[go: up one dir, main page]

CN116736340A - 一种欺骗信号检测方法、装置、计算机设备及存储介质 - Google Patents

一种欺骗信号检测方法、装置、计算机设备及存储介质 Download PDF

Info

Publication number
CN116736340A
CN116736340A CN202310414982.8A CN202310414982A CN116736340A CN 116736340 A CN116736340 A CN 116736340A CN 202310414982 A CN202310414982 A CN 202310414982A CN 116736340 A CN116736340 A CN 116736340A
Authority
CN
China
Prior art keywords
navigation
sequence data
data
navigation sequence
signal detection
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Pending
Application number
CN202310414982.8A
Other languages
English (en)
Inventor
朱祥维
袁雪林
徐奕禹
戴志强
孙仕海
冉承新
陈正坤
李媛
周志健
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Sun Yat Sen University
Sun Yat Sen University Shenzhen Campus
Original Assignee
Sun Yat Sen University
Sun Yat Sen University Shenzhen Campus
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Sun Yat Sen University, Sun Yat Sen University Shenzhen Campus filed Critical Sun Yat Sen University
Priority to CN202310414982.8A priority Critical patent/CN116736340A/zh
Publication of CN116736340A publication Critical patent/CN116736340A/zh
Pending legal-status Critical Current

Links

Classifications

    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01S—RADIO DIRECTION-FINDING; RADIO NAVIGATION; DETERMINING DISTANCE OR VELOCITY BY USE OF RADIO WAVES; LOCATING OR PRESENCE-DETECTING BY USE OF THE REFLECTION OR RERADIATION OF RADIO WAVES; ANALOGOUS ARRANGEMENTS USING OTHER WAVES
    • G01S19/00—Satellite radio beacon positioning systems; Determining position, velocity or attitude using signals transmitted by such systems
    • G01S19/01—Satellite radio beacon positioning systems transmitting time-stamped messages, e.g. GPS [Global Positioning System], GLONASS [Global Orbiting Navigation Satellite System] or GALILEO
    • G01S19/13—Receivers
    • G01S19/21—Interference related issues ; Issues related to cross-correlation, spoofing or other methods of denial of service
    • G01S19/215—Interference related issues ; Issues related to cross-correlation, spoofing or other methods of denial of service issues related to spoofing
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01S—RADIO DIRECTION-FINDING; RADIO NAVIGATION; DETERMINING DISTANCE OR VELOCITY BY USE OF RADIO WAVES; LOCATING OR PRESENCE-DETECTING BY USE OF THE REFLECTION OR RERADIATION OF RADIO WAVES; ANALOGOUS ARRANGEMENTS USING OTHER WAVES
    • G01S19/00—Satellite radio beacon positioning systems; Determining position, velocity or attitude using signals transmitted by such systems
    • G01S19/01—Satellite radio beacon positioning systems transmitting time-stamped messages, e.g. GPS [Global Positioning System], GLONASS [Global Orbiting Navigation Satellite System] or GALILEO
    • G01S19/13—Receivers
    • G01S19/35—Constructional details or hardware or software details of the signal processing chain
    • G01S19/37—Hardware or software details of the signal processing chain
    • G—PHYSICS
    • G06—COMPUTING OR CALCULATING; COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/24—Classification techniques
    • G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
    • G—PHYSICS
    • G06—COMPUTING OR CALCULATING; COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/045—Combinations of networks
    • G—PHYSICS
    • G06—COMPUTING OR CALCULATING; COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/0475—Generative networks
    • G—PHYSICS
    • G06—COMPUTING OR CALCULATING; COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T11/00—2D [Two Dimensional] image generation
    • G06T11/001—Texturing; Colouring; Generation of texture or colour

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Radar, Positioning & Navigation (AREA)
  • Remote Sensing (AREA)
  • Data Mining & Analysis (AREA)
  • Evolutionary Computation (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Artificial Intelligence (AREA)
  • General Engineering & Computer Science (AREA)
  • Biomedical Technology (AREA)
  • General Health & Medical Sciences (AREA)
  • Software Systems (AREA)
  • Mathematical Physics (AREA)
  • Computing Systems (AREA)
  • Signal Processing (AREA)
  • Health & Medical Sciences (AREA)
  • Computer Networks & Wireless Communication (AREA)
  • Biophysics (AREA)
  • Computational Linguistics (AREA)
  • Molecular Biology (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Evolutionary Biology (AREA)
  • Position Fixing By Use Of Radio Waves (AREA)

Abstract

本申请属于卫星安全技术领域，公开了一种欺骗信号检测方法、装置、计算机设备及存储介质，该方法包括：根据接收到的卫星导航信号得到导航序列数据，导航序列数据包括信息质量监测移动方差、信息质量监测移动均值、载噪比移动方差、载噪比移动均值、伪距多普勒一致性参数、伪距残差、接收机钟差和接收机钟差变化率；将导航序列数据转换为导航图像数据；将导航图像数据输入训练好的信号检测神经网络中，得到欺骗信号检测结果；信号检测神经网络为对抗卷积神经网络。本申请可以达到提高欺骗信号检测准确性的效果。

