一种基于CNN-LSTM的GNSS欺骗信号检测方法技术

本发明专利技术提出了一种基于CNN

【技术实现步骤摘要】
一种基于CNN
‑
LSTM的GNSS欺骗信号检测方法


[0001]本专利技术涉及GNSS欺骗干扰信号检测领域，特别是涉及一种基于CNN
‑
LSTM的GNSS欺骗信号检测方法。

技术介绍

[0002]现如今，全球卫星导航系统(GlobalNavigationSatelliteSystem，GNSS系统)已成为人们生活中重要的基础设施，各个领域对GNSS的依赖程度越来越高，GNSS已经成为不可或缺的导航工具，能够为用户提供实时的定时、定位和其他导航信息。但出于经济效益和军事等目的，GNSS往往成为被攻击的对象。欺骗式干扰严重威胁到了GNSS系统的安全运行。因此，GNSS欺骗干扰的有效准确识别对GNSS系统的安全具有极其重要的意义。
[0003]目前信号质量检测技术SQM以及基于信号质量检测技术的改进技术被广泛应用于欺骗信号检测领域，其过程中一旦目标接收机受到欺骗信号干扰，接收机相关器输出会发生异常，早码、即时码和晚码三者相关器输出将不再满足对称性，通过检查三者相关峰畸变进行检测。
[0004]现有技术缺点：(1)SQM等传统检测技术以机理模型为主，需依靠模型计算出欺骗干扰信号存在时特征量的观测门限值；(2)传统检测技术在计算门限值的过程中需预设虚警概率进而推导监测概率，影响最终识别准确率；(3)传统检测技术针对不同类型的欺骗干扰类型时，需反复设定门限值进行计算，泛化能力不足，难以在保证精准度的前提下做到对多种欺骗干扰类型通用。由以上分析可知，以往的方法在准确度、泛化能力等方面存在问题。

