چکیده:
امروزه فریب از مهمترین و خطرناکترین تهدیدهای پیش روی گیرندههایGPS است که اطلاعات نادرست به گیرنده میدهد و مشکلاتی را در محاسبات زمانی و مکانی ایجاد میکند. مقابله با فریب از امور مهم در تحقیقات حوزه GPS میباشد. در این مقاله دو روش برای آشکارسازی و جبران اثر سیگنال فریب ارائه میشود. ابزارهای پیشبینی شده برای رسیدن به هدف، فیلتر کالمن و شبکه عصبی بازگشتی میباشند که از تخمینگرهای ساده و قابل پیادهسازی روی پردازندههای ارزان قیمت، به حساب میآیند. الگوریتمهای پیشنهادی همچنین از یک ضریب کاهشی تطبیقی برای جبران اثر فریب استفاده مینمایند. نتایج شبیهسازی روی دادههای واقعی استخراج شده از یک گیرنده تکفرکانسه GPS نشان میدهند که الگوریتمهای پیشنهادی مبتنی بر فیلتر کالمن و شبکه عصبی بازگشتی در آشکارسازی وقوع فریب کاملا موفق میباشند و میتوانند اثر فریب را، به ترتیب به میزان 45 و 65 درصد جبران نمایند. نظر به اینکه دادهای دریافتی هر یک ثانیه بهروز میشوند، هردو الگوریتم بهصورت بلادرنگ عمل مینمایند.
خلاصه ماشینی:
نتایج شبیهسازی روی دادههای واقعی استخراج شده از یک گیرنده تکفرکانسه GPS نشان میدهند که الگوریتمهای پیشنهادی مبتنی بر فیلتر کالمن و شبکه عصبی بازگشتی در آشکارسازی وقوع فریب کاملا موفق میباشند و میتوانند اثر فریب را، به ترتیب به میزان 45 و 65 درصد جبران نمایند.
به دلیل ویژگیهای ذکر شده در بالا و نیز قابلیت پیادهسازی الگوریتمهای مبتنی بر فیلتر کالمن و شبکه عصبی روی پردازندههای دیجیتال ارزان قیمت، در این مقاله دو الگوریتم آشکارسازی و جبران سیگنال فریب مبتنی بر این دو ابزار پیشنهاد شده است.
با توجه به ویژگیهای فوق، در این مقاله، شبکه عصبی بازگشتی برای حل مساله پیشبینی و بهمنظور آشکارسازی و جبران سیگنال فریب بهکار گرفته شده است [13-15].
در این مقاله با استفاده از ابزارهایی به نامهای فیلتر کالمن و شبکه عصبی بازگشتی که در بخشهای قبل به تفصیل به آن پرداخته شد، میخواهیم روشی برای آشکارسازی و جبران سیگنال فریب ارائه نماییم.
اساس کار این مقاله بر مقایسه مقدار شبهفاصله اندازهگیری شده و اطلاعات محاسبه شدهGPS تفاضلی است که به عنوان ورودی ابزار پیشبینی (فیلتر کالمن یا شبکه عصبی بازگشتی) عمل میکند.
در این مقاله از این ایده و روند برای تشخیص زمان اعمال سیگنال فریب و مقدار آن استفاده میکنیم، به این ترتیب که z(k) را به عنوان ورودی شبکه عصبی در نظر میگیریم.
نتایج شبیهسازی اعمال این الگوریتمها به دادههای واقعی، نشاندهنده موفقیت کامل آنها در آشکارسازی فریب و قابلیت جبران 45 درصدی و 65 درصدی اثر فریب، به ترتیب برای روشهای مبتنی بر فیلتر کالمن و شبکه عصبی هستند.