一种基于CNN-LSTM的GNSS欺骗信号检测方法

一种基于cnn-lstm的gnss欺骗信号检测方法
技术领域
1.本发明涉及gnss欺骗干扰信号检测领域，特别是涉及一种基于cnn-lstm的gnss欺骗信号检测方法。


背景技术：

2.现如今，全球卫星导航系统(globalnavigationsatellitesystem，gnss系统)已成为人们生活中重要的基础设施，各个领域对gnss的依赖程度越来越高，gnss已经成为不可或缺的导航工具，能够为用户提供实时的定时、定位和其他导航信息。但出于经济效益和军事等目的，gnss往往成为被攻击的对象。欺骗式干扰严重威胁到了gnss系统的安全运行。因此，gnss欺骗干扰的有效准确识别对gnss系统的安全具有极其重要的意义。
3.目前信号质量检测技术sqm以及基于信号质量检测技术的改进技术被广泛应用于欺骗信号检测领域，其过程中一旦目标接收机受到欺骗信号干扰，接收机相关器输出会发生异常，早码、即时码和晚码三者相关器输出将不再满足对称性，通过检查三者相关峰畸变进行检测。
4.现有技术缺点：(1)sqm等传统检测技术以机理模型为主，需依靠模型计算出欺骗干扰信号存在时特征量的观测门限值；(2)传统检测技术在计算门限值的过程中需预设虚警概率进而推导监测概率，影响最终识别准确率；(3)传统检测技术针对不同类型的欺骗干扰类型时，需反复设定门限值进行计算，泛化能力不足，难以在保证精准度的前提下做到对多种欺骗干扰类型通用。由以上分析可知，以往的方法在准确度、泛化能力等方面存在问题。


技术实现要素：

5.本发明的目的是：面对以往的方法在准确度方面不精准、泛化能力不强等问题，而提出了一种基于cnn-lstm的gnss欺骗信号检测方法，使用多种不同类型的欺骗干扰信号，通过观察特征量随时间的变化趋势，实现对gnss欺骗信号的准确识别。
6.本发明为实现上述目的所采用的技术方案是：一种基于cnn-lstm的gnss欺骗信号检测方法，其特征在于，包括如下步骤：
7.步骤s1、获取原始数据源，所述原始数据源为基于texbat数据库提供的包含未加入欺骗的gnss中频数字信号及含有不同欺骗类型的gnss中频数字信号，并通过gnss软件接收机对各gnss中频数字信号分别进行捕获跟踪，得到gnss软件接收机相关器的输出值；
8.步骤s2、对gnss软件接收机相关器的输出值进行计算，得到ratio的移动均值序列即ratioma序列；
9.步骤s3、对经步骤s2处理后的ratioma序列进行选取以制作样本集；所述样本集包含若干条加入欺骗数据ratioma序列和若干条未加入欺骗的干净数据ratioma序列，且单条加入欺骗数据ratioma序列和单条未加入欺骗的干净数据ratioma序列保持样本点数相同，其中加入欺骗数据ratioma序列的选取包含从欺骗开始至成功欺骗范围内的样本点；将加
入欺骗数据ratioma序列和未加入欺骗的干净数据ratioma序列采用相同的压缩方式进行压缩降维处理，对样本集中的序列逐条压缩降维处理后，最终形成带有标签的样本集，x(m)＝[x1,x2...xm]
t
，其中x(m)表示经处理后的样本集，xm表示第m条压缩降维处理后的序列；
[0010]
其中压缩降维处理的过程为：以一定的采样频率对样本集中序列逐条均匀采集，从而对样本集中每条序列分别进行压缩降维处理；序列采样满足x＝ratioma
·
fs，其中x表示压缩降维处理后的序列，fs表示采样频率；
[0011]
步骤s4、搭建cnn-lstm网络；将样本集分为训练集和测试集，并对训练集和测试集分别进行归一化处理，将归一化后的训练集输入到cnn-lstm网络中进行训练并生成cnn-lstm网络模型；再将归一化后的测试集输入训练好的cnn-lstm网络模型进行gnss欺骗信号识别，输出识别结果准确率。
[0012]
