基于人工智能的GPS信号管理方法及系统技术方案

技术编号：40288851 阅读：7 留言：0更新日期：2024-02-07 20:40

本发明专利技术公开了基于人工智能的GPS信号管理方法及系统，方法包括信号采集、数据预处理、特征提取、欺骗检测和信号管理。本发明专利技术属于信号处理技术领域，具体是指基于人工智能的GPS信号管理方法及系统，本方案采用合成少数类过采样技术，通过合成欺骗样本，缓解数据集不平衡问题，增加样本数量，提高模型泛化能力；采用结合主成分分析的一维卷积层进行特征提取，减少了冗余信息和噪声，能够自动学习数据特征，使得模型具有更强的适应性；采用长短期记忆网络进行欺骗检测，能够更好地学习数据潜在分布，从而提高对新型欺骗行为的检测能力。

全部详细技术资料下载

【技术实现步骤摘要】

本专利技术属于信号处理，具体是指基于人工智能的gps信号管理方法及系统。

技术介绍

1、gps信号管理在交通运输、军事防务和金融业等领域有广泛运用，它旨在提高gps信号的准确性和可靠性、保护用户免受恶意干扰和欺骗、保障公共安全，对智能交通和自动驾驶技术的发展有促进作用。

2、但在现有的gps信号管理过程中，存在gps信号欺骗数据样本匮乏，导致数据集不平衡，从而影响模型性能的技术问题；存在由于gps信号环境复杂，易夹带噪声，从而导致模型准确性和鲁棒性低的技术问题；存在欺骗技术不断变化，缺乏一种适应新型欺骗行为的欺骗检测方法的技术问题。

技术实现思路

1、针对上述情况，为克服现有技术的缺陷，本专利技术提供了基于人工智能的gps信号管理方法及系统，针对在gps信号管理过程中，存在gps信号欺骗数据样本匮乏，导致数据集不平衡，从而影响模型性能的技术问题，本方案采用合成少数类过采样技术，通过合成欺骗样本，缓解数据集不平衡问题，增加样本数量，提高模型泛化能力；针对在gps信号管理过程中，存在由于gps信号环境复杂，易夹带噪声，从而导致模型准确性和鲁棒性低的技术问题，本方案采用结合主成分分析的一维卷积层进行特征提取，减少了冗余信息和噪声，能够自动学习数据特征，使得模型具有更强的适应性；针对在gps信号管理过程中，存在欺骗技术不断变化，缺乏一种适应新型欺骗行为的欺骗检测方法的技术问题，本方案采用长短期记忆网络进行欺骗检测，能够更好地学习数据潜在分布，从而提高对新型欺骗行为的检测能力。</p>

2、本专利技术采取的技术方案如下：本专利技术提供的基于人工智能的gps信号管理方法，该方法包括以下步骤：

3、步骤s1：信号采集，具体为通过gps接收器获取原始信号数据sig1；

4、步骤s2：数据预处理，具体为通过信号标签标注，得到原始信号标签，通过对原始信号数据sig1进行冗余值清除、数据增强、标准化处理操作，得到信号标准数据sig4；

5、步骤s3：特征提取，具体为采用主成分分析法，对信号标准数据sig4进行数据降维，得到降维特征矩阵iv，采用一维卷积层对降维特征矩阵iv进行特征提取，得到信号特征；

6、步骤s4：欺骗检测，具体为采用长短期记忆网络进行欺骗检测，通过构建输入门、遗忘门、输出门和细胞状态，进行模型训练，得到欺骗检测模型model1，采用欺骗检测模型model1进行欺骗检测，得到gps信号欺骗检测信息；