Description

一种欺骗信号检测方法、装置、计算机设备及存储介质
技术领域
本申请涉及卫星安全技术领域，尤其涉及一种欺骗信号检测方法、装置、计算机设备及存储介质。
背景技术
全球导航卫星系统的发展已广泛应用于各行各业，支撑着许多现代系统。然而，卫星信号仍然具有许多明显的缺陷，例如容易受到干扰和欺骗。由于卫星信号的这一特性，全球导航卫星系统的研究重点方向从最开始的提高定位精度逐渐过渡到扩展系统应用、提升系统安全可靠性能的方向，增强全球导航卫星系统的抗欺骗干扰能力已经成为工业界和学术界研究的热点。
在所有的干扰类别中，欺骗干扰是危害最大的一类干扰。欺骗干扰指的是欺骗干扰机发射欺骗信号诱导用户接收机产生错误的位置、速度或时间信息，影响接收机的正常工作和使用，并实现对目标接收机的控制，如果系统使用这些错误的信息，将带来严重的后果。
为了应对欺骗干扰带来的影响，保障全球导航卫星系统为终端用户提供正确的导航、定位和授时服务，本领域相继提出了很多检测方法，例如，C/N0检测方法通过检测C/N0的异常变化来发现欺骗信号的存在，但当欺骗信号与噪声一起发射时，容易导致误判。因此，现有的导航系统中检测卫星导航信号中的欺骗信号的方法存在准确性差的问题。
发明内容
本申请提供了一种欺骗信号检测方法、装置、计算机设备及存储介质，能够提高对欺骗信号检测的准确性。
第一方面，本申请实施例提供了一种欺骗信号检测方法，该方法包括：根据接收到的卫星导航信号得到导航序列数据，导航序列数据包括信息质量监测移动方差、信息质量监测移动均值、载噪比移动方差、载噪比移动均值、伪距多普勒一致性参数、伪距残差、接收机钟差和接收机钟差变化率；将导航序列数据转换为导航图像数据；将导航图像数据输入训练好的信号检测神经网络中，得到欺骗信号检测结果；信号检测神经网络为对抗卷积神经网络。
进一步的，上述根据接收到的卫星导航信号得到导航序列数据，包括：根据接收到的卫星导航信号和解算接收机参数对卫星导航信号进行解算，得到导航序列数据。
进一步的，上述将导航序列数据转换为导航图像数据，包括：采用马尔可夫迁变场的方法将导航序列数据转换为导航图像数据。
进一步的，上述将导航序列数据转换为导航图像数据，包括：采用格拉姆角场的方法将导航序列数据转换为导航图像数据。
进一步的，上述采用格拉姆角场的方法将导航序列数据转换为导航图像数据，包括：
将导航序列数据归一化得到缩放导航序列数据；将缩放导航序列数据从直角坐标系转换到极坐标系，得到极坐标导航序列数据和导航序列数据的特征数量；对极坐标导航序列数据作角度差，得到格拉姆矩阵；根据导航序列数据的特征数量和格拉姆矩阵生成导航图像数据。
进一步的，该方法还包括：
构建对抗卷积神经网络，对抗卷积神经网络包括生成网络和鉴别网络；
训练样本获取步骤：获取真实导航图像样本，并向生成网络输入随机噪声，以使生成网络生成虚假样本；
训练样本鉴别步骤：将虚假样本和真实导航图像样本输入到鉴别网络中进行鉴别，得到鉴别结果和反馈梯度信息，并根据反馈梯度信息更新生成网络，得到更新后的生成网络；
基于更新后的生成网络重复执行训练样本获取步骤和训练样本鉴别步骤，直至对抗卷积神经网络满足第一预设条件，第一预设条件为鉴别网络将真实导航图像样本鉴别为真的概率和鉴别网络将虚假样本鉴别为真的概率相同；
将满足第一预设条件的对抗卷积神经网络作为训练好的信号检测神经网络。
进一步的，上述获取真实导航图像样本，包括：基于历史卫星导航信号得到训练导航序列数据；将训练导航序列数据转换为真实导航图像样本。
进一步的，生成网络和鉴别网络均采用了深度卷积神经网络。
进一步的，该方法还包括：获取测试数据集，测试数据集包括由欺骗信号得到的第一导航图像测试数据集和由真实卫星导航信号得到的第二导航图像测试数据集；基于测试数据集对训练好的信号检测神经网络进行测试，得到测试结果，测试结果为检测准确率；当测试结果不满足第二预设条件时，对训练好的信号检测神经网络重新训练。
第二方面，本申请实施例提供了一种欺骗信号检测装置，该装置包括：
数据获取模块，用于根据接收到的卫星导航信号得到导航序列数据；导航序列数据包括：信息质量监测移动方差、信息质量监测移动均值、载噪比移动方差、载噪比移动均值、伪距多普勒一致性参数、伪距残差、接收机钟差和接收机钟差变化率；
数据转换模块，用于将导航序列数据转换为导航图像数据；
数据检测模块，用于将导航图像数据输入训练好的信号检测神经网络中，得到欺骗信号检测结果。
进一步的，该数据转换模块用于采用马尔可夫迁变场的方法将上述导航序列数据转换为上述导航图像数据。
进一步的，该数据转换模块用于采用格拉姆角场的方法将上述导航序列数据转换为上述导航图像数据。
进一步的，数据转换模块包括：
缩放单元，用于将导航序列数据归一化得到缩放导航序列数据；
坐标系转换单元，用于将缩放导航序列数据从直角坐标系转换到极坐标系，得到极坐标导航序列数据和导航序列数据的特征数量；
矩阵生成单元，用于对极坐标导航序列数据作角度差，得到格拉姆矩阵；
图像数据生成单元，用于根据导航序列数据的特征数量和格拉姆矩阵生成导航图像数据。
第三方面，本申请实施例提供了一种计算机设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，处理器执行计算机程序时执行如上述任一实施例的欺骗信号检测方法的步骤。