进一步，步骤s1具体包括：
[0013]
获取原始数据源，所述原始数据源为基于texbat数据库提供的包含未加入欺骗的gnss中频数字信号及含有不同欺骗类型的gnss中频数字信号，将cnss中频数字信号与本地产生的载波信号经过正弦和余弦处理后的结果做乘积运算，运算结果做傅里叶变换，然后同伪码发生器产生的伪随机码的复共轭做乘法运算，乘积做傅里叶逆变换然后取模后找到最大相关峰值进行捕获；输出此时的码相位和载波多普勒频移到gnss载波跟踪环与gnss码跟踪环中，gnss载波跟踪环根据捕获阶段捕获到的多普勒频移产生相应的正弦复制载波和余弦复制载波，输入的中频数字信号分别与同向支路上的正弦载波做乘法运算，与正交支路上的余弦载波做乘法运算；相乘后的信号分别与gnss码跟踪环根据捕获阶段得到的码相位复制产生的超前码e、即时码p和滞后码l做相关运算；运算结果通过积分累加器运算，得到相应的相关积分值；其中超前和滞后支路信号输入给码鉴别器，即时码支路信号输入给载波鉴别器，gnss码跟踪环中的即时码同接收信号的伪码保持一致，进而实现对卫星信号的持续跟踪。
[0014]
进一步，步骤s2中，ratio的移动均值表达式为：
[0015][0016]
其中，ratioma表示移动均值，t表示时刻，w表示滑动窗口长度，k表示滑动区间，n表示滑动窗口序列，i表示样本序号，ratio(t)表示ratio序列；
[0017][0018][0019][0020]
[0021]
其中，ie(t)、i
p
(t)和i
l
(t)分别表示t时刻相关器输出的同向支路的超前、滞后和即时积分值，qe(t)、q
p
(t)和q
l
(t)分别表示t时刻相关器输出端正交支路的超前、滞后和即时积分值。
[0022]
进一步，cnn-lstm网络包括依次设置的输入层、卷积神经网络cnn、长短期记忆网络lstm、全连接层和输出层，其中卷积神经网络cnn包括依次设置的第一卷积层、第一池化层、第二卷积层、第二池化层和第三卷积层，长短期记忆网络lstm包括依次设置的第一长短期记忆层、第二长短期记忆层和第三长短期记忆层。
[0023]
进一步，训练集占样本集总量的70％，测试集占样本集总量的30％。
[0024]
通过上述设计方案，本发明可以带来如下有益效果：本发明提出了一种基于cnn-lstm的gnss欺骗信号检测方法，通过将一段能够代表欺骗存在的样本点作为一条样本数据输入到神经网络中，根据样本数据的变化走势情况以及样本点之间的强相关性进行分析，从而对欺骗干扰信号进行检测，提高了干扰信号的识别率。通过使用含有不同欺骗类型的数据进行训练，进而提高了识别的泛化能力。
附图说明
[0025]
此处所说明的附图用来提供对本发明的进一步理解，构成本技术的一部分，本发明示意性实施例及其说明用于理解本发明，并不构成本发明的不当限定，在附图中：
[0026]
图1为欺骗信号识别流程图；
[0027]
图2为欺骗信号检测原理图；
[0028]
图3为存在欺骗与未加入欺骗ratioma对比图；
[0029]
图4为cnn-lstm网络结构示意图；
[0030]
图5为cnn-lstm方法对欺骗信号检测总识别率示意图；
[0031]
图6为cnn-lstm方法对欺骗信号检测损失值示意图。
具体实施方式
[0032]
为了更清楚地说明本发明，下面结合优选实施例和附图对本发明做进一步的说明。本领域技术人员应当理解，下面所具体描述的内容是说明性的而非限制性的，不应以此限制本发明的保护范围。除非另作定义，此处使用的技术术语或者科学术语应当为本发明所属领域内具有一般技能的人士所理解的通常意义。
[0033]
为了避免混淆本发明的实质，公知的方法、过程、流程、元件和电路并没有详细叙述。
[0034]
