【技术实现步骤摘要】
本专利技术涉及通信卫星导航信号处理，具体涉及一种回收火箭自主着陆复杂干扰环境下的干扰检测方法。
技术介绍
1、针对回收火箭自主着陆过程中的导航问题，目前国外主要采用多种导航设备的组合导航方法，无论是官方机构还是民营商业火箭回收，都集中使用了卫星导航与惯性导航等其它导航方式组合导航的方式进行，其中卫星导航以其全球范围、适用不同天气和高精度定位效果的优点占据了主导地位，但卫星导航系统最大的缺陷即是其易受干扰的特性。而在着陆段的导航定位系统由于其高精度的要求无疑是相对脆弱的，由于其高动态的特性，微弱的干扰也会导致很大的偏差。
2、在卫星信号传播的环境中，会有各种各样的环境干扰和人为干扰。人为干扰又分为压制式干扰和欺骗式干扰。相较于环境干扰，人为干扰对定位系统的影响更大。而对自主着陆环境下的导航，由于卫星信号的特性，很容易收到攻击者的欺骗干扰，从而输出错误的位置导航信息。欺骗信号分为生成式欺骗信号和转发式欺骗信号，转发式欺骗干扰通过接收设备转发放大过的真实信号给用户接收机。近年来，随着无线电和数字信号的发展，欺骗干扰设备变得越来越广泛化和复杂化，对用户接收机的欺骗检测是很大的挑战。
3、信号处理级的欺骗干扰检测主要依靠识别真实gnss信号与转发式欺骗之间的特征差异来判断是否存在欺骗攻击。信号处理中常见的欺骗检测的特征差分方法有基于残差信号的延迟检测、基于相关峰值失真的sqm检测、基于载噪比等参数的信号功率检测方法。这些传统的欺骗检测方法只能检测欺骗信号的特定特征，欺骗信号的特征随着欺骗策略和模式的不同而变化，存在
技术实现思路
1、有鉴于此，本专利技术提供了一种回收火箭自主着陆复杂干扰环境下的干扰检测方法，能够联合多种欺骗干扰检测量进行欺骗干扰检测，提高自主着陆复杂干扰环境下的定位可靠性。
2、为了解决上述问题，本专利技术技术方案如下：
3、一种回收火箭自主着陆复杂干扰环境下的干扰检测方法，包括以下步骤：
4、步骤一、将选定卫星导航接收机固定于实验位置，加入转发式欺骗干扰信号，使接收机接收不同环境下真实信号和干扰信号，将干扰信号标记为1，真实信号标记为0；
5、步骤二、在卫星导航接收机捕获阶段提取包括非相干检测量和信号平均功率的特征；在跟踪环路阶段提取包括多普勒频移以及码环中iq分路的早码、即时码和晚码积分值的特征；
6、步骤三、将步骤二提取的特征经过算法处理得到特征量集合；
7、步骤四、将得到的特征量集合作为svm的机器学习算法的输入，形成分类训练集，构造分类模型；
8、步骤五、利用qpso算法优化改进svm超参数解算，确定最终svm分类模型；
9、步骤六、将接收机中提取出的当前环境信号的特征值作为输入加入到最终svm分类模型中，得到相应的干扰检测结果。
10、其中，所述步骤三中，所述特征量集合包含十个特征量，分别为：信号平均功率、多相关峰检测量、载波多普勒频移、载噪比、sqm检测中的ratio、sqm检测中的delta、q信道sqm检测、isc相关值、isc码片偏移与isc方差。
11、其中，所述步骤三中，所述isc相关值具体表述为：
12、
13、isc码片偏移为：
14、其中，i和q分别为经过码相位偏移后的早码、即时码和晚码的鉴别器函数，表述为：
15、
16、
17、其中，d是早码或者晚码对于即时码相关器的间隔；当d＝0时，相关器输出的是码跟踪环路即时码的相关值ip和qp；当d<0时，相关器输出的是早码的相关值ie和qe；当d>0时，相关器输出的是晚码的相关值il和ql；t为积分时间，δfd是本地码与真实信号或欺骗信号间的多普勒频差，n(t,τ)为经过滤波后的噪声与本地码互相关的结果，互相关函数rs(τ)是欺骗信号与本地码的互相关函数，ra(τ)是真实信号与本地码的互相关函数，是欺骗信号与真实信号的码相位差。
