基于模型参数辨识的欺骗干扰识别方法
【技术领域】
[0001] 本发明属于通信技术领域，具体涉及一种基于模型参数辨识的欺骗干扰识别方 法，模型参数辨识的方法有很多，本发明讨论狼群算法。
【背景技术】
[0002] 卫星导航定位系统极易受到多种形式的干扰。其中，最主要的干扰样式为欺骗干 扰，该干扰具有与真实信号相同的增益，并在时、频、空等多域与真实信号完全或者部分重 叠，识别效果往往不太理想。卫星导航系统接收机如何抗欺骗干扰已经成为当前迫切需要 解决的技术问题。
[0003] 抗欺骗干扰的前提是接收机能够检测识别出欺骗干扰。目前国内外针对欺骗干 扰识别方法的研究主要集中在基于特征提取的干扰识别算法，提取的特征参数包括时钟偏 移、多普勒频移和接收机位置等。近年来，对发射机建模并基于模型参数来识别无线发射机 成为了一个新的研究热点。研究表明，基于模型参数的识别方法即使在样本数不多，SNR较 低时也有效。然而，其估计模型参数的方法为最小二乘法和迭代法。这些方法存在着收敛 性不能被严格证明的不足。
【发明内容】
[0004] 为了识别欺骗干扰和真实信号，本发明提出了一种基于发射系统建模以及模型系 数辨识的欺骗干扰识别方法。在对信号发射机和干扰机的建模中主要考虑功率放大器的非 线性，因此，将发射机和干扰机简化为无记忆多项式模型，在对信道进行建模中考虑其多径 效应，将其简化为FIR滤波器模型。因此，整个系统可以等效为一个Ha_erstein模型。利 用狼群算法根据输入输出信号来进行系统辨识，确定系统模型参数。以此模型参数为基础， 通过统计检测方法进行欺骗干扰的识别。
[0005] 本发明采取以下技术方案：
[0006] 基于模型参数辨识的欺骗干扰识别方法，其按如下步骤进行：
[0007] 第一步：考虑到功率放大器的非线性特性，可以将发射机和干扰机等效为非线性 模型，具体的非线性模型包括：无记忆多项式模型、Saleh模型、Hammerstein模型、Wiener 模型、并联Wiener模型、并联Hammerstein模型、Wiener-Hammerstein模型、Volterra级数 模型、记忆多项式模型、神经网络模型等等。为描述方便，本发明以无记忆多项式模型为例 进行阐述。
[0008] 无记忆多项式模型如下：
[0009]
[0010] 其中，Μ是多项式系数个数，d(n)是输入信号，bk是多项式系数。另外，在不改变 系统特性的情况下，为了确定系统的唯一性，令h= 1。
[0011] 第二步：考虑到多径响应，将无线传输信道等效为FIR滤波器模型。
[0012]
[0013] 上式中，hk是信道响应系数，N是FIR滤波器的阶数，w(n)~N(0, 〇2)是加性高斯 白噪声，x(n)是输入信号，y(η)为接收机接收到的信道输出信号。
[0014] 第三步：对整个通信传输系统进行建模。
[0015]
[0016]第四步：接收机根据接收到的数据码元y(η)，估计得到发射端的C/A码，根据输入 输出利用系统辨识算法进行系统辨识，得到模型参数的估计值。系统辨识方法分为传统的 系统辨识方法和智能算法，传统的系统辨识方法有最小二乘法、极大似然法、迭代估计法等 等；智能算法有模拟退火算法、粒子群算法、蚁群算法、鱼群算法、蝙蝠算法等等。本发明以 智能算法中的狼群算法为例进行说明。
[0017] 第五步：在利用系统辨识算法获得系统参数的估计值之后，采用直观的欧氏距离 检测法进行识别，判决准则为：
[0018]
[0019]其中，假设Η。表示接收机接收到的是欺骗干扰信号，Hi表示接收机接收到的信号 是真实信号。式（4)中，QiSGPS发射机系统参数向量，Θ2为干扰机系统参数向量，I是 根据系统的输入输出估计得到的参数向量。