如图1所示，一种基于cnn-lstm的gnss欺骗信号检测方法，整个方法分为五个部分：通过gnss软件接收机对gnss中频数字信号进行捕获跟踪；对gnss软件接收机相关器输出值进行计算得到ratio移动均值序列；数据压缩降维处理，形成带有标签的数据集；搭建cnn-lstm网络，将训练集输入到cnn-lstm网络中进行训练，形成cnn-lstm网络模型，测试集输入训练好的cnn-lstm网络模型进行gnss欺骗信号识别，输出识别结果准确率，测试集用来检测准确率。
[0035]
(1)本发明使用texbat数据库，texbat数据库包含未加入欺骗的cnss中频数字信号及含有不同欺骗类型的cnss中频数字信号；将cnss中频数字信号与本地产生的载波信号
经过正弦和余弦处理后的结果做乘积运算，运算结果做傅里叶变换，然后同伪码发生器产生的伪随机码的复共轭做乘法运算，乘积做傅里叶逆变换然后取模后找到最大相关峰值进行捕获；输出此时的码相位和载波多普勒频移到gnss载波跟踪环与gnss码跟踪环中，gnss载波跟踪环根据捕获阶段捕获到的多普勒频移产生相应的正弦复制载波和余弦复制载波，输入的中频数字信号分别与同向支路上的正弦载波做乘法运算，与正交支路上的余弦载波做乘法运算；相乘后的信号分别与gnss码跟踪环根据捕获阶段得到的码相位复制产生的超前码e、即时码p和滞后码l做相关运算；运算结果通过积分累加器运算，得到相应的相关积分值；其中超前和滞后支路信号输入给码鉴别器，即时码支路信号输入给载波鉴别器，gnss码跟踪环中的即时码同接收信号的伪码保持一致，进而实现对卫星信号的持续跟踪。为后续数据预处理，传入cnn-lstm网络模型做准备，具体如图2所示。
[0036]
(2)根据gnss软件接收机相关器的输出值计算得到ratio的移动均值；其中ratio的移动均值表达式为：
[0037][0038]
其中，ratioma表示移动均值，t表示时刻，w表示滑动窗口长度，k为滑动区间，n为滑动窗口序列，i表示样本序号，ratio(t)表示ratio序列。
[0039][0040][0041][0042][0043]
其中，ie(t)、i
p
(t)和i
l
(t)分别表示t时刻相关器输出的同向支路的超前、滞后和即时积分值，qe(t)、q
p
(t)和q
l
(t)分别表示t时刻相关器输出端正交支路的超前、滞后和即时积分值；
[0044]
(3)如图3所示，当欺骗式干扰信号存在时，ratioma序列出现明显较大的波动，当欺骗式干扰信号不存在时，ratioma趋于稳定。因此选取ratioma序列波动明显的部分，作为一条样本序列。对经步骤s2处理后的ratioma序列进行选取以制作样本集。该样本集同时包含若干条加入欺骗数据ratioma序列和若干条未加入欺骗的干净数据ratioma序列，其中加入欺骗数据ratioma序列的选取包含从欺骗开始至成功欺骗范围内的样本点。两种序列保持样本点数相同(也就是单条加入欺骗数据ratioma序列和单条未加入欺骗的干净数据ratioma序列保持样本点数相同)将加入欺骗数据ratioma序列和未加入欺骗的干净数据ratioma序列采用相同的压缩方式进行压缩降维处理，以一定的采样频率分别在每条序列中均匀采集，对样本集中的序列进行压缩降维处理。减小单条数据冗余样本点个数，压缩降维处理后的数据保留了样本点之间的相似性尽可能不变，即保留了样本的主特征，同时又
很大程度上减小了数据量；
[0045]
x＝ratioma
·
fs
[0046]
其中x表示压缩降维处理后的序列，fs表示采样频率；
[0047]
通过压缩降维处理，最终形成带有标签的样本集；
[0048]
x(m)＝[x1,x2...xm]
t
[0049]
其中x(m)表示经处理后的样本集，xm表示压缩降维处理后的序列，m表示样本序号，t表示转置；
[0050]
(4)构造cnn-lstm网络结构
[0051]
