一种基于卷积神经网络的GNSS欺骗干扰检测方法与流程

本发明属于卫星导航系统中的干扰检测技术领域，特别涉及一种基于卷积神经网络(convolutionalneuralnetwork，cnn)的gnss欺骗干扰检测方法。

背景技术：

全球卫星导航系统(globalnavigationsatellitesystem，gnss)是一种覆盖广、全天候、实时以及高精度的导航系统。随着卫星导航技术的不断发展，gnss广泛应用于各类军用和民用设施。随着卫星导航定位技术的发展，其用户数量及应用场景不断增加，安全性、可靠性也越来越受到人们的重视。当前卫星导航系统所面临的安全威胁主要可以分为无意干扰和有意干扰。有意干扰主要指人为恶意干扰，又可以分为压制式干扰和欺骗式干扰以及组合干扰。压制式干扰指对卫星频段施加强功率干扰信号，导致接收机无法接收卫星信号。而欺骗式干扰指发射与导航卫星相同或相似、然而功率更强一些的信号，卫星导航系统用户的接收终端可能把这种信号误认为是由真实导航卫星发来的，而对其进行捕获与跟踪，导致接收终端产生错误的信息或者无信息输出。相对于传统的强功率压制式干扰，欺骗式干扰具备隐蔽性强、设备小型化、干扰效率高等优势，检测难度较大。

现有欺骗式干扰的检测方法主要分为两个方面：一是基于多天线，通过信号的空域特征进行检测，即检测多个卫星的信号的来波方向用以判断，如果有多个prn(pseudorandomnoisecode)信号来自同一方向，则认为卫星信号中存在欺骗信号。二是基于信号处理，通过信号的时域、频域、功率等特征进行检测，包括信号绝对功率检测、载噪比检测、信号质量监测、基于raim(receiverautonomousintegritymonitoring)的检测等，这几种方法的适用性较强，但是信号绝对功率检测和载噪比检测的准确率较差，基于raim的检测需要对信号进行解算而复杂度较高、时效性不强。信号质量监测主要通过信号相关峰是否发生畸变来判断是否存在欺骗信号，现有信号质量监测的方法主要有在信号捕获时检测相关峰数量和在信号跟踪时分析相关器输出等方法；目前的信号捕获时检测相关峰数量的方法在欺骗信号与真实信号伪码相位差小于2码片时难以分辨。

技术实现要素：

本发明的目的在于提供一种基于卷积神经网络的gnss欺骗干扰检测方法，以解决上述存在的技术问题。本发明的gnss欺骗干扰检测方法基于卷积神经网络，将gnss接收机在信号捕获时产生的二维矩阵作为检测数据，截取相关峰邻近数据交由cnn算法做重点检测，可较高效利用数据信息，在欺骗信号与真实信号伪码相位差小于2码片时也能够分辨，能够以较高的准确率检测欺骗信号的存在与否。

为达到上述目的，本发明采用以下技术方案：

一种基于卷积神经网络的gnss欺骗干扰检测方法，包括以下步骤：

步骤2.1，在二维搜索矩阵a上截取相关峰apeak1周围区域内的数据获得检测矩阵as；矩阵a为gnss接收机在信号捕获阶段产生的以多普勒频移和伪码相位为轴的二维搜索矩阵；周围区域的范围为多普勒频移轴上±2khz、伪码相位轴上±2码片；检测矩阵as的大小为ms×ns，其中，ms＝4/δfd+1，ns＝4/δtc+1，ms表示截取后多普勒频移轴上矩阵的长度，δfd为多普勒频移搜索步长，ns表示截取后伪码相位轴上矩阵的长度，δtc为伪码相位搜索步长；