第四方面，本申请实施例提供了一种计算机可读存储介质，其上存储有计算机程序，计算机程序被处理器执行时实现如上述任一实施例的欺骗信号检测方法的步骤。
综上，与现有技术相比，本申请实施例提供的技术方案带来的有益效果至少包括：
本申请实施例提供的一种欺骗信号检测方法，获取导航序列数据中的信息质量监测移动方差、信息质量监测移动均值、载噪比移动方差等多种参数，将包括这些参数的导航序列数据转换为导航图像数据，并利用训练好的信号检测神经网络对包括这些参数的导航图像数据进行检测；其中，对导航图像数据中多种参数的检测使得检测更加全面、得到的检测结果的准确性更高；同时将导航序列数据转换为导航图像数据的操作充分利用了神经网络对图像数据特征提取效果更好的特点，使得本申请中的信号检测神经网络检测的精细度和准确性更好。
附图说明
图1为本申请一个示例性实施例提供的欺骗信号检测方法的流程图。
图2为本申请一个示例性实施例提供的导航图像数据获取步骤的流程图。
图3为本申请一个示例性实施例提供的对抗卷积神经网络训练步骤的流程图。
图4为本申请一个示例性实施例提供的信号检测神经网络测试步骤的流程图。
图5为本申请一个示例性实施例提供的欺骗信号检测装置的结构图。
图6为本申请一个示例性实施例提供的数据转换模块的结构图。
具体实施方式
下面将结合本申请实施例中的附图，对本申请实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本申请一部分实施例，而不是全部的实施例。基于本申请中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本申请保护的范围。
请参见图1，本申请实施例提供了一种欺骗信号检测方法，以终端是执行主体为例进行说明，该方法可以包括：
步骤S1，根据接收到的卫星导航信号得到导航序列数据，导航序列数据包括信息质量监测移动方差、信息质量监测移动均值、载噪比移动方差、载噪比移动均值、伪距多普勒一致性参数、伪距残差、接收机钟差和接收机钟差变化率；
其中，卫星导航信号可以表示为：
SR(t)＝ST(t)+SS(t)+n0(t)
其中，SR(t)表示接收机接受到的中频信号，ST(t)和SS(t)分别表示真实卫星信号和欺骗信号，n0(t)表示均值为0，方差为σ2的加性高斯白噪声。
由于欺骗信号与真实卫星信号有相似的信号结构，因此真实卫星信号和欺骗信号可分别表示如下：
其中，M和N表示接收到的信号中真实卫星信号和欺骗信号的个数；Pi T和Pi S分别表示第i个真实信号和欺骗信号的功率；Ci(t)表示第i个卫星的伪码；Di(t)表示第i个信号导航电文数据比特；fIF表示信号中频频率；和/>分别表示第i个真实卫星信号和欺骗信号的多普勒频移；/>表示第i个信号码相位；/>和/>分别表示真实卫星信号和欺骗信号的初始载波相位。
其中，导航序列数据可以包括信息质量监测移动方差、信息质量监测移动均值、载噪比移动方差、载噪比移动均值、伪距多普勒一致性参数、伪距残差、接收机钟差和接收机钟差变化率等多种参数。
步骤S2，将导航序列数据转换为导航图像数据。
其中，导航图像数据为不包含深度信息的二维导航图像数据，该二维导航图像数据中包括导航序列数据中的信息质量监测移动方差、信息质量监测移动均值、载噪比移动方差、载噪比移动均值、伪距多普勒一致性参数、伪距残差、接收机钟差和接收机钟差变化率等多种参数。
具体地，可以采用时间序列成像算法实现导航序列数据到导航图像数据的转换。时间序列成像算法包括格拉姆角场(GAF)、马尔可夫迁变场(MTF)或递归图(RP)的方法。
其中，格拉姆角场的方法大致为将导航序列数据归一化得到缩放导航序列数据；然后将缩放导航序列数据从直角坐标系转换到极坐标系，得到极坐标导航序列数据和导航序列数据的特征数量；再对极坐标导航序列数据作角度差，得到格拉姆矩阵；最后根据导航序列数据的特征数量和格拉姆矩阵生成导航图像数据。
马尔可夫迁变场是识别导航序列数据中的分位数单元，然后将分位数单元的成对转移概率编码到表示图像的马尔可夫转移矩阵中，得到导航图像数据。
递归图主要是提出一个框架，使用递归图将导航序列数据转换为导航图像数据。
步骤S3，将导航图像数据输入训练好的信号检测神经网络中，得到欺骗信号检测结果；信号检测神经网络为对抗卷积神经网络。
其中，对抗卷积神经网络一般包括生成网络和鉴别网络，生成网络用来根据随机噪声生成虚假样本，而鉴别网络会对真实导航图像样本和虚假样本进行鉴别，得到鉴别结果和反馈梯度信息，然后把反馈梯度信息发送给生成网络，生成网络会根据反馈梯度信息修改自身内部的网络参数，鉴别网络也会在鉴别过程中逐渐提升自己鉴别的性能，最后生成网络生成的虚假样本能够欺骗到鉴别网络，使鉴别网络将真实导航图像样本鉴别为真的概率和将虚假样本鉴别为真的概率相等，此时的对抗卷积神经网络就是训练好的信号检测神经网络了。
具体地，上述欺骗信号检测结果可以为0或1，当欺骗信号检测结果为0时，表示卫星导航信号中不存在欺骗信号；当欺骗信号检测结果为1时，表示卫星导航信号中存在欺骗信号。