具体的cnn-lstm网络结构如图4所示，依次为输入层、卷积神经网络cnn、长短期记忆网络lstm、全连接层和输出层，其中卷积神经网络cnn包括依次设置的第一卷积层、第一池化层、第二卷积层、第二池化层和第三卷积层，长短期记忆网络lstm包括依次设置的第一长短期记忆层、第二长短期记忆层和第三长短期记忆层。
[0052]
一维卷积经常用于信号处理中，用于计算信号的延迟累计。将卷积神经网络cnn的输出结果通过长短期记忆网络lstm，可以有效的提取序列中前后样本点的相关性，然后将长短期记忆网络lstm的输出经过全连接层与输出层相连接，最后判断是否存在欺骗干扰。
[0053]
(5)样本集的70％作为输入的训练集，剩余30％作为测试集，对训练集和测试集进行归一化处理；将归一化的训练集输入到cnn-lstm网络中进行训练并生成cnn-lstm网络模型，将测试集输入cnn-lstm网络模型中进行gnss欺骗信号识别，把识别后的标签保存起来，把识别后的标签保存起来，用来计算准确率。
[0054]
图5给出了cnn-lstm方法对欺骗信号进行检测的识别率。其中横坐标给出了迭代次数，由此可以看出，当迭代次数达到350以后，识别率趋于稳定，570次迭代之后，总识别率维持在99％，说明本发明提出的基于cnn-lstm的gnss欺骗信号检测方法的有效性。
[0055]
图6给出了cnn-lstm方法对欺骗信号进行检测的损失值。其中横坐标给出了迭代次数，可以看出，随着迭代次数的增加，训练损失值呈现出减小的趋势，当迭代次数达到570之后，损失值基本趋于稳定。
[0056]
本发明提出的一种基于cnn-lstm的gnss欺骗信号检测方法，针对传统检测模型依靠设置门限值的方式，仅对单点测量值检测欺骗干扰，缺乏对欺骗干扰阶段总体的、宏观的判断，本发明提出了以一段处理后的ratioma序列作为一条样本数据输入到cnn-lstm网络中进行训练，以样本数据的变化走势情况以及样本点之间的强相关性进行分析，从而对欺骗干扰信号进行检测，提高了欺骗信号的检测率。针对传统检测模型准确度不足、泛化能力不强等问题，基于cnn出色的特征提取优势以及lstm网络在序列建模问题上的一定优势，提出了基于cnn-lstm相融合的网络结构进行gnss欺骗干扰信号检测。
[0057]
本发明的主要优点：(1)不依靠传统模型计算特征量的观测门限值，通过对特征量的走势进行检测；(2)不需预设虚警概率推导监测概率，利用神经网络出色的特征表示能力提高最终检测准确率；(3)同时使用多种不同类型的欺骗干扰进行训练，有效提高识别的泛化能力，提高方法通用性。

技术特征：
1.一种基于cnn-lstm的gnss欺骗信号检测方法，其特征在于，包括如下步骤：步骤s1、获取原始数据源，所述原始数据源为基于texbat数据库提供的包含未加入欺骗的gnss中频数字信号及含有不同欺骗类型的gnss中频数字信号，并通过gnss软件接收机对各gnss中频数字信号分别进行捕获跟踪，得到gnss软件接收机相关器的输出值；步骤s2、对gnss软件接收机相关器的输出值进行计算，得到ratio的移动均值序列即ratioma序列；步骤s3、对经步骤s2处理后的ratioma序列进行选取以制作样本集；所述样本集包含若干条加入欺骗数据ratioma序列和若干条未加入欺骗的干净数据ratioma序列，且单条加入欺骗数据ratioma序列和单条未加入欺骗的干净数据ratioma序列保持样本点数相同，其中加入欺骗数据ratioma序列的选取包含从欺骗开始至成功欺骗范围内的样本点；将加入欺骗数据ratioma序列和未加入欺骗的干净数据ratioma序列采用相同的压缩方式进行压缩降维处理，对样本集中的序列逐条压缩降维处理后，最终形成带有标签的样本集，x(m)＝[x1,x2...x
m
]
t
，其中x(m)表示经处理后的样本集，x
m
