本发明公开了一种基于SVM的GNSS生成式欺骗干扰检测方法。所述SVM的生成式欺骗检测方法是：首先，接收机实现跟踪GNSS信号，再计算跟踪环路中输入信号的复相关函数，根据接收机输出的原始值提取用于检测的特征值，再对数据进行预处理；接着，对数据进行离线学习，将样本分为训练样本集和测试样本集，将训练样本集放入SVM模型中进行学习，得到学习完成的模型；最后将测试样本放入训练完成的SVM模型，对测试样本进行自动分类；当新的特征向量进入分类模型时，模型将自动判断是否存在生成式欺骗干扰信号。所述方法能够快速自动地判断是否存在生成式欺骗干扰信号，准确率和效率高。
1.一种基于SVM的GNSS生成式欺骗干扰检测方法，具体步骤如下，其特征在于：(1)对GNSS中频信号进行预处理，得到用于作为神经网络输入量的特征向量，特征向量包括改进Ratio移动均值、改进Ratio移动方差、改进Delta移动均值、改进Delta移动方差、早晚码相位差、载噪比移动方差和接收机钟差变化率；
(1.1)对GNSS中频信号进行预处理，输入原始中频信号；
(1.2)计算得到改进Ratio移动均值、改进Ratio移动方差；
其中，改进Ratio移动均值、改进Ratio移动方差的表达式为：式中，RatioMA、RatioMV分别指的是改进Ratio移动均值和改进Ratio移动方差，Rd，improved(i)为数据中第i个数据样本的值，w为MA滑动窗口的长度，k为滑动区间，n为滑动窗口的总数，Rd，improved(i)的表达式为：其中，Ie，d(n)、Il，d(n)和Ip(n)分别式第n个相干积分内相关器同相支路的超前、滞后和即时输出，Qe，d(n)、Ql，d(n)和Qp(n)分别为在第n个相干积分内相关器正交支路的超前、滞后和即时输出；
(1.3)计算得到改进Delta移动均值、改进Delta移动方差；
其中，改进Delta移动均值、改进Delta移动方差的表达式为：式中，DeltaMA、DeltaMV分别指的是改进Delta移动均值、改进Delta移动方差，Δd，improved(i)的表达式为：(1.4)计算得到早晚码相位差ELP；
其中，Ie(n)、Qe(n)、Il(n)和Ql(n)分别为在第n个相干积分内I/Q支路相关器的超前、滞后输出；
(1.5)计算获得载噪比移动方差C/N0(i)MV；
(1.7)将上述改进Ratio移动均值、改进Ratio移动方差、改进Delta移动均值、改进Delta移动方差、早晚码相位差、载噪比移动方差和接收机钟差变化率作为特征向量x，样本特征向量即为：
(1.8)对数据的预处理还包括缺失值处理、偏差计算、取观测到的所有卫星特征值的均值、数据标准化和主成分分析；
(2)构造不同核函数下的SVM模型，将GNSS信号样本随机抽取70％的数据用于训练，
2.根据权利要求1所述的一种基于SVM的GNSS生成式欺骗干扰检测方法，其特征在于：步骤(2)具体包括：
核函数定义为对于所有数据点需满足：K(zi,zj)＝<φ(zi),φ(zj)>其中，zi和zj为两个不同的支持向量，K(·)为核函数，φ(·)是从z到Fk的映射，是一个与核K(·)相关的内积特征空间：φ：zi∈z→φ(zi)＝K(zi，·)∈FK具体的核函数有以下六种：
第一种为线性Linear核，表示为：第二、三、四种为径向基核RB函数的精高斯RBF核、中高斯RBF核和粗高斯RBF核，并写成：
其中，σ定义为核的宽度，同样，核尺度参数对应于RBF定义中的γ参数，只是与σ表示方式不同；
将上式中的RBF核尺度γ调整为不同的值:其中，γfG、γmG和γcG分别为精高斯RBF核、中高斯RBF核和粗高斯RBF核对应时的γ取值，n为特征值个数；