上述实施例中提供的一种欺骗信号检测方法，获取导航序列数据中的信息质量监测移动方差、信息质量监测移动均值、载噪比移动方差等多种参数，将包括这些参数的导航序列数据转换为导航图像数据，并利用训练好的信号检测神经网络对包括这些参数的导航图像数据进行检测；其中，对导航图像数据中多种参数的检测使得检测更加全面、得到的检测结果的准确性更高；同时将导航序列数据转换为导航图像数据的操作充分利用了神经网络对图像数据特征提取效果更好的特点，使得本申请中的信号检测神经网络检测的精细度和准确性更好。
基于上述实施例，在一些实施例中，步骤S1中，根据接收到的卫星导航信号得到导航序列数据，可以包括：根据接收到的卫星导航信号和解算接收机参数对卫星导航信号进行解算，得到导航序列数据。
其中，解算接收机可以为GNSS接收机，它是工程检测中常见的一类仪器，其主要功能是监测各类结构物的水平和垂直位移。一个仪器之所以能同时监测两个方向的位移量，其根本原因在于采用了GNSS定位技术。
具体地，GNSS接收机主要由接收机天线单元、主机单元和电源三部分组成，接收天线的主要功能是射频信号的接收，把卫星播发的电磁波转换成便于处理的电信号；主机单元的主要功能是对经过处理的电信号的跟踪、处理和测量，测地型GNSS接收机主要利用载波相位值进行相对定位，在工作时首先对卫星发射的信号进行接收，然后通过内部信号处理，计算出伪距和多普勒频移，最终调解出卫星导航电文、获取用户的三维坐标，从而实现导航定位功能。
上述实施例采用现有技术中的解算接收机对接收到的卫星导航信号进行多种参数的解算，可以快速便捷地得到卫星导航信号的导航序列数据。
在一些实施例中，步骤S2可以包括：采用马尔可夫迁变场的方法将导航序列数据转换为导航图像数据。
在另一些实施例中，步骤S2可以包括：采用格拉姆角场的方法将导航序列数据转换为导航图像数据。
请参见图2，在一些实施例中，步骤S2具体还可以包括以下步骤：
步骤S21，将导航序列数据归一化得到缩放导航序列数据。
其中，归一化的公式具体为：
其中，xi为缩放导航序列数据，X为导航序列数据。
步骤S22，将缩放导航序列数据从直角坐标系转换到极坐标系，得到极坐标导航序列数据和导航序列数据的特征数量。
其中，转换到极坐标系的公式为：
公式中，N为导航序列数据的特征数量，ri和φi是得到的极坐标导航序列数据。
步骤S23，对极坐标导航序列数据作角度差，得到格拉姆矩阵。
上述步骤中作角度差的公式为：
得到的格拉姆矩阵的形式可以表示为：
步骤S24，根据导航序列数据的特征数量和格拉姆矩阵生成导航图像数据。
上述实施例可以通过格拉姆角场法，将导航序列数据转换为导航图像数据能够充分利用信号检测神经网络对图像特征的提取能力，使信号检测神经网络对卫星导航信号中的欺骗信号的检测更加精准，得到的欺骗信号检测结果更加准确。
请参见图3，在一些实施例中，该方法还可以包括以下步骤：
步骤S41，构建对抗卷积神经网络，对抗卷积神经网络包括生成网络和鉴别网络。
步骤S42，获取真实导航图像样本，并向生成网络输入随机噪声，以使生成网络生成虚假样本。
步骤S43，将虚假样本和真实导航图像样本输入到鉴别网络中进行鉴别，得到鉴别结果和反馈梯度信息，并根据反馈梯度信息更新生成网络，得到更新后的生成网络。
步骤S44，基于更新后的生成网络重复执行S42和S43，直至对抗卷积神经网络满足第一预设条件，第一预设条件为鉴别网络将真实导航图像样本鉴别为真的概率和鉴别网络将虚假样本鉴别为真的概率相同。
步骤S45，将满足第一预设条件的对抗卷积神经网络作为训练好的信号检测神经网络。
上述对抗卷积神经网络，即DCGAN网络，它和传统网络模型一个主要的不同就是它由两个网络模块构成，分别是生成网络和鉴别网络。
生成网络与鉴别网络可以说是完全独立的两个模型，也可以理解为完全独立的两个神经网络。因此，其训练方式一般为通过单独交替迭代训练来进行训练。在训练过程中，生成网络的目标就是尽可能地生成真实的数据去欺骗鉴别网络。而鉴别网络的目标就是尽量把生成网络生成的虚假样本和真实导航图像样本分开。
DCGAN的值函数如下所示：
其中，Dω(x)为真实导航图像样本，Dω(Gθ(z))为虚假样本；是真实导航图像样本被鉴别网络鉴别为真的概率，/>是虚假样本被鉴别网络鉴别为假的概率。鉴别网络的目的是让值函数最大，即上述公式中的 都要最大。
而最大就是要求鉴别网络将真实导航图像样本鉴别为真的概率接近1，而/>最大就是要求鉴别网络将虚假样本为真的概率为0。
生成网络的目的与鉴别网络目的相反，它的目标是让值函数最小，反映到公式中就是和/>都要小，即真实导航图像样本被鉴别为真的概率最小，鉴别网络判断虚假样本为真的概率接近1。若生成网络能实现这一目标，其生成的虚假样本就可以以假乱真，欺骗鉴别网络。
上述过程即为一个对抗的过程，生成网络和鉴别网络都想要以自己的方式让值函数最优，可以很容易得知对抗平衡点就是真假样本数据概率都为1/2时，即鉴别网络将真实导航图像样本鉴别为真的概率和鉴别网络将虚假样本鉴别为真的概率相同，此时达到一个平衡，DCGAN网络训练收敛，将此时的DCGAN网络作为训练好的信号检测神经网络。
现有技术中像SVM(Support Vector Machine，向量机)、CNN(ConvolutionalNeural Networks，卷积神经网络)、随机森林等机器学习方法，虽然在效果上可以较传统检测算法有一定的提升，但是一般为获得较好的模型，需要大量数据集的训练，而且需要保证数据集的多样性，以便模型适用于多种场景，否则，可能会使训练出的模型仅适用于当前数据，一旦应用到新的环境中该检测方法就存在不适用的情况。