表示第m条压缩降维处理后的序列；其中压缩降维处理的过程为：以一定的采样频率对样本集中序列逐条均匀采集，从而对样本集中每条序列分别进行压缩降维处理；序列采样满足x＝ratioma
·
fs，其中x表示压缩降维处理后的序列，fs表示采样频率；步骤s4、搭建cnn-lstm网络；将样本集分为训练集和测试集，并对训练集和测试集分别进行归一化处理，将归一化后的训练集输入到cnn-lstm网络中进行训练并生成cnn-lstm网络模型；再将归一化后的测试集输入训练好的cnn-lstm网络模型进行gnss欺骗信号识别，输出识别结果准确率。2.根据权利要求1所述的基于cnn-lstm的gnss欺骗信号检测方法，其特征在于：步骤s1具体包括：获取原始数据源，所述原始数据源为基于texbat数据库提供的包含未加入欺骗的gnss中频数字信号及含有不同欺骗类型的gnss中频数字信号，将cnss中频数字信号与本地产生的载波信号经过正弦和余弦处理后的结果做乘积运算，运算结果做傅里叶变换，然后同伪码发生器产生的伪随机码的复共轭做乘法运算，乘积做傅里叶逆变换然后取模后找到最大相关峰值进行捕获；输出此时的码相位和载波多普勒频移到gnss载波跟踪环与gnss码跟踪环中，gnss载波跟踪环根据捕获阶段捕获到的多普勒频移产生相应的正弦复制载波和余弦复制载波，输入的中频数字信号分别与同向支路上的正弦载波做乘法运算，与正交支路上的余弦载波做乘法运算；相乘后的信号分别与gnss码跟踪环根据捕获阶段得到的码相位复制产生的超前码e、即时码p和滞后码l做相关运算；运算结果通过积分累加器运算，得到相应的相关积分值；其中超前和滞后支路信号输入给码鉴别器，即时码支路信号输入给载波鉴别器，gnss码跟踪环中的即时码同接收信号的伪码保持一致，进而实现对卫星信号的持续跟踪。3.根据权利要求1所述的基于cnn-lstm的gnss欺骗信号检测方法，其特征在于：步骤s2中，ratio的移动均值表达式为：
其中，ratioma表示移动均值，t表示时刻，w表示滑动窗口长度，k表示滑动区间，n表示滑动窗口序列，i表示样本序号，ratio(t)表示ratio序列；滑动窗口序列，i表示样本序号，ratio(t)表示ratio序列；滑动窗口序列，i表示样本序号，ratio(t)表示ratio序列；滑动窗口序列，i表示样本序号，ratio(t)表示ratio序列；其中，i
e
(t)、i
p
(t)和i
l
(t)分别表示t时刻相关器输出的同向支路的超前、滞后和即时积分值，q
e
(t)、q
p
(t)和q
l
(t)分别表示t时刻相关器输出端正交支路的超前、滞后和即时积分值。4.根据权利要求1所述的基于cnn-lstm的gnss欺骗信号检测方法，其特征在于：cnn-lstm网络包括依次设置的输入层、卷积神经网络cnn、长短期记忆网络lstm、全连接层和输出层，其中卷积神经网络cnn包括依次设置的第一卷积层、第一池化层、第二卷积层、第二池化层和第三卷积层，长短期记忆网络lstm包括依次设置的第一长短期记忆层、第二长短期记忆层和第三长短期记忆层。5.根据权利要求1所述的基于cnn-lstm的gnss欺骗信号检测方法，其特征在于：训练集占样本集总量的70％，测试集占样本集总量的30％。

技术总结
本发明提出了一种基于CNN-LSTM的GNSS欺骗信号检测方法，属于GNSS欺骗干扰信号检测领域，该方法通过将一段能够代表欺骗存在的样本点作为一条样本数据输入到CNN-LSTM网络中，根据样本数据的变化走势情况以及样本点之间的强相关性进行分析，从而对欺骗干扰信号进行检测，提高了干扰信号的识别率。通过使用含有不同欺骗类型的数据进行训练，进而提高了识别的泛化能力。泛化能力。泛化能力。


技术研发人员：李新波 户健 范书源 冯伟嘉 赵欣烨 冯海 崔浩 李卓
受保护的技术使用者：吉林大学
技术研发日：2023.05.26
技术公布日：2023/8/23