第五、六种核函数是多项式Polynomial核，表示为：其中，P是多项式核的阶数，分别取值2和3得到2阶多项式核函数和3阶多项式核函数；
(2.2)将信号样本随机抽取70％作为训练样本、随机抽取30％作为测试样本，将样本放入构造的不同核函数下的SVM模型进行训练和测试。
一种基于SVM的GNSS生成式欺骗干扰检测方法
技术领域
[0001] 本发明涉及GNSS卫星信号领域，特别是涉及一种基于SVM的GNSS生成式欺骗干扰检测方法。
背景技术
[0002] 全球卫星导航系统(GNSS)的民用系统因信号结构公开致使其很容易受到欺骗干扰，十分脆弱。欺骗式干扰对GNSS服务的安全性构成了巨大的威胁。因此，为了使导航系统
避免受到欺骗式干扰的安全威胁，欺骗式干扰信号的检测对导航系统正常运行、安全使用
具有重大的意义。
[0003] 传统的检测方法受到模型限制或者需要额外的硬件设备，且检测系统复杂、检测参数单一，不能准确地反映卫星信号中的欺骗成分。
发明内容
[0004] 为了解决上述问题，本发明提供一种基于SVM的GNSS生成式欺骗干扰检测方法，所述方法结合六种SVM核函数模型，将信号样本随机抽取70％作为训练样本、随机抽取30％作
为测试样本，将样本放入构造的不同核函数下的SVM模型进行训练和测试，评价准确率、精
确率、召回率、F1 score四个性能指标。
[0005] 本发明提供一种基于SVM的GNSS生成式欺骗干扰检测方法，具体步骤如下：
[0006] (1)对GNSS中频信号进行预处理，得到用于作为神经网络输入量的特征向量，特征向量包括改进Ratio移动均值、改进Ratio移动方差、改进Delta移动均值、改进Delta移动方
差、早晚码相位差、载噪比移动方差和接收机钟差变化率；
[0007] 步骤(1)具体包括：
[0008] (1.1)对GNSS中频信号进行预处理，输入原始中频信号；
[0009] (1.2)计算得到改进Ratio移动均值、改进Ratio移动方差；
[0010] 其中，改进Ratio移动均值、改进Ratio移动方差的表达式为：
[0011]
[0012]
[0013] 式中，RatioMA、RatioMV分别指的是改进Ratio移动均值和改进Ratio移动方差，Rd，improved(i)为数据中第i个数据样本的值，w为MA滑动窗口的长度，k为滑动区间，n为滑动
窗口的总数，Rd，improved(i)的表达式为：
[0014]
[0015]
[0016]
[0017]
[0018] 其中，Ie，d(n)、Il，d(n)和Ip(n)分别式第n个相干积分内相关器同相支路的超前、滞后和即时输出，Qe，d(n)、Ql，d(n)和Qp(n)分别为在第n个相干积分内相关器正交支路的超前、
滞后和即时输出；
[0019] (1.3)计算得到改进Delta移动均值、改进Delta移动方差；
[0020] 其中，改进Delta移动均值、改进Delta移动方差的表达式为：
[0021]
[0022]
[0023] 式中，DeltaMA、DeltaMV分别指的是改进Delta移动均值、改进Delta移动方差，Δd，improved(i)的表达式为：
[0024]
[0025] (1.4)计算得到早晚码相位差ELP；
[0026]
[0027] 其中，Ie(n)、Qe(n)、Il(n)和Ql(n)分别为在第n个相干积分内I/Q支路相关器的超前、滞后输出；
[0028] (1.5)计算获得载噪比移动方差C/N0(i)MV；
[0029]
[0030] (1.6)计算获得接收机钟差变化率；
[0031]
[0032] (1.7)将上述改进Ratio移动均值、改进Ratio移动方差、改进Delta移动均值、改进Delta移动方差、早晚码相位差、载噪比移动方差和接收机钟差变化率作为特征向量x，样本