7、步骤s5：信号管理。

8、作为本方案的进一步改进，在步骤s1中，所述原始信号数据sig1包括伪随机噪声码、载波信号、导航消息、信号强度和噪声信息。

9、作为本方案的进一步改进，在步骤s2中，所述数据预处理，包括以下步骤：

10、步骤s21：信号标签标注，具体为对原始信号数据sig1进行标签标注，得到原始信号标签，所述原始信号标签包括欺骗信号和正常信号；

11、步骤s22：对原始信号数据sig1进行冗余值清除，得到冗余清除数据sig2；

12、步骤s23：采用合成少数类过采样技术，对冗余清除数据sig2进行数据增强，包括以下步骤：

13、步骤s231：获取冗余清除数据sig2，计算公式为：

14、sig2＝{si1,si2,si3,…,sin}；

15、式中，sig2是冗余清除数据，si1是第1个冗余清除数据样本，n是冗余清除数据样本数量；

16、步骤s232：从欺骗信号的冗余清除数据样本集sg中选取一个欺骗信号的冗余清除数据样本sir；

17、步骤s233：通过k近邻算法函数，计算得到最近邻样本，计算公式为：

18、gn(sir)＝k-nearestneighbors(sir,sg)；

19、式中，gn(sir)是最近邻样本，sir是欺骗信号的冗余清除数据样本，sg是欺骗信号的冗余清除数据样本集，k-nearestneighbors()是k近邻算法函数，所述k近邻算法函数用于计算欺骗信号的冗余清除数据样本sir在欺骗信号的冗余清除数据样本集sg中的k个最近邻样本；

20、步骤s234：依据最近邻样本gn(sir)和欺骗信号的冗余清除数据样本sir，生成合成样本，计算公式为：

21、si′r＝sir+rand(0,1)×(gn(sir)-sir)；

22、式中，si'r是合成样本，rand(0，1)是范围在(0，1)区间的随机权重；

23、步骤s235：过滤合成样本，具体为判断合成样本是否落在正常信号的冗余清除数据样本的凸包区域内，如果不是，则将所述合成样本加入合成样本集；

24、步骤s236：通过重复步骤s232及其后续步骤，计算每个欺骗信号的冗余清除数据样本的合成样本，得到合成样本集；

25、步骤s237：将合成样本集并入冗余清除数据sig2，得到信号平衡数据sig3；

26、步骤s24：通过z分数标准化，将信号平衡数据sig3进行标准化处理，得到信号标准数据sig4。

27、作为本方案的进一步改进，在步骤s3中，所述特征提取，具体为采用一维卷积层进行特征提取，包括以下步骤：

28、步骤s31：采用主成分分析法，对信号标准数据sig4进行数据降维，包括以下步骤：

29、步骤s311：计算信号标准数据sig4的均值，计算公式为：

30、μ＝e(sig4)；

31、式中，μ是信号标准数据sig4的均值，e()是期望值运算符，sig4是信号标准数据；

32、步骤s312：构建信号标准数据sig4的协方差矩阵，计算公式为：

33、sv＝cov(sig4)＝e((sig4-μ)(sig4-μ)t)；

34、式中，sv是信号标准数据sig4的协方差矩阵，cov()是协方差运算符，t是转置运算符；

35、步骤s313：对协方差矩阵进行特征值分解，包括以下步骤：

36、步骤s3131：定义协方差矩阵特征值方程，计算公式为：

37、|γvi-sv|＝0；

38、式中，γ是特征值，vi是单位矩阵；

39、步骤s3132：通过对协方差矩阵特征值方程进行求解，得到特征值γ和所述特征值的对应特征向量；

40、步骤s314：将特征值γ从大到小排序，选择特征值最大的k1个特征值和对应特征向量，构成主成分特征向量矩阵；

41、步骤s315：将信号标准数据sig4的每个样本投影到主成分特征向量矩阵，得到降维特征矩阵iv；

42、步骤s32：采用一维卷积层对降维特征矩阵iv进行特征提取，包括以下步骤：

43、步骤s321：对降维降维特征矩阵iv进行最大池化操作，得到最大值矩阵vm；

44、步骤s322：定义prelu激活函数，计算公式为：

4本文档来自技高网...

