信号捕获阶段的GNSS欺骗干扰检测方法，其特征在于，步骤1中，将接收机产生的以多普勒频移和伪码相位为轴的二维搜索数组用矩阵A表示，则：x1＝∑A；其中Z表示矩阵A中，峰值±2码片±2kHz内的区域；x3＝max(A)；x4＝num(A>λacq)，其中λacq为接收机捕获门限；其中Af为矩阵A在多普勒频移轴上的投影矢量，Nf＝2/ΔfD为2kHz内的点数，mp为最大相关峰在多普勒频移轴上的坐标；其中Ac为矩阵A在伪码相位轴上的投影矢量，Nc＝2/ΔTc为2码片内的点数，np为最大相关峰在伪码相位轴上的坐标。3.根据权利要求1所述的一种信号捕获阶段的GNSS欺骗干扰检测方法，其特征在于，步骤2中，所用的分类神经网络模型为MLP神经网络模型。4.根据权利要求3所述的一种信号捕获阶段的GNSS欺骗干扰检测方法，其特征在于，MLP神经网络的处理过程如下：(1)网络初始化：初始化输入层与隐藏层之间权值Wh和隐藏层与输出层之间权值Wo，隐藏层偏置bh和输出层偏置bo，学习效率η和隐藏层激活函数f(.)；(2)隐藏层输出计算：H＝f(WhX+bh)，其中H为隐藏层输出，X为输入数据；(3)输出层输出计算：O＝HWo+bo，其中O为输出层输出；(4)损失计算：其中E为预测误差，Y为数据标签；(5)参数更新：每输入一组数据，前向传播、损失计算、反向传播以及参数更新的过程为一次迭代。5.根据权利要求3所述的一种信号捕获阶段的GNSS欺骗干扰检测方法，其特征在于，所2CN109782304A权利要求书2/2页用MLP神经网络模型中，隐藏节点数在输入层的2～10倍之间。6.根据权利要求1所述的一种信号捕获阶段的GNSS欺骗干扰检测方法，其特征在于，步骤1中，场景H0：GNSS接收机接收信号中仅存在真实的卫星导航信号；场景H1：GNSS接收机接收信号中同时存在卫星导航真实信号和欺骗信号；两种场景数据各占50％；其中，场景H1的数据再按照欺骗信号和真实信号的伪码相位差ΔT区分，ΔT取值区间为0至2码片，步长0.1码片；取两种场景及对应各类数据的80％作为训练数据。7.根据权利要求1所述的一种信号捕获阶段的GNSS欺骗干扰检测方法，其特征在于，接收机采样频率越高，使用中频数据时长越大，检测效果越好。8.一种信号捕获阶段的GNSS欺骗干扰检测系统，其特征在于，包括：训练数据获取模块，用于针对GNSS接收机接收信号中仅存在真实的卫星导航信号以及GNSS