特征向量即为：
[0033]
[0034] (1.8)对数据的预处理还包括缺失值处理、偏差计算、取观测到的所有卫星特征值的均值、数据标准化和主成分分析；
[0035] (2)构造不同核函数下的SVM模型，将GNSS信号样本随机抽取70％的数据用于训练，30％的数据用于测试；
[0036] (3)通过测试后，模型可以用于检测欺骗干扰是否发生。
[0037] 作为本发明进一步改进，步骤(2)具体包括：
[0038] (2.1)构造六个不同核函数下的SVM模型；
[0039] 核函数定义为对于所有数据点需满足：
[0040] K(zi,zj)＝<φ(zi),φ(zj)＞
[0041] 其中，zi和zj为两个不同的支持向量，K(·)为核函数，φ(·)是从z到Fk的映射，是一个与核K(·)相关的内积特征空间：
[0042] φzi∈z→φ(zi)＝K(zi，·)∈FK
[0043] 具体的核函数有以下六种：
[0044] 第一种为线性Linear核，可以表示为：
[0045]
[0046] 第二、三、四种为径向基核RB函数的精高斯RBF核、中高斯RBF核和粗高斯RBF核，并写成：
[0047]
[0048] 其中，σ定义为核的宽度，同样，核尺度参数对应于RBF定义中的γ参数，只是与σ表示方式不同；
[0049] 将上式中的RBF核尺度γ调整为不同的值:
[0050]
[0051]
[0052]
[0053] 其中，γfG、γmG和γcG分别为精高斯RBF核、中高斯RBF核和粗高斯RBF核对应时的γ取值，n为特征值个数；
[0054] 第五、六种核函数是多项式Polynomial核，表示为：
[0055]
[0056] 其中，P是多项式核的阶数。分别取值2和3得到2阶多项式核函数和3阶多项式核函数；
[0057] (2.2)将信号样本随机抽取70％作为训练样本、随机抽取30％作为测试样本，将样本放入构造的不同核函数下的SVM模型进行训练和测试。
附图说明
[0058] 图1是本发明的一个实施例的流程示意图。
具体实施方式
[0059] 下面结合附图与具体实施方式对本发明作进一步详细描述：
[0060] 本发明提供一种基于SVM的GNSS生成式欺骗干扰检测方法，所述方法结合六种SVM核函数模型，将信号样本随机抽取70％作为训练样本、随机抽取30％作为测试样本，将样本
放入构造的不同核函数下的SVM模型进行训练和测试，评价准确率、精确率、召回率、F1
score四个性能指标。
[0061] 本实施例公开了一种基于SVM多分类算法的卫星导航干扰类型识别方法，如图1所示，包括：
[0062] 步骤一、对GNSS中频信号进行预处理，得到用于作为神经网络输入量的特征向量，特征向量包括改进Ratio移动均值、改进Ratio移动方差、改进Delta移动均值、改进Delta移
动方差、早晚码相位差、载噪比移动方差和接收机钟差变化率。
[0063] 该步骤具体包括：
[0064] (1.1)对GNSS中频信号进行预处理，输入原始中频信号；
[0065] (1.2)计算得到改进Ratio移动均值、改进Ratio移动方差；
[0066] 其中，改进Ratio移动均值、改进Ratio移动方差的表达式为：
[0067]
[0068]
[0069] 式中，RatioMA、RatioMV分别指的是改进Ratio移动均值和改进Ratio移动方差，Rd，improved(i)的表达式为：
[0070]
[0071]
[0072]
[0073]
[0074] 其中，Ie，d(n)、Il，d(n)和Ip(n)分别式第n个相干积分内相关器同相支路的超前、滞后和即时输出，Qe，d(n)、Ql，d(n)和Qp(n)分别为在第n个相干积分内相关器正交支路的超前、
滞后和即时输出。