步骤2.2，将步骤2.1获得的检测矩阵as进行预处理；预处理包括将检测矩阵as中低于门限值λp的值置零；

步骤2.3，将步骤2.2预处理后的检测矩阵as输入待训练的卷积神经网络模型进行参数训练更新，获得用于检测gnss欺骗干扰的卷积神经网络模型；

步骤2.4，通过步骤2.3获得用于检测gnss欺骗干扰的卷积神经网络模型检测待检测gnss信号生成的检测矩阵as，获得检测结果。

进一步的，步骤2.2中门限值λp的取值为：λp＝2amean；式中，amean为二维矩阵a的均值。

进一步的，还包括：

步骤1，搜索矩阵a，检测大于捕获门限的相关峰数量npeak；如果npeak≥2，认为信号中有2个或以上相关峰，获得存在欺骗干扰信号的检测结果；如果npeak＝1，跳转至步骤2.1；二维矩阵a为gnss接收机在信号捕获阶段产生的以多普勒频移和伪码相位为轴的二维矩阵。

进一步的，步骤1中以apeak/amean>λacq为捕获条件，apeak为二维矩阵峰值，amean为二维矩阵均值，λacq为捕获门限，具体包括以下步骤：

步骤1.1，计算二维矩阵a的均值amean，计算公式为na为a中元素的个数，aij为二维矩阵中的元素；

步骤1.2，搜索二维矩阵a，获得最大值apeak1，若apeak1/amean>λacq，则相关峰数量npeak＝1，跳转至步骤1.3；若npeak＝0，认为接收信号中不存在当前prn的信号，结束检测；

步骤1.3，对二维矩阵a进行数据处理：将apeak1所在位置多普勒频移轴上±1khz、伪码相位轴上±1码片区域内的数据置零；搜索数据处理后的二维矩阵a，获得最大值apeak2；若apeak2/amean>λacq，则npeak＝2，认为接收信号中有2个相关峰，获得存在欺骗干扰信号的检测结果；否则npeak＝1，跳转至步骤2.1。

进一步的，步骤2.3的卷积神经网络模型检测训练中，输入层将输入数据x经过卷积运算变为卷积层c；卷积运算过程为：

式中，wk为卷积核，bk为偏置参数，f(.)为激活函数，卷积核wk中的参数以及偏置参数bk为可训练参数；

卷积层c经过池化运算变为p；

全连接层对经过卷积层和池化层的图像特征图中的特征进行整合，将图像特征p拉成一个列向量fv；fv经过softmax函数计算后得到输出结果o，o表示结果为各分类标签的概率；计算过程为：

o＝softmax(oo),oo＝f(wo^tfv+bo)

其中oo为网络输出，f(.)为输出层激活函数；softmax函数的计算过程为：wo为全连接层与输出层之间的矩阵参数，bo为偏置参数；wo和bo是可训练参数。

进一步的，卷积层c经过池化运算变为p的过程中采用平均池化运算；

平均池化运算过程为：

其中，s为池化窗口，大小为s0@s1×s2，s0、s1、s2分别为池化窗口的数量、长和宽。

进一步的，δtc小于等于1码片。

与现有技术相比，本发明具有以下有益效果：

本发明的基于卷积神经网络的gnss欺骗干扰检测方法，将卷积神经网络应用于gnss欺骗干扰检测，是一种基于信号捕获时检测相关峰数量的欺骗干扰信号检测方法，相比于现有的检测方法，本发明通过截取相关峰邻近数据交由cnn算法做二次重点检测，可较高效利用数据信息，在欺骗信号与真实信号伪码相位差小于2码片时也能够较精确分辨，能够以较高的准确率检测欺骗信号的存在与否；通过调整伪码相位搜索步长，可调节检测精度和准确度，步长值越小，检测效果越好；cnn模型的参数在使用训练数据训练之后，可以直接用模型进行分类计算，采用cnn算法速度较快；本发明的检测准确率高于直接绝对功率检测和利用信号跟踪相关器输出使用mlp进行分类的方法。

