Программные продукты и системы

Введение. Современные навигационные сис- темы, основанные на использовании глобальных спутниковых систем навигации (ГССН), играют ключевую роль в обеспечении точного определения местоположения, скорости и вре- мени в широком диапазоне гражданских и воен- ных приложений. Однако большое расстояние от навигационных спутников до аппаратуры потребителей (навигационных приемников) приводит к тому, что спектральная плотность мощности полезных сигналов на входе антенны становится меньше, чем мощность шума  в антенне. В работе [1] отмечается, что уро- вень информационных сигналов на 20–30 дБ меньше, чем уровень белого шума в антенных элементах, а мощные помехи радиоглушения превышают уровень шума на 20–40 дБ. В случае приема навигационных сигналов на фоне мощной электромагнитной помехи для их выделения требуется обеспечить необходимое для детектирования отношение «сигнал/помеха плюс шум» путем пространственной фильтрации комплексного сигнала с использованием антенных решеток на примерах работ [2–4].

Особенностью современных подходов к уп- равлению антенной решеткой является переход от традиционных статистических методов пространственной фильтрации к интеллекту- альным алгоритмам обработки сигналов, способным учитывать сложную динамику электро- магнитной обстановки и прогнозировать поведение источников помех. В данной работе акцентируется внимание на синтезе интеллектуальных решений по управлению набором адаптивных весовых коэффициентов приемных каналов цифровой антенной решетки в реальном времени, что позволяет минимизировать влияние комбинированных помех – радио- глушения и спуфинга.

В этой связи предложен модифицированный двухэтапный алгоритм адаптивной обработки сигналов [5], ориентированный на последовательное подавление различных типов помех. На первом этапе реализуется подавление мощных шумовых помех радиоглушения с помощью обратной ковариационной матрицы сигнала и технологии диагонального подмешивания, что позволяет формировать глубокие провалы диаграммы направленности по угловым координатам источников активных помех. Однако в условиях пониженного отношения сигнал/шум, и особенно при наличии имитационных помех, такой подход оказывается недостаточным.

На втором этапе предложено использовать методы искусственного интеллекта для анализа докорреляционных сигналов и для принятия управленческих решений о формировании новых адаптивных весовых коэффициентов. Основу этого этапа составляет рекуррентная ней- ронная сеть, такая как LSTM (Long Short-Term Memory), обученная на данных циклической корреляционной матрицы, характеризующих циклостационарные свойства аутентичных навигационных сигналов. Использование циклической корреляции позволяет выделять скрытые периодические закономерности, присущие спутниковым сигналам, даже при их значительном энергетическом подавлении. Сеть LSTM обеспечивает прогнозирование угловых координат источников спуфинговых сигналов (азимут и угол места), что используется для формирования целевых провалов диаграммы направленности и подавления лож- ных сигналов до их попадания в корреляторы приемника.

Целью данной работы является разработка и исследование модифицированного двухэтапного алгоритма адаптивной обработки сигналов, основанного на интеграции классических методов пространственной фильтрации и современных технологий глубокого обу- чения. Тем самым обеспечиваются гибкость, адаптивность и устойчивость к различным видам преднамеренных воздействий.

Алгоритм первого этапа синтеза  адаптивного управления

На первом этапе адаптивного двухступенчатого подхода интеллектуальной обработки выполняется подавление мощных помех радио- глушения с неизвестных направлений. Основным уравнением формирования выхода ступе- ни подавления y с параметрами весового вектора w(q, j) по углу места q и углу азимута j, в направлении которых установлен максимум исходной диаграммы направленности антенной решетки, обратной ковариационной матрицы R–1 и вектора принятого сигнала x, является известная формула:

Процесс пространственной фильтрации целесообразно выполнить последовательно. Сигнальный вектор вначале умножается на обратную ковариационную матрицу для минимизации мощности помех радиоглушения, далее выполняется многоканальная весовая обработка в соответствии с выражением

Таким образом, для каждого компонента сигнального вектора xn оценивается помеховая составляющая  на основе других xm(m ¹ n). Оценка  является оптимальным условием подавления помех. Ковариа- ционная матрица рассчитывается по оценке канальной выборки отсчетов ограниченного объема .

Ограниченный объем данных для формирования ковариационной матрицы требует внесения некоторых технологических приемов для повышения точности оценки и исключения флуктуаций. Наиболее простым и эффек- тивным методом является диагональное подмешивание некоторой шумовой матрицы aI, позволяющей уменьшить относительные влияния малых собственных значений ковариационной матрицы:

Применение методов пространственной адаптации позволяет обеспечить подавление помех радиоглушения в каждой компоненте сигнального вектора и оптимизировать ошибки измерений собственных координат в помеховой обстановке. Алгоритм первого этапа адаптивного двухступенчатого подхода изображен на рисунке 1.