上述实施例解决了现有技术中检测欺骗信号的深度学习方法适用性低的问题，本申请的实施例中提出的通过训练DCGAN网络得到训练好的信号检测神经网络的方法，方便易实施，保存训练好的信号检测神经网络数据后可直接实现对欺骗信号的有效检测，复杂度相对较低，对接收机要求不高，可减少接收机的设备成本，应用场景更广泛，适用性更高。
同时，上述实施例也解决了传统机器学习方法训练数据集不足的问题，DCGAN的生成网络在对抗训练过程中可以多次生成虚假样本，在一定程度上弥补了传统训练方法数据集缺少的问题，省去了需要搜集大量欺骗信号数据的人力成本，更加适合对一般性欺骗源发出的欺骗干扰信号进行检测，进一步提高了本申请的适用性。
在一些实施例中，步骤S42具体还可以包括：基于历史卫星导航信号得到训练导航序列数据；将训练导航序列数据转换为真实导航图像样本。
在具体实施过程中，可以将得到的训练导航序列数据转换为训练导航图像数据，然后计算训练导航图像数据的偏置值、权值、均值和标准差，根据训练导航图像数据的偏置值、权值、均值和标准差对训练导航图像数据进行标准化，得到真实导航图像样本。
具体地，标准化方法包括：
规范化方法，是对训练导航图像数据的线性变换，使真实导航图像样本映射到[0,1]区间。
正规化方法，是基于训练导航图像数据的均值(mean)和标准差(standarddeviation)进行数据的标准化。将A的原始值x使用z-score标准化到x’。z-score标准化方法适用于属性A的最大值和最小值未知的情况，或有超出取值范围的离群数据的情况。
上述实施例通过对训练导航图像数据进行标准化，提升了对抗卷积神经网络的训练速度和对真实导航图像样本鉴别的准确率。
在一些实施例中，生成网络和鉴别网络均采用了深度卷积神经网络。
深度卷积神经网络主要是由输入层、卷积层、激活函数、池化层、全连接层和输出层组成。
输入层：深度卷积网络可直接将图片作为网络的输入，通过训练提取特征。
卷积层：通过卷积运算实质是对输入进行另一种表示，若将卷积层视为黑盒子，那么可以将输出看作是输入的另外一种表示，而整个网络的训练也就是训练出这种表示所需的中间参数。
深度卷积网络将小的神经网络串联起来构成深度神经网络，主要有两种特殊的处理方式：
采用局部感受野：神经元仅与其相邻的上一层神经元相连接，通过对学习到的局部特征进行组合形成最后的全局特征。
采用权值共享：同一个卷积核在对不同的局部感受野进行操作时，采用相同的权值参数，能够减少网络运行过程中所需的参数计算量。通过每一层的多个卷积核获得图片的不同特征，不需要特意考虑特征在图片中的具体位置，该处理方式使得其在分析和处理图片任务上具有显著优势。
池化层：是卷积神经网络中的一种对数据进行的特殊处理操作，通过池化处理缩小图片特征尺寸，能有效的去除由上一层的结果作为输入而带来的计算量较大的问题。
激活函数：网络中卷积操作和池化操作都是线性操作，而生活中的大量样本，在进行分类时并不是线性关系，因而需要在网络中引入非线性元素使得网络能解决非线性问题。
全连接层：该层是网络中消耗参数最多的层，若全连接层的输入是4*4*100，全连接层的输出是512，则该层需要4*4*100*512个参数；而一般的卷积层，若卷积核为4*4，输出为512，则仅需4*4*512个参数。常见的网络会含有两个全连接层，第二个全连接层的输出与分类个数的输出对应。
上述实施例令生成网络和鉴别网络都用深度卷积神经网络替换了传统对抗卷积神经网络中的的全连接网络，深度卷积神经网络不仅提高了信号检测神经网络的稳定性和鲁棒性，同时深度卷积神经网络对图像特征的提取效果比全连接网络更好，更适合对导航图像数据的检测，有效提高了信号检测神经网络对欺骗信号检测的准确性。
请参见图4，在一些实施例中，该方法还可以包括以下步骤：
步骤S51，获取测试数据集，测试数据集包括由欺骗信号得到的第一导航图像测试数据集和由真实卫星导航信号得到的第二导航图像测试数据集。
步骤S52，基于测试数据集对训练好的信号检测神经网络进行测试，得到测试结果，测试结果为检测准确率。
步骤S53，当测试结果不满足第二预设条件时，对训练好的信号检测神经网络重新训练。
其中，测试数据集也可以是经过标准化的导航图像测试数据集。
上述第二预设条件具体可以为准确率为80％，当测试结果显示当前的信号检测神经网络对欺骗信号检测的准确率不足80％时，便重新输入真实导航图像样本和随机噪声进行训练。
上述实施例通过使用测试数据集对训练好的信号检测神经网络进行测试，将信号检测神经网络对测试数据集的检测结果和测试数据集进行比对，由此可大致计算出该信号检测神经网络的检测准确率；进一步的，当存在多个训练好的信号检测神经网络时，可以根据各信号检测神经网络对应的测试结果中的检测准确率来选择性能较好的信号检测神经网络，有效提高了信号检测神经网络在实际使用中的检测准确性。
请参见图5，本申请另一实施例提供了一种欺骗信号检测装置，该装置可以包括：