附图说明

图1为现有的卫星导航系统转发式欺骗干扰模型示意图；

图2为现有的导航卫星接收机信号捕获二维搜索示意图；

图3为现有的导航卫星接收机基于fft算法的信号捕获原理示意框图；

图4为现有的接收信号中仅存在卫星导航信号的捕获结果的示意图；

图5为现有的接收信号中同时存在卫星导航信号和欺骗信号的捕获结果的示意图；

图6为本发明的一种基于卷积神经网络的gnss欺骗干扰检测方法的流程示意框图；

图7为本发明的一种基于卷积神经网络的gnss欺骗干扰检测方法在δtc＝0.5码片时的检测过程示意图，；

图8为本发明的一种基于卷积神经网络的gnss欺骗干扰检测方法采用不同δtc的检测结果对比示意图；

图9为本发明的一种基于卷积神经网络的gnss欺骗干扰检测方法采用不同模型的检测效果对比示意图；

图10为图像分类使用本发明的cnn算法和knn算法的检测结果对比示意图；

图11为本发明的检测方法与基于信号处理的欺骗信号检验方法对比图。

具体实施方式

下面结合附图和具体实施例对本发明作进一步详细说明。

请参阅图1至图7，本发明的一种基于卷积神经网络的gnss欺骗干扰检测方法，基于的系统模型是卫星导航网络：卫星导航信号始终存在，欺骗干扰信号可能存在，即系统存在两种情况；h0：gnss接收机接收信号中仅存在卫星导航真实信号；h1：接收信号中同时存在卫星导航真实信号和欺骗信号，欺骗信号模拟真实信号的伪码相位、多普勒频移等参数，功率略高于真实信号，使其在gnss接收机捕获时能够有更大的概率被捕获。

gnss接收机接收卫星信号后，将信号经过下变频转化为中频信号：

其中，sls(t)为卫星导航直射信号，smp(t)为多径信号，n(t)为噪声信号，sspoof(t)为欺骗信号。

其中，p为信号功率，c(t)为伪码即ca码，d(t)为导航数据，fif为理论中频，fdoppler为多普勒频移，φ为初始伪码相位，为初始载波相位，角标mk表示第k路多径信号，m表示共有m路多径信号。

gnss接收机对中频信号进行捕获，信号捕获的方法有基于时域相关器的方法、基于匹配滤波器的方法和基于fft的方法等，均会生成二维矩阵，用于搜索相关峰并粗略估计卫星导航信号的多普勒频移和伪码相位。在信号捕获阶段接收机依次对所有prn进行搜索，生成以多普勒频移和伪码相位为轴的二维数组，即矩阵a，大小为m×n，其中，m表示多普勒频移轴的数据长度，m＝(fdmax-fdmin)/δfd+1，fdoppler_range为多普勒频移的搜索范围，fdmax和fdmin分别为fdoppler_range的上下限，δfd为多普勒频移搜索步长，n表示伪码相位轴的长度，tcacode_range为伪码相位的搜索范围，为tcacode_range的长度，δtc为伪码相位搜索步长。如图2所示，信号为gps信号时，tcacode_range为[1,1023]，多普勒频移搜索范围为fdoppler_range＝[-7khz,7khz]。

本发明仿真中采用基于fft的捕获方法，信号捕获过程如图3所示：

(1)设置本地载波频率为fw＝fif+fdmin+(i-1)δfd，i＝1。fif为卫星信号下变频之后的理论中频频率。

(2)将接收的中频信号sr(t)和本地载波发生器输出的同相和正交信号相乘，通过低通滤波器得到基带的复信号s(t)＝i+jq，其中，i、q分别为同相和正交之路信号，t为捕获周期。

1)对s(t)做fft得到s(f)。

2)本地伪码发生器根据当前prn生成伪码信号c(t)，做fft并取共轭得到c^*(f)。

3)将s(f)与c^*(f)相乘并做ifft得到一维数组大小为n×1。

4)如果i<m，则i＝i+1，fw＝fif+fdmin+(i-1)δfd，继续步骤2)；如果i＝m，则由的集合组成二维搜索矩阵a，大小为m×n。

当接收信号中不存在当前prn的卫星导航信号时，a中无满足捕获条件的相关峰；当接收信号中仅存在当前prn的卫星导航信号时，二维矩阵a中仅有1个大于捕获门限的相关峰，如图4所示。当接收信号中同时存在当前prn的卫星导航信号和欺骗信号时，信号捕获产生的二维矩阵将有2个或以上大于检测门限的相关峰，如图5所示，而在欺骗信号与真实信号的偏移较小时，这些相关峰可能会完全重叠或部分重叠，这就为欺骗干扰的检测带来了难度。

