基于深度学习的GNSS实时欺骗干扰检测方法及系统技术方案

本发明专利技术公开了基于深度学习的GNSS实时欺骗干扰检测方法及系统，属于卫星导航信号处理领域，包括实时采集GNSS接收机的多普勒频移信号，得到初始训练数据集；构建带有增量学习机制的LSTM预测模型，包括双层LSTM网络和全连接层，双层LSTM网络引入门控机制，采用初始训练数据集对预测模型添加高斯白噪声进行模型训练；对初始训练数据集进行滑动窗口处理后，提取多维特征向量；输入训练后的预测模型进行预测，得到模型预测值；计算模型预测值与真实值的残差，排除预热期后，计算残差的标准差，基于残差的标准差动态设定阈值；当残差的绝对值超过阈值且滑动窗口处理的采样点位于预设干扰时间窗内时，判定发生信号干扰事件。

【技术实现步骤摘要】

本专利技术属于卫星导航信号处理领域，具体涉及基于深度学习的gnss实时欺骗干扰检测方法及系统。

技术介绍

1、gnss（global navigation satellite system，全球导航卫星系统）作为现代信息社会的时空基准，已广泛应用于交通运输、通信网络、金融交易、国防军事等关键领域。全球超过80%的行业依赖gnss提供的高精度定位与授时服务。但gnss信号在传输过程中存在一些固有的缺陷，如落地功率极低，典型信号强度约为-160dbw左右，远低于环境噪声（-140dbw），这一缺陷导致gnss信号脆弱性突出，极易受到欺骗干扰的影响。

2、当前主流的干扰检测技术主要包括sqm（signal quality monitoring，信号质量监测）和stap（space-time adaptive processing，空时抗干扰）等技术，前者基于载噪比、伪距残差等单维度指标，但依赖经验阈值设定，在复杂电磁环境中误判率较高，后者则需多天线阵列支持，硬件成本高昂且无法检测隐蔽式欺骗干扰。

3、而基于深度学习的检测方法能够很好地改善本文档来自技高网...

【技术保护点】

1.基于深度学习的GNSS实时欺骗干扰检测方法，其特征在于，包括以下步骤：

2.根据权利要求1所述的基于深度学习的GNSS实时欺骗干扰检测方法，其特征在于，所述双层LSTM网络包括输入门、遗忘门、细胞状态更新、输出门和隐藏状态，所述多维特征向量包括瞬时值、滑动均值、标准差、线性趋势系数和快速傅里叶变换频域分量。

3.根据权利要求1所述的基于深度学习的GNSS实时欺骗干扰检测方法，其特征在于，所述将多维特征向量输入训练后的带有增量学习机制的LSTM预测模型进行预测中的预测具体为：

4.根据权利要求3所述的基于深度学习的GNSS实时欺骗干扰检测方法，其特征...

【技术特征摘要】

1.基于深度学习的gnss实时欺骗干扰检测方法，其特征在于，包括以下步骤：

2.根据权利要求1所述的基于深度学习的gnss实时欺骗干扰检测方法，其特征在于，所述双层lstm网络包括输入门、遗忘门、细胞状态更新、输出门和隐藏状态，所述多维特征向量包括瞬时值、滑动均值、标准差、线性趋势系数和快速傅里叶变换频域分量。

3.根据权利要求1所述的基于深度学习的gnss实时欺骗干扰检测方法，其特征在于，所述将多维特征向量输入训练后的带有增量学习机制的lstm预测模型进行预测中的预测具体为：

4.根据权利要求3所述的基于深度学习的gnss实时欺骗干扰检测方法，其特征在于，所述采用带权重冻结的分层更新策略动态更新预测模型参数中，包括梯度范数阈值与层级化权重更新量约束，所述梯度范数阈值与层级化权重更新量约束，包括：

5.根据权利要求3所述的基于深度学习的gnss实时欺骗干扰检测方法，其特征在于，所述...

【专利技术属性】
技术研发人员：王彦，陈校非，邹德财，
申请(专利权)人：中国科学院国家授时中心，
类型：发明
国别省市：