卫星导航多干扰源的识别和定位
发布时间：2021-04-08 06:30
卫星导航信号到达地面的强度弱（约为-160 dBm）,极易受到各种主动被动电磁干扰的压制,尤其在复杂电磁环境区域内,导航接收终端可能同时接收到一种或数种带内干扰,导致局部区域内卫星导航接收机无法完成对有用信号的捕获跟踪,进而导致定位失败。因此,本文将开展卫星导航多干扰信号源定位技术研究,通过对定位失效区域的检测,完成对各类体制干扰源的排查和剔除,并重点针对上述问题中的多干扰源识别和多干扰源定位问题开展研究。主要工作如下:（1）梳理了常见卫星导航干扰信号的类型和体制,建立了其相应的的信号模型,并分别对各类信号的特性进行了简要分析;讨论了干扰信号定位的一般方法,并根据常见卫星导航干扰信号特点,确定了采用多台站观测多干扰源的TDOA定位模式;提出了适应于大多数卫导干扰信号体制的时域互相关特征提取方法,该方法一方面通过时域互相关可直接获得多个干扰信号到达各监测站的时间差信息,便于完成双曲定位,另一方面在具有计算量小、时延测量精度高的优点。（2）研究基于支持向量机多分类和卷积神经网络两种机器学习分类方法,针对互相关图中各不同相关峰进行分类识别,从多干扰信号相关图中识别出各干扰信号类型和数量,并对...
【文章来源】：西安理工大学陕西省
【文章页数】：59 页
【学位级别】：硕士
【文章目录】：
摘要
abstract
1. 绪论
1.1. 课题研究背景与意义
1.2. 国内外研究现状
1.2.1. 干扰识别技术研究现状
1.2.2. 干扰定位技术研究现状
1.3. 论文结构安排
2. 干扰源信号模型与特征提取
2.1. 导航干扰信号类型
2.2. 干扰信号模型
2.2.1. 单音干扰
2.2.2. 脉冲干扰
2.2.3. 线性调频干扰
2.2.4. 跳频干扰
2.2.5. 窄带干扰
2.3. 常见的干扰源定位方法
2.3.1. RSS定位方法
2.3.2. AOA/DOA定位方法
2.3.3. TOA/TDOA定位方法
2.3.4. FDOA定位方法
2.4. 互相关特征提取
2.5. 本章小结
3. 基于机器学习的多干扰信号识别
3.1. 基于SVM多分类的干扰识别
3.1.1. 支持向量机网络
3.1.2. 仿真结果与分析
3.2. 基于卷积神经网络的干扰识别
3.2.1. 卷积网络基础
3.2.2. VGG网络模型
3.2.3. 仿真结果与分析
3.3. 两种算法对比分析
3.4. 本章小结
4. 多干扰源定位算法及仿真
4.1. TDOA测量值的获取
4.2. TDOA定位的解算
4.2.1. 泰勒级数法
4.2.2. Chan算法
4.3. TDOA定位算法仿真实现
4.4. 本章小结
5. 总结与展望
致谢
参考文献
【参考文献】：
期刊论文
[1]基于选择性陷波的窄带干扰抑制策略研究[J]. 郭巍,潘申富,陈敬乔. 无线电工程. 2020(06)
[2]基于改进RSS测距的拉格朗日优化定位算法[J]. 杨颖辉,杨群亭,高铁杠. 火力与指挥控制. 2019(12)
[3]基于支持向量机的改进分类算法[J]. 李亦滔. 计算机系统应用. 2019(10)
[4]传感器参数误差下的运动目标TDOA/FDOA无源定位算法[J]. 孙霆,董春曦. 航空学报. 2020(02)
[5]基于频差和频差变化率的动目标定位反演解时差模糊算法[J]. 丛迅超. 信息技术与信息化. 2019(09)
[6]基于深层卷积神经网络和双谱特征的雷达信号识别方法[J]. 刘赢,田润澜,王晓峰. 系统工程与电子技术. 2019(09)
[7]基于改进的卷积神经网络多姿态人脸识别研究[J]. 韩东,王学军. 吉林大学学报(信息科学版). 2018(05)
[8]深度学习发展综述[J]. 侯宇青阳,全吉成,王宏伟. 舰船电子工程. 2017(04)
[9]基于时频图像特征提取的LFM雷达有源欺骗干扰识别[J]. 杨少奇,田波,李欣,谭铭. 空军工程大学学报(自然科学版). 2016(01)
[10]无源探测与定位系统发展综述[J]. 王海风,赵东涛,王浩. 科技创新与应用. 2014(18)
博士论文
[1]多站无源定位技术研究[D]. 朱颖童.西安电子科技大学 2017