【技术保护点】

1.基于人工智能的GPS信号管理方法，其特征在于：该方法包括以下步骤：

2.根据权利要求1所述的基于人工智能的GPS信号管理方法，其特征在于：在步骤S2中，所述数据预处理，包括以下步骤：

3.根据权利要求2所述的基于人工智能的GPS信号管理方法，其特征在于：在步骤S23中，所述采用合成少数类过采样技术，对冗余清除数据Sig2进行数据增强，包括以下步骤：

4.根据权利要求3所述的基于人工智能的GPS信号管理方法，其特征在于：步骤S235：过滤合成样本，具体为判断合成样本是否落在正常信号的冗余清除数据样本的凸包区域内，如果不是，则将所述合成样本加入合成样本集；

5.根据权利要求4所述的基于人工智能的GPS信号管理方法，其特征在于：在步骤S3中，所述特征提取，具体为采用一维卷积层进行特征提取，包括以下步骤：

6.根据权利要求5所述的基于人工智能的GPS信号管理方法，其特征在于：在步骤S32中，所述采用一维卷积层对降维特征矩阵IV进行特征提取，包括以下步骤：

7.根据权利要求6所述的基于人工智能的GPS信号管理方法，

8.根据权利要求7所述的基于人工智能的GPS信号管理方法，其特征在于：在步骤S41中，所述构建长短期记忆网络模型，包括以下步骤：

9.根据权利要求8所述的基于人工智能的GPS信号管理方法，其特征在于：在步骤S1中，所述原始信号数据Sig1包括伪随机噪声码、载波信号、导航消息、信号强度和噪声信息。

10.根据权利要求9所述的基于人工智能的GPS信号管理方法，其特征在于：在步骤S5中，所述信号管理，具体为依据GPS信号欺骗检测信息，进行信号管理并生成信号管理报告。

11.基于人工智能的GPS信号管理系统，用于实现如权利要求1-10中任一项所述的基于人工智能的GPS信号管理方法，其特征在于：包括信号采集模块、数据预处理模块、特征提取模块、欺骗检测模块和信号管理模块。

12.根据权利要求11所述的基于人工智能的GPS信号管理系统，其特征在于：所述信号采集模块，用于信号采集，具体为通过GPS接收器获取原始信号数据，并将所述原始信号数据发送至数据预处理模块；

...

【技术特征摘要】

1.基于人工智能的gps信号管理方法，其特征在于：该方法包括以下步骤：

2.根据权利要求1所述的基于人工智能的gps信号管理方法，其特征在于：在步骤s2中，所述数据预处理，包括以下步骤：

3.根据权利要求2所述的基于人工智能的gps信号管理方法，其特征在于：在步骤s23中，所述采用合成少数类过采样技术，对冗余清除数据sig2进行数据增强，包括以下步骤：

4.根据权利要求3所述的基于人工智能的gps信号管理方法，其特征在于：步骤s235：过滤合成样本，具体为判断合成样本是否落在正常信号的冗余清除数据样本的凸包区域内，如果不是，则将所述合成样本加入合成样本集；

5.根据权利要求4所述的基于人工智能的gps信号管理方法，其特征在于：在步骤s3中，所述特征提取，具体为采用一维卷积层进行特征提取，包括以下步骤：

6.根据权利要求5所述的基于人工智能的gps信号管理方法，其特征在于：在步骤s32中，所述采用一维卷积层对降维特征矩阵iv进行特征提取，包括以下步骤：

7.根据权利要求6所述的基于人工智能的gps信号管理方法，其特征在于...

【专利技术属性】
技术研发人员：陈鹏飞，靳阿妮，王群，肖华宾，柴勇权，吴俊烽，钟文华，张锴鑫，黄亮星，肖名豪，张彬，陈景瑞，甄乙彦，
申请(专利权)人：国能粤电台山发电有限公司，
类型：发明
国别省市：

全部详细技术资料下载我是这个专利的主人