本发明所提出的检测方法主要针对欺骗信号与真实信号伪码相位差δt在2码片之内时难以检测的问题，通过截取最大相关峰伪码相位轴上±2码片区域内的数据，以检测其是否存在相关峰重叠的情况，即是否存在欺骗干扰信号产生的相关峰。本发明的一种基于卷积神经网络的gnss欺骗干扰检测方法，具体包括以下步骤：

步骤1，gnss接收机在信号捕获阶段，会产生以多普勒频移和伪码相位为轴的二维矩阵a。首先搜索二维矩阵a检测大于捕获门限的相关峰数量npeak，如果npeak≥2，认为信号中有2个或以上相关峰，存在欺骗干扰信号；如果npeak＝1，未检测到欺骗干扰信号，跳转至步骤2。

上述步骤1具体包括：

首先检测大于捕获门限的相关峰数量npeak

以apeak/amean>λacq为捕获条件，apeak为二维矩阵峰值，amean为二维矩阵均值，λacq为捕获门限。本发明仿真采用方法步骤为：

1.1)求出a的均值na为a中元素的个数。

1.2)搜索a，得到最大值apeak1，如果apeak1/amean>λacq，则相关峰数量npeak＝1，继续步骤1.3)，否则npeak＝0，认为信号中不存在当前prn的信号。

1.3)将apeak1所在位置多普勒频移轴上±1khz、伪码相位轴上±1码片区域内的数据置零。搜索a，得到最大值apeak2，如果apeak2/amean>λacq，则npeak＝2，认为信号中有2个相关峰，存在欺骗干扰信号，否则npeak＝1，未检测到欺骗干扰信号，继续步骤2)。

步骤2，截取二维矩阵a相关峰伪码相位轴上±2码片区域内的数据得到检测矩阵as，经过数据预处理之后交由卷积神经网络(cnn)进行检测训练和分类；检测训练至数据用完或者达到预设收敛条件。

步骤2的实现方法如下：

步骤2.1，在二维矩阵a上截取相关峰apeak1所在位置周围多普勒频移轴上±2khz、伪码相位轴上±2码片区域内的数据，得到新的检测矩阵as，大小为ms×ns，其中，ms＝4/δfd+1，ns＝4/δtc+1。

步骤2.2，对数据进行预处理，由于在矩阵as中仅相关峰附近的数据与检测相关，所以将as中低于门限值λp的值置零。

步骤2.3，将检测矩阵as交由cnn进行检测训练和验证。cnn模型的结构根据as的大小预先设定。首先使用已知场景分类的训练数据对设定好结构的cnn模型参数进行训练，训练截止条件为迭代次数完成或误差不再变化或误差达到要求，训练完毕之后，输入测试数据对cnn模型的检测效果进行测试。

步骤2具体包括以下步骤：

2)截取矩阵a，作为图像交由cnn进行检测训练和分类。

2.1)在矩阵a上截取apeak1所在位置周围多普勒频移轴上±2khz、伪码相位轴上±2码片区域内的数据，得到新的矩阵as，大小为ms×ns，其中，ms＝4/δfd+1，ns＝4/δtc+1。gnss接收机中一般将δfd设置为0.5khz，δtc设置为0.5码片。