技术实现思路

[0005]本专利技术的目的是：面对以往的方法在准确度方面不精准、泛化能力不强等问题，而提出了一种基于CNN
‑
LSTM的GNSS欺骗信号检测方法，使用多种不同类型的欺骗干扰信号，通过观察特征量随时间的变化趋势，实现对GNSS欺骗信号的准确识别。
[0006]本专利技术为实现上述目的所采用的技术方案是：一种基于CNN
‑
LSTM的GNSS欺骗信号检测方法，其特征在于，包括如下步骤：
[0007]步骤S1、获取原始数据源，所述原始数据源为基于TEXBAT数据库提供的包含未加入欺骗的GNSS中频数字信号及含有不同欺骗类型的GNSS中频数字信号，并通过GNSS软件接收机对各GNSS中频数字信号分别进行捕获跟踪，得到GNSS软件接收机相关器的输出值；
[0008]步骤S2、对GNSS软件接收机相关器的输出值进行计算，得到Ratio的移动均值序列即RatioMA序列；
[0009]步骤S3、对经步骤S2处理后的RatioMA序列进行选取以制作样本集；所述样本集包含若干条加入欺骗数据RatioMA序列和若干条未加入欺骗的干净数据RatioMA序列，且单条加入欺骗数据RatioMA序列和单条未加入欺骗的干净数据RatioMA序列保持样本点数相同，其中加入欺骗数据RatioMA序列的选取包含从欺骗开始至成功欺骗范围内的样本点；将加
入欺骗数据RatioMA序列和未加入欺骗的干净数据RatioMA序列采用相同的压缩方式进行压缩降维处理，对样本集中的序列逐条压缩降维处理后，最终形成带有标签的样本集，x(m)＝[x1,x2...x
m
]T
，其中x(m)表示经处理后的样本集，x
m
表示第m条压缩降维处理后的序列；
[0010]其中压缩降维处理的过程为：以一定的采样频率对样本集中序列逐条均匀采集，从而对样本集中每条序列分别进行压缩降维处理；序列采样满足x＝RatioMA
·
fs，其中x表示压缩降维处理后的序列，fs表示采样频率；
[0011]步骤S4、搭建CNN
‑
LSTM网络；将样本集分为训练集和测试集，并对训练集和测试集分别进行归一化处理，将归一化后的训练集输入到CNN
‑
LSTM网络中进行训练并生成CNN
‑
LSTM网络模型；再将归一化后的测试集输入训练好的CNN
‑
LSTM网络模型进行GNSS欺骗信号识别，输出识别结果准确率。
[0012]进一步，步骤S1具体包括：
[0013]获取原始数据源，所述原始数据源为基于TEXBAT数据库提供的包含未加入欺骗的GNSS中频数字信号及含有不同欺骗类型的GNSS中频数字信号，将CNSS中频数字信号与本地产生的载波信号经过正弦和余弦处理后的结果做乘积运算，运算结果做傅里叶变换，然后同伪码发生器产生的伪随机码的复共轭做乘法运算，乘积做傅里叶逆变换然后取模后找到最大相关峰值进行捕获；输出此时的码相位和载波多普勒频移到GNSS载波跟踪环与GNSS码跟踪环中，GNSS载波跟踪环根据捕获阶段捕获到的多普勒频移产生相应的正弦复制载波和余弦复制载波，输入的中频数字信号分别与同向支路上的正弦载波做乘法运算，与正交支路上的余弦载波做乘法运算；相乘后的信号分别与GNSS码跟踪环根据捕获阶段得到的码相位复制产生的超前码e、即时码p和滞后码l做相关运算；运算结果通过积分累加器运算，得到相应的相关积分值；其中超前和滞后支路信号输入给码鉴别器，即时码支路信号输入给载波鉴别器，GNSS码跟踪环中的即时码同接收信号的伪码保持一致，进而实现对卫星信号的持续跟踪。
[0014]进一步，步骤S2中，Ratio的移动均值表达式为：
[0015][0016]其中，RatioMA表示移动均值，t表示时刻，w表示滑动窗口长度，k表示滑动区间，n表示滑动窗口序列，i表示样本序号，Ratio(t)表示Ratio序列；
[0017][0018][0019][0020][0021]其中，I
e
(t)、I
p
(t)和I
l
(t)分别表示t时刻相关器输出的同向支路的超前、滞后和即时积分值，Q
e
(t)、Q
p
(t)和Q
l
(t)分别表示t时刻相关器输出端正交支路的超前、滞后和即时积分值。
[0022]进一步，CNN
‑
LSTM网络包括依次设置的输入层、卷积神经网络CNN、长短期记忆网络LSTM、全连接层和输出层，其中卷积神经网络CNN包括依次设置的第一卷积层、第一池化层、第二卷积层、第二池化层和第三卷积层，长短期记忆网络LSTM包括依次设置的第一长短期记忆层、第二长短期记忆层和第三长短期记忆层。
[0023]进一步，训练集占样本集总量的70％，测试集占样本集总量的30％。
[0024]通过上述设计方案，本专利技术可以带来如下有益效果：本专利技术提出了一种基于CNN
‑
LSTM的GNSS欺骗信号检测方法，通过将一段能够代表欺骗存在的样本点作为一条样本数据输入到神经网络中，根据样本数据的变化走势情况以及样本点之间的强相关性进行分析，从而对欺骗干扰信号进行检测，提高了干扰信号的识别率。通过使用含有不同欺骗类型的数据进行训练，本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于CNN
‑
LSTM的GNSS欺骗信号检测方法，其特征在于，包括如下步骤：步骤S1、获取原始数据源，所述原始数据源为基于TEXBAT数据库提供的包含未加入欺骗的GNSS中频数字信号及含有不同欺骗类型的GNSS中频数字信号，并通过GNSS软件接收机对各GNSS中频数字信号分别进行捕获跟踪，得到GNSS软件接收机相关器的输出值；步骤S2、对GNSS软件接收机相关器的输出值进行计算，得到Ratio的移动均值序列即RatioMA序列；步骤S3、对经步骤S2处理后的RatioMA序列进行选取以制作样本集；所述样本集包含若干条加入欺骗数据RatioMA序列和若干条未加入欺骗的干净数据RatioMA序列，且单条加入欺骗数据RatioMA序列和单条未加入欺骗的干净数据RatioMA序列保持样本点数相同，其中加入欺骗数据RatioMA序列的选取包含从欺骗开始至成功欺骗范围内的样本点；将加入欺骗数据RatioMA序列和未加入欺骗的干净数据RatioMA序列采用相同的压缩方式进行压缩降维处理，对样本集中的序列逐条压缩降维处理后，最终形成带有标签的样本集，x(m)＝[x1,x2...x
m
]
T
，其中x(m)表示经处理后的样本集，x
m
表示第m条压缩降维处理后的序列；其中压缩降维处理的过程为：以一定的采样频率对样本集中序列逐条均匀采集，从而对样本集中每条序列分别进行压缩降维处理；序列采样满足x＝RatioMA
·
fs，其中x表示压缩降维处理后的序列，fs表示采样频率；步骤S4、搭建CNN
‑
LSTM网络；将样本集分为训练集和测试集，并对训练集和测试集分别进行归一化处理，将归一化后的训练集输入到CNN
‑
LSTM网络中进行训练并生成CNN
‑
LSTM网络模型；再将归一化后的测试集输入训练好的CNN
‑
LSTM网络模型进行GNSS欺骗信号识别，输出识别结果准确率。2.根据权利要求1所述的基于CNN
‑
LSTM的GNSS欺骗信号检测方法，其特征在于：步骤S1具体包括：获取原始数据源，所述原始数据源为基于TEXBAT数据库提供的包含未加入欺骗的GNSS中频数字信号及含有不同欺骗类型的GNSS中频数字信号，将CNSS中频数字信号与本地产生的载波信号经过正弦和余弦处理后的结果做乘积运算，运算结果做傅...

【专利技术属性】
技术研发人员：李新波，户健，范书源，冯伟嘉，赵欣烨，冯海，崔浩，李卓，
申请(专利权)人：吉林大学，
类型：发明
国别省市：