数据获取模块101，用于根据接收到的卫星导航信号得到导航序列数据；导航序列数据包括：信息质量监测移动方差、信息质量监测移动均值、载噪比移动方差、载噪比移动均值、伪距多普勒一致性参数、伪距残差、接收机钟差和接收机钟差变化率。
数据转换模块102，用于将导航序列数据转换为导航图像数据。
数据检测模块103，用于将导航图像数据输入训练好的信号检测神经网络中，得到欺骗信号检测结果。
上述实施例提供的一种欺骗信号检测装置，通过数据获取模块101获取导航序列数据中的信息质量监测移动方差、信息质量监测移动均值、载噪比移动方差等多种参数，通过数据转换模块102将包括这些参数的导航序列数据转换为导航图像数据，并通过数据检测模块103利用训练好的信号检测神经网络对包括这些参数的导航图像数据进行检测；其中，对导航图像数据中多种参数的检测使得检测更加全面、得到的检测结果的准确性更高；同时将导航序列数据转换为导航图像数据的操作充分利用了神经网络对图像数据特征提取效果更好的特点，使得本申请中的信号检测神经网络检测的精细度和准确性更好。
在一些实施例中，数据转换模块102可以用于采用马尔可夫迁变场的方法将上述导航序列数据转换为上述导航图像数据。
在一些实施例中，数据转换模块102可以用于采用格拉姆角场的方法将上述导航序列数据转换为上述导航图像数据。
请参见图6，在一些实施例中，数据转换模块102可以包括：
缩放单元21，用于将导航序列数据归一化得到缩放导航序列数据。
坐标系转换单元22，用于将缩放导航序列数据从直角坐标系转换到极坐标系，得到极坐标导航序列数据和导航序列数据的特征数量。
矩阵生成单元23，用于对极坐标导航序列数据作角度差，得到格拉姆矩阵。
图像数据生成单元24，用于根据导航序列数据的特征数量和格拉姆矩阵生成导航图像数据。
上述实施例具体给出了数据转换模块102是如何将导航序列数据转换为导航图像数据的，充分利用了信号检测神经网络对图像特征的提取能力，使信号检测神经网络对卫星导航信号中的欺骗信号的检测更加精准，得到的欺骗信号检测结果更加准确。
本实施例中提供的关于欺骗信号检测装置的具体限定，可以参见上文中关于欺骗信号检测方法的实施例，于此不再赘述。上述欺骗信号检测装置中的各个模块可全部或部分通过软件、硬件及其组合来实现。上述各模块可以硬件形式内嵌于或独立于计算机设备中的处理器中，也可以以软件形式存储于计算机设备中的存储器中，以便于处理器调用执行以上各个模块对应的操作。
本申请实施例提供了一种计算机设备，该计算机设备可以包括通过系统总线连接的处理器、存储器、网络接口和数据库。其中，该计算机设备的处理器用于提供计算和控制能力。该计算机设备的存储器包括非易失性存储介质、内存储器。该非易失性存储介质存储有操作系统、计算机程序和数据库。该内存储器为非易失性存储介质中的操作系统和计算机程序的运行提供环境。该计算机设备的网络接口用于与外部的终端通过网络连接通信。处计算机程序被处理器执行时，使得处理器执行如上述任一实施例的欺骗信号检测方法的步骤。
本实施例提供的计算机设备的工作过程、工作细节和技术效果，可以参见上文中关于欺骗信号检测方法的实施例，于此不再赘述。
本申请实施例提供了一种计算机可读存储介质，其上存储有计算机程序，计算机程序被处理器执行时实现如上述任一实施例的欺骗信号检测方法的步骤。其中，所述计算机可读存储介质是指存储数据的载体，可以但不限于包括软盘、光盘、硬盘、闪存、优盘和/或记忆棒(Memory Stick)等，所述计算机可以是通用计算机、专用计算机、计算机网络、或者其他可编程装置。
本实施例提供的计算机可读存储介质的工作过程、工作细节和技术效果，可以参见上文中关于欺骗信号检测方法的实施例，于此不再赘述。
本领域普通技术人员可以理解实现上述实施例方法中的全部或部分流程，是可以通过计算机程序来指令相关的硬件来完成，所述的计算机程序可存储于一非易失性计算机可读取存储介质中，该计算机程序在执行时，可包括如上述各方法的实施例的流程。其中，本申请所提供的各实施例中所使用的对存储器、存储、数据库或其它介质的任何引用，均可包括非易失性和/或易失性存储器。非易失性存储器可包括只读存储器(ROM)、可编程ROM(PROM)、电可编程ROM(EPROM)、电可擦除可编程ROM(EEPROM)或闪存。易失性存储器可包括随机存取存储器(RAM)或者外部高速缓冲存储器。作为说明而非局限，RAM以多种形式可得，诸如静态RAM(SRAM)、动态RAM(DRAM)、同步DRAM(SDRAM)、双数据率SDRAM(DDRSDRAM)、增强型SDRAM(ESDRAM)、同步链路(Synchlink)DRAM(SLDRAM)、存储器总线(Rambus)直接RAM(RDRAM)、直接存储器总线动态RAM(DRDRAM)、以及存储器总线动态RAM(RDRAM)等。
以上实施例的各技术特征可以进行任意的组合，为使描述简洁，未对上述实施例中的各个技术特征所有可能的组合都进行描述，然而，只要这些技术特征的组合不存在矛盾，都应当认为是本说明书记载的范围。
以上所述实施例仅表达了本申请的几种实施方式，其描述较为具体和详细，但并不能因此而理解为对发明专利范围的限制。应当指出的是，对于本领域的普通技术人员来说，在不脱离本申请构思的前提下，还可以做出若干变形和改进，这些都属于本申请的保护范围。因此，本申请专利的保护范围应以所附权利要求为准。

