基于神经网络增强的抗错误数据注入卡尔曼滤波方法技术

本发明专利技术涉及智能控制与信息安全交叉技术领域，具体涉及基于神经网络增强的抗错误数据注入卡尔曼滤波方法，首先，构建神经网络辅助校正模块，用于识别和修正遭受错误数据注入攻击影响的扩展卡尔曼滤波中间变量；其次，设计混合滤波架构，将神经网络的学习能力与传统卡尔曼滤波的理论优势相结合；最后，通过混合训练机制实现模型参数的自适应优化。仅需有限的先验信息即可实现精确的状态估计，同时保持了传统卡尔曼滤波器的计算效率和可解释性。有效提升了系统在非高斯噪声环境下的抗干扰能力。该方法在感应电机模型上的应用显著优于传统对抗错误数据注入方案，在估计精度和鲁棒性方面均取得了突破性进展。

【技术实现步骤摘要】

本专利技术涉及智能控制与信息安全交叉，尤其涉及基于神经网络增强的抗错误数据注入卡尔曼滤波方法。

技术介绍

1、状态估计是动态系统监控与控制的核心技术，其目标是通过传感器测量值实时推断系统内部隐藏状态。卡尔曼滤波器(kalman filter，kf)因其在噪声环境下的最优性和高效性，被广泛应用于线性系统状态估计。针对非线性系统，扩展卡尔曼滤波(extendedkalman filter，ekf)、无迹卡尔曼滤波(unscented kalman filter，ukf)等衍生方法通过线性化或采样策略扩展了kf的应用范围。然而，这些方法在面临错误数据注入攻击(falsedata injection attack，fdia)时性能严重退化。攻击者通过篡改传感器数据(如加性攻击、乘性攻击)可误导状态估计结果，进而破坏系统稳定性。

2、现有针对fdia的应对策略主要包括模型驱动方法和数据驱动方法两类。模型驱动方法通常基于攻击统计模型设计鲁棒滤波算法，但这类方法需要精确已知攻击类型、噪声分布等先验信息，且难以处理非高斯噪声环境下的复合攻击场景。数据驱动方法采本文档来自技高网...

【技术保护点】

1.基于神经网络增强的抗错误数据注入卡尔曼滤波方法，其特征在于，包括以下步骤：

2.如权利要求1所述的基于神经网络增强的抗错误数据注入卡尔曼滤波方法，其特征在于，采用两个独立的神经网络分别替代传统扩展卡尔曼滤波中的观测残差和观测残差协方差矩阵的计算，构建成双重神经网络校正架构，中：

3.如权利要求2所述的基于神经网络增强的抗错误数据注入卡尔曼滤波方法，其特征在于，

4.如权利要求3所述的基于神经网络增强的抗错误数据注入卡尔曼滤波方法，其特征在于，采用两个独立的神经网络分别替代传统扩展卡尔曼滤波中的观测残差和观测残差协方差矩阵的计算，构建成双重神经网络校...

【技术特征摘要】

1.基于神经网络增强的抗错误数据注入卡尔曼滤波方法，其特征在于，包括以下步骤：

2.如权利要求1所述的基于神经网络增强的抗错误数据注入卡尔曼滤波方法，其特征在于，采用两个独立的神经网络分别替代传统扩展卡尔曼滤波中的观测残差和观测残差协方差矩阵的计算，构建成双重神经网络校正架构，中：

3.如权利要求2所述的基于神经网络增强的抗错误数据注入卡尔曼滤波方法，其特征在于，

4.如权利要求3所述的基于神经网络增强的抗错误数据注入卡尔曼滤波方法，其特征在于，采用两个独立的神经网络分别替代传统扩展卡尔曼滤波中的观测残差和观测残差协方差矩阵的计算，构建成双重神经网络校正架构，中：

5.如权利要求4所述的基于神经网络增强的抗错误数据注入卡尔曼滤波方法，其特征在于，设计另一gru网络输出残差协方差矩阵的逆具体网络结构四层架构，分别为全连接输入层、gru时序建模层、全连接输出层及...

【专利技术属性】
技术研发人员：王世元，陈山力，郑云飞，杨波，钱国兵，林东源，
申请(专利权)人：西南大学，
类型：发明
国别省市：