В отличие от методов радиоглушения, метод спуфинга преследует цель подмены истинного сигнала поддельным с сообщением ложного местоположения или времени путем симуляции генератором сигналов либо ретрансляцией реального сигнала ГССН с внесенными из- менениями. Сигнал спуфинга имеет схожие  временные и спектральные характеристики  с подлинными сигналами ГССН, поэтому приемник может захватывать поддельный сигнал после потери истинного или при энергетическом преимуществе ложного сигнала в корреляционном канале. Наиболее эффективным способом защиты от спуфинга является отслеживание зашифрованного сигнала (напри- мер, сигнала Y-кода на GPS L1 и L2), который транслируется несколькими созвездиями ГССН, а также методы посткорреляционной обработки, позволяющие отслеживать динамическое поведение корреляционных пиков в следящих каналах коррелятора и искажений на- вигационных сообщений. Однако реализация этих методов затруднена, поскольку требует  с одной стороны доступа к кодирующей информации, а с другой – сложного анализа деструкции формы и положения пиков в каждом канале коррелятора приемника совместно с историей содержания навигационных сообщений.

Поэтому наиболее рациональным решением в условиях воздействия спуфинг сигна- лов является недопущение их проникновения  в каналы коррелятора.

Алгоритм второго этапа синтеза  адаптивного управления

Второй этап синтеза адаптивного управления в навигационном приемнике следует данному положению. Формирование управляющих воздействий на сигналы (канальные весовые коэффициенты) опирается на понятие циклостационарности, присущее и навигационным сигналам (в том числе сигналам спуфинга).

Сигнал считается циклостационарным, если его циклическая автокорреляционная функ- ция ненулевая с шагом циклостационарности  τ = lTC/A (l = 1, 2, 3…) и определяется следующим образом:

Например, сигнал L1 С/A излучается спутниками системы GPS c использованием периодического воспроизведения определенной модуляционной последовательности (кодов Голда) длиной N = 1023 чипов, уникальной для каждого спутника, с периодом T = 1 мс, который образуется суммированием по модулю двух двоичных символов, поступающих  с тактовой частотой f = 1,023 МГц от двух сдвиговых регистров. Такой сигнал удовлетворяет условиям циклостационарности на периоде TC/A = NT.

Поскольку сигналы спуфинга обычно ниже уровня шума, то они присутствуют на выходе первого этапа адаптивной системы совместно с сигналами ГССН. Чтобы осуществить пространственную фильтрацию спуфинга, необходимо вместо пространственной ковариационной матрицы в первую очередь рассчитать циклическую ковариационную матрицу, которая определяется как кросс-ковариация принятого вектора сигнала и его задержанной на период цикла версии следующим образом:

где K равен длине кодового периода; D – величина временной задержки (например, 1 мс для одного кодового периода GPS L1 C/A).

Это прямой способ оценки циклической ковариационной матрицы, наиболее популярный в литературе [6]. Однако такой способ дает плохую оценку при применении к реальной системе. Это связано с тем, что выборки данных, используемые для оценки циклической ковариационной матрицы, происходят случай- ным образом, а длина блока данных ограничена. В качестве примера возьмем один из спутниковых (спуфинговых) сигналов GPS L1 C/A, структура которого отображена на рисунке 2. На рисунке показано несколько пар блоков данных и отмечено, что блок данных G разделен (Bit Transition) между двумя соседними навигационными символами с противоположными знаками.

Проблема наилучшей оценки циклической матрицы решается путем использования нескольких блоков (G(1 £ G < 20)) для получения гораздо большего количества ковариационных матриц, как показано на рисунке 2. Исходя из этого, усредненная циклическая ковариационная матрица может быть выражена следующим образом:

Алгоритм второго этапа синтеза адаптивного управления по формированию весов диаграммы направленности и место интеллектуального блока анализа присутствия в принятом сигнале спуфинга и прогнозирования направления его излучения изображены на рисунке 3.

Из рисунка следует, что предлагается комплексный подход, сочетающий использование LSTM-нейронной сети [7] для точной оценки направлений прихода сигнала (Direction of Arrival, DOA) спуфинга и метод Sidelobe Can- celler для формирования адаптивной диаграммы направленности. Этот подход обеспечивает эффективное подавление помех и сохранение чувствительности к полезному сигналу, что повышает надежность работы навигационного приемника в условиях сложной помеховой обстановки.

Нейронная сеть LSTM используется для при- нятия решения о наличии спуфинга и прогнозирования угловых координат (азимута и угла места) при подаче на входной слой значений оценки циклической корреляционной матрицы.

Известно, что принятый сигнал m-го элемента прямоугольной плоской антенной решетки, состоящей из M = Nx × Ny элементов, расположенных на расстоянии dx и dy друг от друга по горизонтали и вертикали соответственно, определяется следующим образом:

где sk(t) – комплексная амплитуда k-го источника сигнала; qk – азимутальный угол направления прихода; jk – угол места направления прихода; nm(t) – шум в m-м элементе.

На основе принятого сигнала формируется циклическая ковариационная матрица  в соответствии с представленным ранее выражением.