Claims (15)

1.一种欺骗信号检测方法，其特征在于，所述方法包括：
根据接收到的卫星导航信号得到导航序列数据，所述导航序列数据包括信息质量监测移动方差、信息质量监测移动均值、载噪比移动方差、载噪比移动均值、伪距多普勒一致性参数、伪距残差、接收机钟差和接收机钟差变化率；
将所述导航序列数据转换为导航图像数据；
将所述导航图像数据输入训练好的信号检测神经网络中，得到欺骗信号检测结果；所述信号检测神经网络为对抗卷积神经网络。
2.根据权利要求1所述的方法，其特征在于，所述根据接收到的卫星导航信号得到导航序列数据，包括：根据接收到的所述卫星导航信号和解算接收机参数对所述卫星导航信号进行解算，得到所述导航序列数据。
3.根据权利要求1所述的方法，其特征在于，所述将所述导航序列数据转换为导航图像数据，包括：采用马尔可夫迁变场的方法将所述导航序列数据转换为导航图像数据。
4.根据权利要求1所述的方法，其特征在于，所述将所述导航序列数据转换为导航图像数据，包括：采用格拉姆角场的方法将所述导航序列数据转换为导航图像数据。
5.根据权利要求4所述的方法，其特征在于，所述采用格拉姆角场的方法将所述导航序列数据转换为导航图像数据，包括：
将所述导航序列数据归一化得到缩放导航序列数据；
将所述缩放导航序列数据从直角坐标系转换到极坐标系，得到极坐标导航序列数据和所述导航序列数据的特征数量；
对所述极坐标导航序列数据作角度差，得到格拉姆矩阵；
根据所述导航序列数据的特征数量和所述格拉姆矩阵生成所述导航图像数据。
6.根据权利要求1所述的方法，其特征在于，所述方法还包括：
构建对抗卷积神经网络，所述对抗卷积神经网络包括生成网络和鉴别网络；
训练样本获取步骤：获取真实导航图像样本，并向所述生成网络输入随机噪声，以使所述生成网络生成虚假样本；
训练样本鉴别步骤：将所述虚假样本和所述真实导航图像样本输入到所述鉴别网络中进行鉴别，得到鉴别结果和反馈梯度信息，并根据所述反馈梯度信息更新所述生成网络，得到更新后的所述生成网络；
基于所述更新后的所述生成网络重复执行所述训练样本获取步骤和所述训练样本鉴别步骤，直至所述对抗卷积神经网络满足第一预设条件，所述第一预设条件为所述鉴别网络将所述真实导航图像样本鉴别为真的概率和所述鉴别网络将所述虚假样本鉴别为真的概率相同；
将满足所述第一预设条件的对抗卷积神经网络作为所述训练好的信号检测神经网络。
7.根据权利要求6所述的方法，其特征在于，所述获取真实导航图像样本，包括：
基于历史卫星导航信号得到训练导航序列数据；
将所述训练导航序列数据转换为所述真实导航图像样本。
8.根据权利要求6所述的方法，其特征在于，所述生成网络和所述鉴别网络均采用了深度卷积神经网络。
9.根据权利要求1所述的方法，其特征在于，所述方法还包括：
获取测试数据集，所述测试数据集包括由欺骗信号得到的第一导航图像测试数据集和由真实卫星导航信号得到的第二导航图像测试数据集；
基于所述测试数据集对所述训练好的信号检测神经网络进行测试，得到测试结果，所述测试结果为检测准确率；
当所述测试结果不满足第二预设条件时，对所述训练好的信号检测神经网络重新训练。
10.一种欺骗信号检测装置，其特征在于，所述装置包括：
数据获取模块，用于根据接收到的卫星导航信号得到导航序列数据；所述导航序列数据包括：信息质量监测移动方差、信息质量监测移动均值、载噪比移动方差、载噪比移动均值、伪距多普勒一致性参数、伪距残差、接收机钟差和接收机钟差变化率；
数据转换模块，用于将所述导航序列数据转换为导航图像数据；
数据检测模块，用于将所述导航图像数据输入训练好的信号检测神经网络中，得到欺骗信号检测结果。
11.根据权利要求10所述的装置，其特征在于，所述数据转换模块用于采用马尔可夫迁变场的方法将所述导航序列数据转换为所述导航图像数据。
12.根据权利要求10所述的装置，其特征在于，所述数据转换模块用于采用格拉姆角场的方法将所述导航序列数据转换为所述导航图像数据。
13.根据权利要求12所述的装置，其特征在于，所述数据转换模块包括：
缩放单元，用于将所述导航序列数据归一化得到缩放导航序列数据；
坐标系转换单元，用于将所述缩放导航序列数据从直角坐标系转换到极坐标系，得到极坐标导航序列数据和所述导航序列数据的特征数量；
矩阵生成单元，用于对所述极坐标导航序列数据作角度差，得到格拉姆矩阵；
图像数据生成单元，用于根据所述导航序列数据的特征数量和所述格拉姆矩阵生成所述导航图像数据。
14.一种计算机设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，其特征在于，所述处理器执行所述计算机程序时实现如权利要求1至9中任一项所述方法的步骤。
15.一种计算机可读存储介质，其上存储有计算机程序，其特征在于，所述计算机程序被处理器执行时实现如权利要求1至9中任一项所述方法的步骤。
CN202310414982.8A 2023-04-11 2023-04-11 一种欺骗信号检测方法、装置、计算机设备及存储介质 Pending CN116736340A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202310414982.8A CN116736340A (zh) 2023-04-11 2023-04-11 一种欺骗信号检测方法、装置、计算机设备及存储介质

