基于信道差异和决策融合的欺骗干扰检测识别

发布时间：2017-07-20 09:12

  本文关键词：基于信道差异和决策融合的欺骗干扰检测识别

  更多相关文章： 卫星导航 欺骗干扰检测 拟合优度检测 特征提取 分类识别 决策融合

【摘要】：欺骗式干扰是指干扰机发射假信号,它和真实信号具有相同的参数,能导致接收机锁定假信号,无法获得正确的定时定位信息,从而达到欺骗的目的。相比于压制式干扰,欺骗干扰隐蔽性更强、装置更简单、更不容易被发现,逐渐成为卫星导航和雷达通信系统面临的主要威胁。如何实现对卫星导航欺骗干扰及时准确的检测成为当前卫星通信安全领域的重要问题之一。本文分别从统计学理论和机器学习理论两方面进行欺骗干扰的检测和识别。现有的欺骗干扰检测方法忽视了卫星信道与欺骗干扰信道之间的差异,并且没有把决策融合的思想用于欺骗干扰识别。本文针对上述不足开展研究,主要研究工作如下:1.介绍了卫星导航抗欺骗干扰的研究背景和研究意义,分析了国内外卫星导航抗欺骗干扰的研究现状,并分别对比了已有的欺骗干扰检测算法和抑制算法的优缺点,阐述了国内外决策融合算法的研究现状及应用,并总结了决策融合方法的优点。2.从统计学理论的角度提出了基于信道统计特性差异的欺骗干扰检测方法。首先介绍了干扰检测和识别的过程,卫星通信中的概率分布模型和描述卫星信道的Lutz模型,然后给出了拟合优度检测中的Kolmogorov-Smirnov(KS)检测、Cramer-von Mises(CVM)检测和Anderson-Darling(AD)检测方法步骤,最后基于拟合优度分别对两种状态下的卫星信道进行欺骗干扰检测,实验证明,这种方法是可行的且是有效的。3.研究了决策融合重要基础理论,首先介绍多分类器组合的方法:串行、并行和层次级联等,接着介绍了认知频谱感知中的AND准则、OR准则和K/N准则,最后基于贝叶斯风险最小准则和错误最小概率准则推导了最优融合情况下的K和N。4.从机器学习理论角度提出了基于决策融合的欺骗干扰识别。首先对真实信号和欺骗干扰信号进行小波系数分解和奇异值分解,并将结果作为它们的特征向量,然后基于这些特征向量分别用支持向量机,神经网络和决策树进行识别并将结果输出,最后基于K/N准则对三个分类器的结果进行决策融合,得到最终识别结果。实验证明,决策融合的方法能充分利用不同分类器的优点,提高整体识别率和系统性能。
【关键词】：卫星导航 欺骗干扰检测 拟合优度检测 特征提取 分类识别 决策融合
【学位授予单位】：杭州电子科技大学
【学位级别】：硕士
【学位授予年份】：2016
【分类号】：TN972.3
【目录】：

• 摘要5-6
• ABSTRACT6-10
• 第1章 绪论10-21
• 1.1 研究背景及意义10-11
• 1.2 卫星导航欺骗干扰识别研究现状11-19
• 1.2.1 国内外欺骗干扰研究现状11-16
• 1.2.1.1 卫星导航接收机的干扰分类11-12
• 1.2.1.2 国内外欺骗干扰研究现状12-16
• 1.2.2 决策融合技术研究现状16-19
• 1.3 本文工作及章节安排19-21
• 第2章 基于信道差异的欺骗干扰检测21-33
• 2.1 干扰检测和识别21
• 2.2 卫星通信中的概率分布模型21-24
• 2.2.1 Gaussian分布21-22
• 2.2.2 Rice分布22-23
• 2.2.3 Rayleigh分布23
• 2.2.4 Lognormal分布23-24
• 2.3 Lutz模型24-25
• 2.4 基于拟合优度的欺骗干扰检测25-32
• 2.4.1 KS检测的算法步骤27
• 2.4.2 CVM检测的算法步骤27-28
• 2.4.3 AD检测的算法步骤28
• 2.4.4 性能分析及仿真28-32
• 2.5 本章小结32-33
• 第3章 决策融合33-42
• 3.1 多分类器组合方法33-37
• 3.1.1 串行组合33
• 3.1.2 并行组合33-37
• 3.1.3 层次级联37
• 3.2 K/N准则37-41
• 3.2.1 AND准则38
• 3.2.2 OR准则38-39
• 3.2.3 K out of N准则39-40
• 3.2.4 K/N准则优化40-41
• 3.3 本章小结41-42
• 第4章 基于决策融合的欺骗干扰识别42-60
• 4.1 基于小波奇异值的特征提取42-44
• 4.1.1 小波变换42-43
• 4.1.2 奇异值分解43-44
• 4.2 支持向量机44-48
• 4.2.1 线性可分支持向量机44-46
• 4.2.2 线性不可分支持向量机46
• 4.2.3 非线性支持向量机46-48
• 4.3 概率神经网络48-52
• 4.3.1 贝叶斯判决理论48-49
• 4.3.2 Parzen窗49
• 4.3.3 概率神经网络结构49-50
• 4.3.4 概率神经网络学习算法50-52
• 4.4 决策树52-55
• 4.4.1 树的生成52-53
• 4.4.2 树的剪枝53
• 4.4.3 常用算法53-55
• 4.5 性能分析及仿真55-59
• 4.5.1 性能评价指标55-56
• 4.5.2 仿真实验56-59
• 4.6 本章小结59-60
• 第5章 总结与展望60-61
• 致谢61-62
• 参考文献62-67
• 附录67