2.2)对数据进行预处理，由于在矩阵as中仅相关峰附近的数据与检测相关，所以将as中低于λp的值置零；其中本次仿真中λp＝2amean。

2.3)将检测矩阵as交由cnn进行检测训练和验证。cnn模型的结构根据as的大小预先设定。cnn模型的结构需要认为设定的主要为卷积层和池化层的数量和排列以及卷积核和池化窗口的大小，设定原则一般为：1、经过当前层运算使得输出图像的尺寸向长宽相等的规则图像靠近；2、经过每层的运算均使得输出层的大小不出现小数，其中卷积层的运算为减法，mc＝mi-k1+1，nc＝ni-k2+1，池化层的运算为除法，mp＝mi/s1，np＝ni/s2，m、n分别表示当前层的长和宽，下标i表示输入层，c表示卷积层，p表示池化层，k1、k2分别为卷积核的长和宽。s1、s2分别为池化窗口的长和宽。举例说明，当as大小为9×9时，cnn模型的结构如图6所示，处理过程如下：

2.3.1)输入层x，大小为fx@mx×nx＝1@9×9，即每个输入样本为1个9×9的图像。

2.3.2)经过卷积运算，变成卷积层c，大小为fc@mc×nc＝4@4×4，其中fc＝k0，mc＝mi-k1+1，nc＝ni-k2+1。过程为：

c＝f((∑wk*x)+bk)

其中，wk为卷积核，大小为k0@k1×k2＝4@6×6，k0、k1、k2分别为卷积核的数量、长和宽。bk为偏置参数，大小为k0×1，f(.)为激活函数，有sigmoid、tanh、relu等。卷积核wk中的参数以及偏置参数bk是可训练参数。

2.3.3)池化有最大池化、平均池化等方法，本次采用平均池化的方法。经过池化运算，变成池化层p，大小为fp@mp×np＝4@2×2，其中fc＝s0，mp＝mc/s1，np＝nc/s2。过程为：

其中，s为池化窗口，大小为s0@s1×s2＝4@2×2，s0、s1、s2分别为池化窗口的数量、长和宽。

2.3.4)全连接层对经过卷积层和池化层的图像特征图中的特征进行整合，将图像特征拉成一个列向量fv，大小为ffv@mfv×nfv＝1@1×16，其中nfv＝fpmpnp。

2.3.5)fv经过softmax函数计算后得到输出结果o，大小为fo@mo×no＝1@1×2，其中，no等于分类标签个数，o表示结果为各分类标签的概率。过程为：

o＝softmax(oo),oo＝f(wo^tfv+bo)

其中oo为网络输出，f(.)为输出层激活函数。softmax函数的计算过程为：目的为计算x的标签为j的概率，并使得概率之和为1。wo为全连接层与输出层之间的矩阵参数，bo为偏置参数。wo和bo是可训练参数。

2.3.6)cnn使用bp(errorbackpropagation)反向传播算法更新参数。以mse(meansquareerror)为传递误差e，反向传播。采用平方误差代价函数：

其中y为样本数据的实际分类标签。

参数更新的主要公式为：其中w为更新后的连接参数，wi为初始的连接参数，η为学习效率。对wk、bk、wo和bo等求偏导，并更新参数。

从输出层返回全连接层，进行误差传递和参数更新：

od＝e⊙f'(oo)，

其中od表示输出层返回的残差，大小为fo@mo×no＝1@2×1，f'(.)表示f(.)的导数，⊙表示阿尔玛内积，即对应位置的向量相乘，fvd表示全连接层返回的残差，大小为ffv@mfv×nfv＝1@16×1。