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202310414982.8A CN116736340A (zh) 2023-04-11 2023-04-11 一种欺骗信号检测方法、装置、计算机设备及存储介质

Publications (1)

Publication Number Publication Date
CN116736340A true CN116736340A (zh) 2023-09-12

Family

ID=87901860

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202310414982.8A Pending CN116736340A (zh) 2023-04-11 2023-04-11 一种欺骗信号检测方法、装置、计算机设备及存储介质

Country Status (1)

Country Link
CN (1) CN116736340A (zh)

Citations (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2008024534A2 (en) * 2006-05-16 2008-02-28 Southwest Research Institute Detection of deception signal used to deceive geolocation receiver of a satellite navigation system
CN108805188A (zh) * 2018-05-29 2018-11-13 徐州工程学院 一种基于特征重标定生成对抗网络的图像分类方法
CN110046653A (zh) * 2019-03-22 2019-07-23 赣州好朋友科技有限公司 一种基于xrt射线的白钨分选方法和系统
CN111401261A (zh) * 2020-03-18 2020-07-10 金陵科技学院 基于gan-cnn框架的机器人手势识别方法
CN112327331A (zh) * 2020-11-02 2021-02-05 中山大学 一种gnss欺骗干扰检测方法、装置、设备和存储介质
CN114092844A (zh) * 2021-11-19 2022-02-25 中国直升机设计研究所 一种基于生成对抗网络的多波段图像目标检测方法
CN115494526A (zh) * 2022-08-29 2022-12-20 中山大学 一种gnss欺骗干扰检测方法、装置、电子设备及存储介质
CN115598669A (zh) * 2022-09-26 2023-01-13 中山大学（Cn） 一种导航多特征gnss欺骗干扰检测方法、系统、设备及介质

Patent Citations (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2008024534A2 (en) * 2006-05-16 2008-02-28 Southwest Research Institute Detection of deception signal used to deceive geolocation receiver of a satellite navigation system
CN108805188A (zh) * 2018-05-29 2018-11-13 徐州工程学院 一种基于特征重标定生成对抗网络的图像分类方法
CN110046653A (zh) * 2019-03-22 2019-07-23 赣州好朋友科技有限公司 一种基于xrt射线的白钨分选方法和系统
CN111401261A (zh) * 2020-03-18 2020-07-10 金陵科技学院 基于gan-cnn框架的机器人手势识别方法
CN112327331A (zh) * 2020-11-02 2021-02-05 中山大学 一种gnss欺骗干扰检测方法、装置、设备和存储介质
CN114092844A (zh) * 2021-11-19 2022-02-25 中国直升机设计研究所 一种基于生成对抗网络的多波段图像目标检测方法
CN115494526A (zh) * 2022-08-29 2022-12-20 中山大学 一种gnss欺骗干扰检测方法、装置、电子设备及存储介质
CN115598669A (zh) * 2022-09-26 2023-01-13 中山大学（Cn） 一种导航多特征gnss欺骗干扰检测方法、系统、设备及介质

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
JUNZHI LI 等: "GNSS Spoofing Jamming Detection Based on Generative Adversarial Network", IEEE SENSORS JOURNAL, vol. 21, no. 20, 15 October 2021 (2021-10-15), pages 22823 - 22832, XP011884414, DOI: 10.1109/JSEN.2021.3105404 *
钟跃崎: "人工智能技术原理与应用", 30 September 2020, 东华大学出版社, pages: 238 - 239 *

Similar Documents

Publication Publication Date Title
Ding et al. Target reconstruction based on 3-D scattering center model for robust SAR ATR
Xiao et al. Noise-tolerant wireless sensor networks localization via multinorms regularized matrix completion
CN110489630B (zh) 资源数据的处理方法、装置、计算机设备和存储介质
CN114882289B (zh) 基于自适应确定拒判准则的sar目标开集识别方法
CN115598669A (zh) 一种导航多特征gnss欺骗干扰检测方法、系统、设备及介质
CN116012364B (zh) Sar图像变化检测方法和装置
Chen et al. RWKNN: A modified WKNN algorithm specific for the indoor localization problem
CN110458601B (zh) 资源数据的处理方法、装置、计算机设备和存储介质
Riazi et al. Synfi: Automatic synthetic fingerprint generation
CN115494526A (zh) 一种gnss欺骗干扰检测方法、装置、电子设备及存储介质
CN119807604A (zh) 数据处理方法及装置
CN115184890B (zh) 基于多链路信息决策的穿墙雷达人体行为识别方法及装置
CN114898202B (zh) 基于多模型融合的水下视频目标尺度空间判别式跟踪方法
CN118519179A (zh) 一种城市复杂环境下的北斗卫星高精定位方法及系统
Mohanty et al. Tightly coupled graph neural network and Kalman filter for smartphone positioning
CN113609097B (zh) 指纹库的生成方法、装置、计算机设备和存储介质
Guo et al. Deformable Feature Fusion and Accurate Anchors Prediction for Lightweight SAR Ship Detector Based on Dynamic Hierarchical Model Pruning
CN117320048B (zh) 一种信道预测方法及装置
CN115166782A (zh) 基于卫星分布的导航场景识别方法、系统、设备和介质
Luo et al. Radar Waveform Recognition With ConvNeXt and Focal Loss
CN119785341B (zh) 一种基于密度的自适应混合点云场景识别方法
CN116736340A (zh) 一种欺骗信号检测方法、装置、计算机设备及存储介质
Ma et al. Underwater multizonotope terrain‐aided navigation method with coarse map based on set‐membership filter
CN118397256A (zh) Sar图像舰船目标检测方法及装置
CN117647823A (zh) 一种卫星授时欺骗干扰检测方法及装置

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination
RJ01 Rejection of invention patent application after publication
RJ01 Rejection of invention patent application after publication

Application publication date: 20230912