[2]基于DRFM的线性调频脉冲压缩雷达干扰新技术[D]. 刘忠.国防科学技术大学 2006
硕士论文
[1]基于信号强度的室内定位算法的研究[D]. 李洪雷.天津大学 2016
[2]基于三星干扰源定位的时差参数估计研究[D]. 雷倩.北京工业大学 2013
[3]蜂窝网络TOA/TDOA定位技术研究[D]. 韦萌.西安电子科技大学 2010
[4]窄带通信信号源的高精度时差估计[D]. 王琰.电子科技大学 2008
本文编号：3125041
【文章来源】：西安理工大学陕西省
【文章页数】：59 页
【学位级别】：硕士
【文章目录】：
摘要
abstract
1. 绪论
1.1. 课题研究背景与意义
1.2. 国内外研究现状
1.2.1. 干扰识别技术研究现状
1.2.2. 干扰定位技术研究现状
1.3. 论文结构安排
2. 干扰源信号模型与特征提取
2.1. 导航干扰信号类型
2.2. 干扰信号模型
2.2.1. 单音干扰
2.2.2. 脉冲干扰
2.2.3. 线性调频干扰
2.2.4. 跳频干扰
2.2.5. 窄带干扰
2.3. 常见的干扰源定位方法
2.3.1. RSS定位方法
2.3.2. AOA/DOA定位方法
2.3.3. TOA/TDOA定位方法
2.3.4. FDOA定位方法
2.4. 互相关特征提取
2.5. 本章小结
3. 基于机器学习的多干扰信号识别
3.1. 基于SVM多分类的干扰识别
3.1.1. 支持向量机网络
3.1.2. 仿真结果与分析
3.2. 基于卷积神经网络的干扰识别
3.2.1. 卷积网络基础
3.2.2. VGG网络模型
3.2.3. 仿真结果与分析
3.3. 两种算法对比分析
3.4. 本章小结
4. 多干扰源定位算法及仿真
4.1. TDOA测量值的获取
4.2. TDOA定位的解算
4.2.1. 泰勒级数法
4.2.2. Chan算法
4.3. TDOA定位算法仿真实现
4.4. 本章小结
5. 总结与展望
致谢
参考文献
【参考文献】：
期刊论文
[1]基于选择性陷波的窄带干扰抑制策略研究[J]. 郭巍,潘申富,陈敬乔. 无线电工程. 2020(06)
[2]基于改进RSS测距的拉格朗日优化定位算法[J]. 杨颖辉,杨群亭,高铁杠. 火力与指挥控制. 2019(12)
[3]基于支持向量机的改进分类算法[J]. 李亦滔. 计算机系统应用. 2019(10)
[4]传感器参数误差下的运动目标TDOA/FDOA无源定位算法[J]. 孙霆,董春曦. 航空学报. 2020(02)
[5]基于频差和频差变化率的动目标定位反演解时差模糊算法[J]. 丛迅超. 信息技术与信息化. 2019(09)
[6]基于深层卷积神经网络和双谱特征的雷达信号识别方法[J]. 刘赢,田润澜,王晓峰. 系统工程与电子技术. 2019(09)
[7]基于改进的卷积神经网络多姿态人脸识别研究[J]. 韩东,王学军. 吉林大学学报(信息科学版). 2018(05)
[8]深度学习发展综述[J]. 侯宇青阳,全吉成,王宏伟. 舰船电子工程. 2017(04)
[9]基于时频图像特征提取的LFM雷达有源欺骗干扰识别[J]. 杨少奇,田波,李欣,谭铭. 空军工程大学学报(自然科学版). 2016(01)
[10]无源探测与定位系统发展综述[J]. 王海风,赵东涛,王浩. 科技创新与应用. 2014(18)
博士论文
[1]多站无源定位技术研究[D]. 朱颖童.西安电子科技大学 2017
[2]基于DRFM的线性调频脉冲压缩雷达干扰新技术[D]. 刘忠.国防科学技术大学 2006
硕士论文
[1]基于信号强度的室内定位算法的研究[D]. 李洪雷.天津大学 2016
[2]基于三星干扰源定位的时差参数估计研究[D]. 雷倩.北京工业大学 2013
[3]蜂窝网络TOA/TDOA定位技术研究[D]. 韦萌.西安电子科技大学 2010
[4]窄带通信信号源的高精度时差估计[D]. 王琰.电子科技大学 2008
本文编号：3125041
本文链接：https://www.wllwen.com/shoufeilunwen/xixikjs/3125041.html