[0020] 本发明综合考虑发射机的非线性特性和信道的多径响应，进行数学统计建模，并 利用系统辨识算法进行系统辨识，得到了参数向量§。基于该参数向量，统计检测中最直观 的欧氏距离法实现对欺骗干扰的检测，该方法运算简单，识别性能好。
【附图说明】
[0021] 图1是通信系统结构图。
[0022] 图2是干扰识别总体方案图。
[0023] 图3是狼群算法流程图。
[0024] 图4是分别用狼群算法和蝙蝠算法进行参数估计并以此进行干扰识别的效果的 比较。
【具体实施方式】
[0025] 本发明针对GPS欺骗干扰检测问题展开研究，通过综合考虑发射机的非线性和无 线通信信道的多径效应，将整个通信系统等效为Hammerstein模型，然后利用狼群算法得 到模型参数的估计值，以此进行欺骗干扰检测。
[0026] 以下结合附图对本发明作进一步说明。
[0027] 第一步：考虑到非线性，将发射机和干扰机等效为无记忆多项式模型。
[0028]
[0029]仿真中Μ= 4。
[0030] 第二步：考虑到多径响应，将无线传输信道等效为FIR滤波器模型。
[0031]
[0032]仿真中N= 3。
[0033] 第三步：对整个通信传输系统进行建模。
[0034]
[0035]第四步：接收机根据接收到的数据码元y(η)，估计得到发射端的C/A码，根据输入 输出利用狼群算法进行系统辨识，得到模型参数的估计值。
[0036] 狼群算法(WPA，WolfPackAlgorithm)模拟了狼群的协作捕猎行为，具有较好的 全局收敛性和计算鲁棒性。在WPA中，狼群中分为头狼，探狼，以及猛狼。头狼就是种群中 具有最优目标函数的人工狼，指挥整个狼群的行动。探狼是较少的具有较优目标函数值的 人工狼，在猎物的可能活动范围中进行游猎。猛狼则只参与最后对猎物的围攻行为。每个 猎物源表示为优化问题的一个可行解，猎物源的气味浓度代表相应解的质量或适应度。算 法的具体步骤如下：
[0037] 步骤1，数值初始化。初始化狼群中人工狼位置&及其数目N，最大迭代次数1^_， 探狼比例因子α，最大游走次数！^.，距离判定因子w，步长因子S，更新比例因子R。
[0038] 步骤2,选取最优人工狼为头狼，除头狼外最佳的S_num匹人工狼为探狼并执行游 走行为，直到某只探狼侦察到的猎物气味浓度t大于头狼所感知的猎物气味浓度YlMd或达 到最大游走次数T_，则转步骤3。
[0039] 步骤3,人工猛狼据式⑶向猎物奔袭，若途中猛狼感知的猎物气味浓度ΥρYWd， 则YlMd=Yi，替代头狼并发起召唤行为；若YlMd，则人工猛狼继续奔袭直到dls<dn_， 转步骤4。
[0040]
(5)
[0041] 式中stepb是召唤行为的步长，Gk是第k次迭代中头狼的位置，是第k次迭代 中第i头狼的位置。
[0042] 步骤4,按式（6)对参与围攻行为的人工狼的位置进行更新，执行围攻行为。
[0043]
(6)
[0044] 瓦甲8七印。定围攻仃73的步长，入定一个随机数，且λ~U[-l, 1]。
[0045] 步骤5,按"胜者为王"的头狼产生规则对头狼位置进行更新；再按照"强者生存" 的狼群更新机制进行群体更新。
[0046] 步骤6,判断是否达到优化精度要求或最大迭代次数T_，若达到则输出头狼的位 置，即所求问题的最优解，否则转步骤2。
[0047]第五步：在利用狼群算法获得系统参数的估计值之后，采用直观的欧氏距离检测 法进行识别，判决准则为：
[0048]
[0049]其中，假设H。表示接收机接收到的是欺骗干扰信号，Hi表示接收机接收到的信号 是真实信号。式中，GiSGPS发射机系统参数向量，Θ2为干扰机系统参数向量，§是根据 系统的输入输出估计得到的参数向量。
