本发明专利技术涉及一种GNSS转发式无人机诱骗的选星和时延控制方法，包括，根据诱骗计划挑选出从诱骗初始位置到诱骗目标位置全程中无人机的可见卫星作为第一类卫星；基于第一类卫星的GDOP和PDOP贡献度进行可见卫星的加权排序，选取排序前m名可见卫星作为第二类卫星；计算诱骗过程中第二类卫星对无人机偏航距离的贡献排序，作为诱骗执行中第二类卫星的选星排序；选择第二类卫星中排序最靠前的卫星，采用actor‑critic方法进行强化学习，控制转发该卫星信号的时延来执行诱骗计划，并判断诱骗效果；如无效，则采用次靠前的卫星执行诱骗计划和效果判断，依次循环，使用有效的卫星执行诱骗计划。本发明专利技术实现了无人机诱骗过程中的对干扰效果最好卫星的选择和时延的精确控制。
1、随着无人机技术的不断发展和应用范围的扩大，在机场、政府机构、军事基地等敏感空域中使用无人机已经成为了一种威胁。为了保护真实目标不受攻击，采取转发式欺骗的方式将无人机诱骗至虚假目标位置是非常有必要的。全球导航卫星系统(globalnavigation satellite system,gnss)能够为全球用户提供高精度、高可靠性的定位、导航和授时服务。随着gnss系统中卫星数量的增加，卫星在空间中的分布也越来越复杂，因此卫星的选择对于定位精度有着至关重要的影响。与此同时，在转发式欺骗中，所加时延的大小直接影响了目标无人机偏航的结果。
2、一方面，已有研究选择被转发卫星是基于单一pdop(position dilution ofprecision，位置精度因子)贡献度的方法进行选星，但pdop贡献度最大的卫星不一定被目标接收机用来作为定位卫星，并且当卫星可视情况发生变化时，会造成目标接收机对该卫星的观测产生由欺骗值到真实值的跳变；另一方面，现有转发式欺骗技术中时延控制算法主要基于实施欺骗后期望的目标定位结果，需要针对欺骗的每个步长下目标无人机的行为重新确定欺骗定位坐标点，导致转发式欺骗过程的智能化程度较低，欺骗的效率较差。
3、因此，在实施转发诱骗时首先需要确保被转发卫星是目标接收机用于定位的卫星；其次需要保证所转发卫星对飞行器有欺骗效果；最后，在整体诱骗过程中，需保证被转发卫星一直处于可见状态。
r/>技术实现思路
1、鉴于上述的分析，本专利技术旨在公开了一种gnss转发式无人机诱骗的选星和时延控制方法；解决无人机诱骗过程中的选星和时延控制问题。
2、本专利技术公开了一种gnss转发式无人机诱骗的选星和时延控制方法包括：
3、步骤s1、根据诱骗计划挑选出从诱骗初始位置到诱骗目标位置全程中无人机的可见卫星作为第一类卫星；
4、步骤s2、基于第一类卫星的gdop和pdop贡献度进行可见卫星的加权排序，选取排序前m名可见卫星作为第二类卫星；
5、步骤s3、计算诱骗过程中第二类卫星对无人机偏航距离的贡献排序，作为诱骗执行中第二类卫星的选星排序；
6、步骤s4、选择第二类卫星中排序最靠前的卫星，采用actor-critic方法进行强化学习，控制转发该卫星信号的时延来执行诱骗计划，并判断诱骗效果；如无效，则采用次靠前的卫星执行诱骗计划和效果判断，依次循环，使用有效的卫星执行诱骗计划。
7、进一步地，步骤s2中，包括：
8、步骤201、从第一类卫星中的卫星组合中搜索出gdop值满足定位要求的多种卫星组合，对可见卫星在每种卫星组合中的重要性进行加权赋分，得到反映各颗可见卫星gdop贡献度的第一分数矩阵；
9、步骤s202、构建出计算pdop贡献度的第一机器学习回归模型；将各颗可见卫星的多维参数特征输入到模型中计算出各自的pdop贡献度，得到反映各颗可见卫星pdop贡献度的第二分数矩阵；
10、步骤s203、将第一分数矩阵和第二分数矩阵进行加权合并得到可见卫星的第三分数矩阵，根据第三分数矩阵中各可见卫星的分数，选取排序前m名可见卫星作为第二类卫星。
11、进一步地，步骤201中，包括：
12、1)基于麻雀搜索算法从第一类卫星中的卫星组合中搜索出gdop值满足定位要求的多种定位卫星组合；
13、2)为各定位卫星组合按照gdop值升序进行排序和赋予分数；
14、3)累积各可见卫星在各定位卫星组合中的分数，作为反映每颗可见卫星gdop贡献度的分数；
15、4)将每颗可见卫星的分数与可见卫星的编号对应组成第一分数矩阵。
16、进一步地，步骤202中，具体包括：
17、1)为计算pdop贡献度的第一机器学习回归模型选择作为模型输入的可见卫星的多维参数特征；
18、2)进行第一机器学习回归模型的训练和调参；