18、其中，所述步骤三中，特征集中isc相关值方差的具体算法如下：
19、通过一个不重叠的时间移动窗口，计算移动窗口中数据集的方差值，并随着窗口向前不断计算新的方差值，从而组成新的方差函数数据集。
20、其中，所述步骤五中，使用qpso算法进行寻优的参数具体表述为svm分类模型中的为惩罚系数c和核的宽度σ；qpso根据群体智能的特征用于第i个粒子的更新，获得最优位置更新公式表述为：
21、
22、根据蒙特卡洛法得到最终的预测公式：
23、
24、l＝2a·|nbest-x|
25、其中为个体最优值，为全局最优值，λ和u是取值范围为[0,1]的随机数，a为控制粒子位置的收缩因子，nbest是平均粒子的最优位置；qpso对于二维搜索量c与σ的搜索范围为[0,10]。
26、其中，实验环境为：欺骗干扰时延特征范围为[0.15,10]chips；干信比特征范围为[0,10]db；多普勒频移范围为[-1000,1000]；真实信号载噪比为[42,44]db-[47,49]db。
27、有益效果：
28、1、本专利技术利用机器学习在识别各种分类问题中优秀的性能，在gnss领域，利用机器学习进行多参数的联合干扰检测，针对回收火箭自主着陆的复杂干扰环境，采用多参考量联合机器学习的干扰检测方法，相比于传统单种干扰检测方法，本专利技术在自主着陆复杂干扰环境下拥有更广泛的适用性和更高的检测准确度，能够确保自主着陆定位系统在复杂干扰环境下的可靠性。
29、2、本专利技术的机器学习干扰检测方法的检测阈值由机器学习得到，相比于传统的单参考量检测方法的经验阈值，更具有智能性。
30、3、本专利技术的机器学习干扰检测方法相比于传统的单参考量检测方法在较差的信号环境下也拥有更好的检测效能，更具有鲁棒性。
本文档来自技高网...【技术保护点】
1.一种回收火箭自主着陆复杂干扰环境下的干扰检测方法，其特征在于，包括以下步骤：
2.如权利要求1所述的方法，其特征在于，所述步骤三中，所述特征量集合包含十个特征量，分别为：信号平均功率、多相关峰检测量、载波多普勒频移、载噪比、SQM检测中的Ratio、SQM检测中的Delta、Q信道SQM检测、ISC相关值、ISC码片偏移与ISC方差。
3.如权利要求2所述的方法，其特征在于，所述步骤三中，所述ISC相关值具体表述为：
4.如权利要求3所述的方法，其特征在于，所述步骤三中，特征集中ISC相关值方差的具体算法如下：
5.如权利要求1-4任意一项所述的方法，其特征在于，所述步骤五中，使用QPSO算法进行寻优的参数具体表述为SVM分类模型中的为惩罚系数C和核的宽度σ；QPSO根据群体智能的特征用于第i个粒子的更新，获得最优位置更新公式表述为：
6.如权利要求1-4所述的方法，其特征在于，实验环境为：欺骗干扰时延特征范围为[0.15,10]chips；干信比特征范围为[0,10]dB；多普勒频移范围为[-1000,1000]；
...【技术特征摘要】
1.一种回收火箭自主着陆复杂干扰环境下的干扰检测方法，其特征在于，包括以下步骤：
2.如权利要求1所述的方法，其特征在于，所述步骤三中，所述特征量集合包含十个特征量，分别为：信号平均功率、多相关峰检测量、载波多普勒频移、载噪比、sqm检测中的ratio、sqm检测中的delta、q信道sqm检测、isc相关值、isc码片偏移与isc方差。
3.如权利要求2所述的方法，其特征在于，所述步骤三中，所述isc相关值具体表述为：
4.如权利要求3所述的方法，其特征在于，所述步骤三中，特征集中i...
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。