[0050]以上狼群算法和蝙蝠算法两种方法所得到的检测性能如图4所示。图4表明两 者方法均能有效的识别欺骗干扰，基于狼群算法的检测方法要优于基于蝙蝠算法的检测方 法，在SNR从2dB到14dB之间，检测率要高出4. 93%。
[0051]以上对本发明的优选实施例及原理进行了详细说明，对本领域的普通技术人员而 言，依据本发明提供的思想，在【具体实施方式】上会有改变之处，而这些改变也应视为本发明 的保护范围。
【主权项】
1. 基于模型参数辨识的欺骗干扰识别方法，其特征是按如下步骤： 第一步：将发射机和干扰机等效为非线性模型； 第二步：将无线传输信道等效为FIR滤波器模型； 第三步：对整个通信传输系统进行建模； 第四步：接收机根据接收到的数据码元y (η)，估计得到发射端的C/A码，根据输入输出 利用系统辨识算法进行系统辨识，得到模型参数的估计值； 第五步：采用直观的欧氏距离检测法进行识别。2. 如权利要求1所述的基于模型参数辨识的欺骗干扰识别方法，其特征是： 第一步：所述的非线性模型包括：无记忆多项式模型、Saleh模型、Hammerstein模 型、Wiener 模型、并联 Wiener 模型、并联 Hammerstein 模型、Wiener-Hammer stein 模型、 Vo 1 terra级数模型、记忆多项式模型、神经网络模型。3. 如权利要求2所述的基于模型参数辨识的欺骗干扰识别方法，其特征是：所述的无 记忆多项式模型如下：其中，Μ是多项式系数个数，d(η)是输入信号，匕是多项式系数；另外，在不改变系统特 性的情况下，为了确定系统的唯一性，令b1= 1。4. 如权利要求3所述的基于模型参数辨识的欺骗干扰识别方法，其特征是：第二步：考 虑到多径响应，将无线传输信道等效为FIR滤波器模型；式（2)中，hk是信道响应系数，N是FIR滤波器的阶数，w (η)~N(0,。2)是加性高斯白 噪声，y(n)为接收机接收到的信道输出信号。5. 如权利要求4所述的基于模型参数辨识的欺骗干扰识别方法，其特征是：第三步：对 整个通信传输系统进行建模；6. 如权利要求5所述的基于模型参数辨识的欺骗干扰识别方法，其特征是：第四步：所 述的系统辨识方法分为传统的系统辨识方法和智能算法。7. 如权利要求6所述的基于模型参数辨识的欺骗干扰识别方法，其特征是：第四步，所 述的系统辨识方法选用智能算法中的狼群算法。8. 如权利要求7所述的基于模型参数辨识的欺骗干扰识别方法，其特征是：第五步：在 利用系统辨识算法获得系统参数的估计值之后，采用直观的欧氏距离检测法进行识别，判 决准则为：其中，假设Η。表示接收机接收到的是欺骗干扰信号，Η 1表示接收机接收到的信号是真 实信号；式（4)中，QiSGPS发射机系统参数向量，Θ 2为干扰机系统参数向量，§是根据 系统的输入输出估计得到的参数向量。
【专利摘要】本发明公开了一种基于模型参数辨识的欺骗干扰识别方法，包括以下步骤：第一步：考虑到功率放大器的非线性特性，将发射机和干扰机等效为非线性模型；第二步：考虑到多径响应，将无线传输信道等效为FIR滤波器模型；第三步：对整个通信传输系统进行建模；第四步：接收机根据接收到的数据码元y(n)，估计得到发射端的C/A码，根据输入输出利用系统辨识算法进行系统辨识，得到模型参数的估计值；第五步：在利用系统辨识算法获得系统参数的估计值之后，采用直观的欧氏距离检测法进行识别。本发明综合考虑发射机和无线传输信道进行数学建模，并以模型参数来作为特征。本发明方法鲁棒性好，识别效果佳。
【IPC分类】H04B17/00
【公开号】CN105281847
【申请号】CN201510582698
【发明人】孙闽红, 邵章义
【申请人】杭州电子科技大学
【公开日】2016年1月27日
【申请日】2015年9月14日