从全连接层返回池化层，进行误差传递，将fvd变化为pd，并反转误差，大小为上层池化层的大小，fp@mp×np＝4@2×2

从池化层返回卷积层，进行误差传递和参数更新：

cd＝f'(c)⊙up(pd)，

cd表示卷积层返回的残差，大小为fc@mc×nc＝4@4×4，表示上采样。

每输入一组数据，前向传播、损失计算、反向传播、参数更新的过程为一次迭代(epoch)。

cnn模型的参数经过训练参数更新之后，将测试数据作为输入交给cnn模型检测分类，验证检测效果，获得用于检测gnss欺骗干扰的cnn模型。

卷积神经网络(cnn)是人工神经网络的一种，近年来广泛应用于图像识别、语音识别等领域，具有结构简单、训练参数少、适应性强等特点。它将深度学习的思想引入到了神经网络当中，通过卷积运算来由浅入深的提取图像的不同层次的特征，利用神经网络的训练过程让整个网络自动调节卷积核的参数。卷积神经网络包含一个由卷积层和子采样层构成的特征抽取器，采用了局部连接、权值共享和子采样的方法简化了模型复杂度，减少了参数数量，降低了过拟合的风险。本发明采用了cnn算法来实现欺骗干扰检测。目前，基于多天线的方法主要针对单个欺骗干扰源发射多个prn(pseudorandomnoisecode)信号的情况，其应用存在局限性，并且使用多天线将增加民用卫星导航接收机的成本；信号跟踪时分析相关器输出的方法相当于人工提取信号特征，无法对信号信息充分利用，在信号接收功率不稳定、信噪比较小时检测准确性较低。信号捕获时检测相关峰数量的方法在欺骗信号与真实信号伪码相位差小于2码片时难以分辨。本发明的方法利用二维矩阵a，对接收信号中是否存在欺骗信号进行检测，主要检测依据为相同prn标识是否存在两个或更多信号，即二维矩阵a是否存在两个或更多相关峰。首先检测大于捕获门限λ的相关峰数量npeak，如果npeak≥2个则认为存在欺骗信号，获得检测结果；如果npeak<2则继续执行后续步骤；通过截取二维矩阵a作为图像交由cnn进行检测训练和分类，进而解决欺骗信号与真实信号伪码相位差(以后简称δt)在2码片之内时难以检测的问题。本发明提供的检测方法是一种基于信号质量监测的方法，在信号捕获时，将gnss接收机产生的二维数组作为检测数据，截取相关峰邻近数据交由cnn算法做重点检测。这里，我们将该二维数组看作等效图像，利用cnn在图像识别方面的优势，提高欺骗干扰信号检测的效率。本发明的检测方法适用性强、时机靠前、复杂度适中；而软件接收机的普遍使用为本检测方法的应用提供了可能。

为了验证本发明提出的基于卷积神经网络的gnss欺骗干扰检测方法的性能，我们进行了如下仿真实验：

模拟gnss接收机的中频信号为采样频率为16.3676mhz、理论中频为4.1304mhz的gps卫星导航信号，不关心电文，随机生成电文数据d(t)。模拟的卫星导航信号中带有直射信号和多径信号，模拟一路多径信号，衰落大于3db，接收机接收信噪比snr为-20～-15db。模拟的欺骗信号与真实信号仅存在多普勒频移、伪码相位和功率的不同，多普勒频移差δf在±1khz区间内随机变化，伪码相位差δt在±2码片区间内变化，功率大于直射信号1.1～1.5db。仿真数据共计415800组数据，分为h0：gnss接收机接收信号中仅存在真实的卫星导航信号；h1：gnss接收机接收信号中同时存在卫星导航真实信号和欺骗信号两种场景各207900组。其中h1场景的数据再按欺骗信号和真实信号的伪码相位差δt区分，δt取值区间为0至2码片，步长0.1码片，共计21类，每类9900组数据。取两种场景及对应各类数据的1/2共计207900组作为训练数据；剩余的1/2数据中，h1场景的数据再根据δt分为21类，每类4950组数据，h0场景的数据分为21份，每类4950组数据，与上述21类数据合并得到21类测试数据，每类9900组数据。

接收机采用基于fft的捕获方法，fdoppler_range取[-7khz,7khz]，δfd取0.5khz，tcacode_range＝1023。检测过程中，δtc为伪码相位搜索步长，分别取1码片，0.5码片，0.25码片和0.1码片进行对比。