【相似文献】

中国期刊全文数据库 前10条

1 赵严冰;张国兵;;雷达有源欺骗干扰的有效性分析[J];舰船电子对抗;2006年04期

2 倪建春;王宝;;有源欺骗干扰及雷达反对抗策略研究[J];舰船电子对抗;2011年03期

3 韩伟;汤子跃;朱振波;黄晓斌;;基于脉内特征的雷达抗欺骗干扰方法[J];雷达科学与技术;2012年05期

4 李欣;王春阳;;航迹欺骗干扰及其对抗技术的研究现状与发展[J];飞航导弹;2013年08期

5 陶本仁;对抗欺骗干扰的技术途径[J];航天电子对抗;1998年03期

6 王荣毅;对多部信号实时欺骗干扰的波段判别[J];舰船电子对抗;1998年03期

7 周颖,王雪松,魏保华;波门拖引式欺骗干扰效果的模糊综合评判[J];航天电子对抗;2000年02期

8 胡新宇,朱伟强;对星载合成孔径雷达欺骗干扰技术的研究[J];航天电子对抗;2005年03期

9 甘荣兵,王建国;改进的对星载SAR的应答式欺骗干扰[J];电子科技大学学报;2005年05期

10 程高峰;蒋晓瑜;陈昕;李强;;基于神经网络的雷达抗欺骗干扰方法[J];装甲兵工程学院学报;2006年04期

中国重要会议论文全文数据库 前7条

1 吕红丽;翟建勇;王伟;;卫导接收机欺骗干扰威胁和反欺骗措施分析[A];第四届中国卫星导航学术年会论文集-S7 北斗/GNSS用户终端技术[C];2013年

2 黄龙;唐小妹;王飞雪;;卫星导航接收机抗欺骗干扰方法研究[A];第二届中国卫星导航学术年会电子文集[C];2011年

3 李金亮;张志远;;激光欺骗干扰设备仿真测试方法研究[A];’2004系统仿真技术及其应用学术交流会论文集[C];2004年

4 汤广富;朱珍珍;刘欢;付强;;基于角闪烁特征的单脉冲抗有源欺骗干扰方法[A];第十四届全国信号处理学术年会(CCSP-2009)论文集[C];2009年

5 胡彦逢;曹可劲;李豹;朱银兵;;转发式欺骗干扰钟差补偿算法研究[A];第五届中国卫星导航学术年会论文集-S8 卫星导航模型与方法[C];2014年

6 陈志勇;付耀文;黎湘;;实时SAR欺骗干扰系统研究[A];第十四届全国信号处理学术年会(CCSP-2009)论文集[C];2009年

7 王迪;雷武虎;杨越;;SAR欺骗干扰与散射波干扰信号生成[A];2006北京地区高校研究生学术交流会——通信与信息技术会议论文集（上）[C];2006年

中国博士学位论文全文数据库 前5条

1 田晓;雷达有源欺骗干扰综合感知方法研究[D];电子科技大学;2013年

2 赵博;合成孔径雷达欺骗干扰方法研究[D];西安电子科技大学;2015年

3 张鑫;卫星导航欺骗干扰信号仿真与检测关键技术研究[D];国防科学技术大学;2014年

4 林晓烘;星载合成孔径雷达干扰与抗干扰技术研究[D];国防科学技术大学;2014年

5 李伟;分布式星载SAR干扰与抗干扰研究[D];国防科学技术大学;2006年

中国硕士学位论文全文数据库 前10条

1 贾宝京;SAR欺骗干扰抑制和目标高分辨成像方法的研究[D];燕山大学;2015年

2 齐兆龙;SAR散射式欺骗干扰及其对抗技术研究[D];燕山大学;2016年

3 檀鹏超;雷达有源欺骗干扰多维特征提取与识别技术研究[D];电子科技大学;2016年

4 秦源;基于信道差异和决策融合的欺骗干扰检测识别[D];杭州电子科技大学;2016年

5 邵章义;基于模型参数辨识的欺骗干扰识别[D];杭州电子科技大学;2016年

6 毕金亮;雷达有源欺骗干扰高效识别算法研究[D];电子科技大学;2013年

7 刘义峰;雷达抗有源欺骗干扰方法研究[D];西安电子科技大学;2010年

8 崔乐园;逆合成孔径雷达欺骗干扰研究及其软件实现[D];西安电子科技大学;2014年

9 符荡;雷达抗有源欺骗干扰技术研究[D];电子科技大学;2014年

10 成霄亮;制导雷达抗有源欺骗干扰方法研究[D];湖南大学;2014年

，

本文编号：567260