19、3)将第一类卫星中的各颗卫星的多维参数特征输入到训练好的模型中，计算出pdop贡献度；对pdop贡献度降序排列建立第二分数矩阵；
20、4)构建pdop贡献度的分数矩阵，矩阵中包括第一类卫星中数量相同的按分值降序排列分数；
21、5)将模型输出的降序排列的各颗可见卫星的pdop贡献度列向量与所述分数矩阵相乘后，得到反映每颗可见卫星pdop贡献度的分数；
22、6)将每颗可见卫星的分数与可见卫星的编号对应组成第二分数矩阵。
23、进一步地，所述第一机器学习回归模型的输入数据为包括可见卫星的位置坐标、仰角、方位角、与无人机的几何距离、载波相位、多普勒频移和电离层误差在内的多维特征。
24、进一步地，步骤s3中；包括：
25、步骤s301、建立诱骗过程中第二类卫星对无人机偏航距离的贡献排序的第二机器学习回归模型；选择作为模型输入的卫星的多维参数特征；
26、步骤s302、进行第二机器学习回归模型的训练和调参；
27、步骤s303、利用第二机器学习回归模型对诱骗过程中第二类卫星对无人机偏航距离的贡献排序，作为诱骗执行中第二类卫星的选星排序。
28、进一步地，第二机器学习回归模型的输入特征包括可见卫星位置、与无人机的几何距离、仰角、方位角、pdop贡献度和侧向投影，输出特征为排序后的偏航距离。
29、进一步地，采用actor-critic方法进行强化学习中根据诱骗设定目标位置和无人机的实时状态设置奖励函数，根据无人机飞行状态信息进行强化学习，得到诱骗时延决策行为，对转发gnss卫星信号进行时延控制；
30、通过实时采集诱骗时延决策行为控制下被诱骗无人机的飞行状态，对当前诱骗时延决策行为进行奖励和惩罚，调整下一步的诱骗时延决策行为；并在诱骗计划实施过程中，根据实时诱骗时延决策行为和对应的无人机飞行状态进行强化学习的在线训练和更新。
31、进一步地，采用actor-critic方法进行强化学习的第三强化学习模型包括：
32、策略网络，根据输入的状态s产生并输出动作α；其中，状态s为无人机的当前飞行状态s，动作α为控制无人机下一步飞行状态的诱骗时延决策行为；
33、价值网络，基于接收的无人机飞行状态s给与之对应的动作α即诱骗时延决策行为进行打分，指导策略网络做出改进。
34、进一步地，输入策略网络的被诱骗无人机的当前飞行状态为进行归一化的多维飞行状态数据；所述多维飞行状态数据包括无人机位置、无人机速度、与诱骗目标位置的相对距离和与诱骗目标位置的相对角度；
35、策略网络输出的动作α为向无人机转发的gnss卫星信号的时延量；
36、价值网络在进行诱骗时延决策行为打分过程中将每个回合执行后无人机与目标位置的接近率和无人机的运行方向与本文档来自技高网...
【技术保护点】
1.一种GNSS转发式无人机诱骗的选星和时延控制方法，其特征在于，包括：
2.根据权利要求1所述的GNSS转发式无人机诱骗的选星和时延控制方法，其特征在于，
3.根据权利要求2所述的GNSS转发式无人机诱骗的选星和时延控制方法，其特征在于，
4.根据权利要求2所述的GNSS转发式无人机诱骗的选星和时延控制方法，其特征在于，
5.根据权利要求2所述的GNSS转发式无人机诱骗的选星和时延控制方法，其特征在于，
6.根据权利要求1所述的GNSS转发式无人机诱骗的选星和时延控制方法，其特征在于，
7.根据权利要求6所述的GNSS转发式无人机诱骗的选星和时延控制方法，其特征在于，
8.根据权利要求1所述的GNSS转发式无人机诱骗的选星和时延控制方法，其特征在于，
9.根据权利要求8所述的GNSS转发式无人机诱骗的选星和时延控制方法，其特征在于，
10.根据权利要求9所述的GNSS转发式无人机诱骗的选星和时延控制方法，其特征在于，
【技术特征摘要】
1.一种gnss转发式无人机诱骗的选星和时延控制方法，其特征在于，包括：
2.根据权利要求1所述的gnss转发式无人机诱骗的选星和时延控制方法，其特征在于，
3.根据权利要求2所述的gnss转发式无人机诱骗的选星和时延控制方法，其特征在于，
4.根据权利要求2所述的gnss转发式无人机诱骗的选星和时延控制方法，其特征在于，
5.根据权利要求2所述的gnss转发式无人机诱骗的选星和时延控制方法，其特征在于，
...
【专利技术属性】
技术研发人员：薛瑞，冯宇，刘博远，
申请(专利权)人：北京航空航天大学，
类型：发明
国别省市：
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。