我们对本发明的方法选取不同的伪码相位搜索步长δtc时的检测效果进行比较，检测矩阵as的大小以及仿真中所采用的cnn模型结构如表1所示：

表1仿真时截取采样频率与cnn模型结构对照表

如图7所示，仿真中分别模拟了本发明方法取不同的伪码相位搜索步长δtc时，对不同伪码相位差的欺骗信号的检测情况。欺骗信号较真实信号的伪码相位差为0码片～2码片，多普勒频移差在±1khz区域内随机取值。可以看出，当欺骗信号与真实信号之间的相位偏移较小时检测效果较差，随着伪码相位偏移的增大、欺骗信号与真实信号的差异越来越大而检测效果越来越好。总体上，步长δtc值越小，检测效果越好。δtc为1码片时，在伪码相位偏移差在0.5码片和1.5码片左右时检测概率较低。这是因为1码片的识别精度无法有效识别0.5码片的偏移，距离n·δtc，n∈r越远，检测效果越差。如表1和表2所示，δtc值越小，检测算法越复杂，时间越长。实际应用中，可根据对检测效果和速率的要求权衡选择。

表2仿真单次数据检测速度对比表

在图8中，我们取δtc＝0.5码片，此时检测矩阵as大小为[9,9]，对比了cnn模型采取不同结构时的检测效果，分别为：

结构1：{input,c1～2@6×6,s2～2@2×2,fullconnection,output}；

结构2：{input,c1～2@4×4,s2～2@2×2,fullconnection,output}；

结构3：{input,c1～2@2×2,s2～2@2×2,fullconnection,output}；

结构4：{input,c1～4@6×6,s2～4@2×2,fullconnection,output}。

从图8可以看出，采用不同模型的情况下，对欺骗信号的检测概率基本相同。在伪码相位差δt小于1码片时稍有不同，基本规律为卷积核越大，即可训练参数越多，检测效果越好，但可训练参数增多时，训练时长和检测时长也会增大，需要权衡检测效果和复杂度。

本发明利用信号捕获阶段二维矩阵进行分类，在图9中，我们对比了采用不同的图像分类算法对检测效果的影响。knn(k-nearestneighbor)算法也是一种常用的图像识别算法，它将待识别图像与所有训练图像进行计算，寻找与待识别图像最为接近的k个训练图像，取对应标签最多的标签为最终结果。从图9可以看出，采用cnn算法进行识别分类比采用knn算法进行分类更加准确，当δtc相同时，cnn的检测概率均高于knn。从表2可以看出，采用cnn算法比采用knn算法速度更快，这是因为cnn模型的参数在使用训练数据训练之后，可以直接用模型进行分类计算，而knn在进行每次分类计算时均需要将所有训练数据与待识别数据进行比较，所以使用cnn算法更加快速准确。

在图10中，我们将几种基于信号处理的方法做了对比，分别是直接绝对功率检测、利用信号跟踪相关器输出使用mlp进行分类(detectionofspoofingattackusingmachinelearningbasedonmulti-layerneuralnetworkinsingle-frequencygpsreceivers,shafieee,mosavimr,moazedim.2017)和本发明提出的利用信号捕获阶段二维矩阵使用cnn进行分类。利用信号跟踪相关器输出使用mlp进行分类的方法主要过程为利用信号跟踪相关器输出的同相和正交的早、及时、晚相关值ie,ip,il,qe,qp,ql，经过公式(1)、(2)、(3)的计算得到delta特征x1，早期-晚期特征x2，信号电平特征x3，交由mlp(multi-layerperceptron)神经网络进行训练和判决。

从图10可以看出，本发明方法检测准确率高于两种对比方案。虽然本发明的方法在检测时间上要长于两种对比方案，但与利用信号跟踪相关器输出由mlp识别分类的方法比较，本发明的方法在信号捕获之后就可以进行检测，而利用信号跟踪相关器输出的方法需要在信号跟踪生成相关器输出之后才可以进行检测，所以本发明的方法在检测结果的时间上并不落后于利用信号跟踪相关器输出的方法。

以上内容是结合具体的优选实施方式对本发明所作的进一步详细说明，不能认定本发明的具体实施方式仅限于此，对于本发明所属技术领域的普通技术人员来说，在不脱离本发明构思的前提下，还可以做出若干简单的推演或替换，都应当视为属于本发明由所提交的权利要求书确定专利保护范围。