[0075] (1.3)计算得到改进Delta移动均值、改进Delta移动方差；
[0076] 其中，改进Delta移动均值、改进Delta移动方差的表达式为：
[0077]
[0078]
[0079] 式中，DeltaMA、DeltaMV分别指的是改进Delta移动均值、改进Delta移动方差，Δd，improved(i)的表达式为：
[0080]
[0081] (1.4)计算得到早晚码相位差ELP；
[0082]
[0083] 其中，Ie(n)、Qe(n)、Il(n)和Ql(n)分别为在第n个相干积分内I/Q支路相关器的超前、滞后输出。
[0084] (1.5)计算获得载噪比移动方差C/N0(i)MV；
[0085]
[0086] (1.6)计算获得接收机钟差变化率；
[0087]
[0088] (1.7)将上述改进Ratio移动均值、改进Ratio移动方差、改进Delta移动均值、改进Delta移动方差、早晚码相位差、载噪比移动方差和接收机钟差变化率作为特征向量x，样本
特征向量即为：
[0089]
[0090] (1.8)对数据的预处理还包括缺失值处理、偏差计算、取观测到的所有卫星特征值的均值、数据标准化和主成分分析；
[0091] 步骤二、构造六种不同核函数下的SVM模型，将GNSS信号样本随机抽取70％的数据用于训练，30％的数据用于测试；
[0092] 该步骤具体包括：
[0093] (2.1)构造六个不同核函数下的SVM模型；
[0094] 核函数定义为对于所有数据点需满足：
[0095] K(zi,zj)＝<φ(zi),φ(zj)>
[0096] 其中，zi和zj为两个不同的支持向量，K(·)为核函数，φ(·)是从z到Fk的映射，是一个与核K(·)相关的内积特征空间：
[0097] φzi∈z→φ(zi)＝K(zi，·)∈FK
[0098] 具体的核函数有以下六种：
[0099] 第一种为线性(Linear)核，可以表示为：
[0100]
[0101] 第二、三、四种为径向基核(RBF)函数的精高斯(fine Gaussian)RBF核、中高斯(medium Gaussian)RBF核和粗高斯(coarse Gaussian)RBF核，它可以写成：
[0102]
[0103] 其中，σ定义为核的宽度，同样，核尺度参数对应于RBF定义中的γ参数，只是与σ表示方式不同。
[0104] 将上式中的RBF核尺度γ调整为不同的值:
[0105]
[0106]
[0107]
[0108] 其中，γfG、γmG和γcG分别为精高斯(fine Gaussian)RBF核、中高斯(medium Gaussian)RBF核和粗高斯(coarse Gaussian)RBF核对应时的γ取值，n为特征值个数；
[0109] 第五、六种核函数是多项式(Polynomial)核，可以表示为：
[0110]
[0111] 其中，P是多项式核的阶数。分别取值2和3得到2阶多项式核函数和3阶多项式核函数。
[0112] (2.2)将GNSS信号样本随机抽取70％的数据用于训练样本，30％的数据用于测试样本，将样本放入构造的六种核函数下的SVM模型进行训练和测试。
[0113] 例：TEXBAT数据集是一个生成式欺骗干扰实验数据集，该数据集记录了进行生成式欺骗时的中频信号，该信号的前100s没有欺骗发生，信号的总时长为100s，表1记录了使
用不同核函数下SVM分类的混淆矩阵。
[0114]
[0115]
[0116] 表1
[0117] 步骤三、通过测试后，模型可以用于检测欺骗干扰是否发生。
[0118] 以上所述，仅是本发明的较佳实施例之一，并非是对本发明作任何其他形式的限制，而依据本发明的技术实质所作的任何修改或等同变化，仍属于本发明所要求保护的范
围。