Поскольку матрица является эрмитовой (симметричной относительно главной диагонали), используется только верхнетреугольная часть, которая преобразуется в вещественный вектор следующим образом:

Этот вектор подается на вход LSTM-сети, которая имеет следующую структуру. Размер входного слоя определяется как M (M − 1). Например, при M = 9 размер входного вектора равен 72. Два скрытых LSTM-слоя по 256 состояний. Используется функция активации tanh и sigmoid для гейтов; слои соединены последовательно; число выходов 121×121, что соответствует дискретизации пространства  по азимуту и углу места от −60° до +60° с ша- гом 1°; формат выхода – двумерный двоичный вектор, указывающий на позиции источников.

Полученные оценки направлений используются для формирования весовых коэффициентов антенной решетки, обеспечивающих подавление спуфинговых сигналов и усиление полезных сигналов.

Для реализации пространственной фильтра- ции применяется метод Sidelobe Canceller [8], который использует направляющие векторы для направлений подавления wn(θ, φ) (спуфинг) и максимума диаграммы направленности антенной решетки wd(θ, φ). Коэффициент проекции целевого направления на помеховое вычисляется следующим образом:

и формируется итоговый весовой вектор антенной решетки:

Интеграция LSTM-сети в этап антиспуфинга позволяет повысить эффективность обнаружения и подавления ложных сигналов за счет интеллектуальной обработки циклической мат- рицы докорреляционного сигнала.

Таким образом, синтез адаптивного управления охватывает формирование управляющих воздействий на сигналы в навигационном приемнике по двухступенчатой схеме интеллектуальной обработки докорреляционных сигналов антенной решетки, приведенной на рисунке 4.

Результаты моделирования

Представим результаты моделирования метода оценки DOA сигнала, основанного на использовании LSTM-сети, и сравним его эффективность с традиционными алгоритмами MUSIC [9] и глубокими нейронными сетями (Deep Neural Networks, DNN) [10, 11].

Для сравнения LSTM и DNN при различении сигналов с шагом ∆θ = 10° проведен эксперимент с двумя сигналами, имеющими угловое расстояние ∆θ = 10°. Так, DOA первого сигнала изменялся в диапазоне [-30°, 20°]  с шагом 1°, а второй сигнал находился под углом θ + ∆θ. Полученные результаты (рис. 5) показывают, что и LSTM, и DNN обеспечивают высокую точность оценки DOA при SNR = = 10 дБ.

Для анализа RMSE при различных уровнях SNR методы LSTM, MUSIC и DNN сравнивались при уровне шума от -10 дБ до 10 дБ с шагом 2 дБ. Углы прихода сигналов составляли 31° и 41° в обучающей выборке и 30° и 39° вне обучающей выборки. Оценка проводилась на основе RMSE по 1 000 испытаниям.

Как видно из рисунка 6, все методы показывают хорошую точность при высоких значениях SNR (RMSE < 0.5°). Однако при сни-жении SNR LSTM сохраняет высокую стабильность и точность, тогда как эффективность MUSIC и DNN заметно ухудшается. Важно отметить, что LSTM сохраняет низкий уровень ошибки даже для углов, не включенных в обучающий набор.

Заключение

В рамках проведенного исследования был разработан и исследован модифицированный двухэтапный алгоритм адаптивной обработки сигналов для цифровой антенной решетки навигационного приемника, ориентированный на подавление преднамеренных помех – радиоглушения и спуфинга. Предложенный подход сочетает в себе классические методы пространственной фильтрации и современные технологии искусственного интеллекта, такие как использование LSTM-нейронных сетей для анализа циклостационарных свойств принимаемых сигналов.

Предложенный алгоритм может быть внед- рен в современные навигационные системы, использующие ГССН, с целью повышения  их защищенности от преднамеренных помех  и для обеспечения надежного функционирования в условиях комбинированного воздействия радиоглушения и спуфинга. Его внедрение позволит значительно повысить поме- хоустойчивость и целостность принимаемых сигналов, улучшить достоверность определе- ния местоположения, скорости и времени. Кроме того, представленный алгоритм способен расширить возможности функционирования навигационных систем в условиях противодействия и создать основу для развития  автономных систем управления, включая беспилотные летательные аппараты и транспортные средства.

Список литературы

1. Вейцель А.В., Вейцель В.А., Татарников Д.В. Аппаратура высокоточного позиционирования по сигналам глобальных навигационных спутниковых систем: Высокоточные антенны. Специальные методы повышения точности позиционирования. М.: изд-во МАИ-Принт, 2010. 368 с.

2. Morton Y.J., Spilker J.J.Jr., Parkinson B.W., Lo S., Gao G. Position, Navigation, and Timing Technologies  in the 21st Century: Integrated Satellite Navigation, Sensor Systems, and Civil Applications. Wiley-IEEE Press, 2021,  vol. 1, 1168 р.

3. Fernandez-Prades C., Arribas J., Closas P. Robust GNSS receivers by array signal processing: theory and implementation. Proc. IEEE, 2016, vol. 104, no. 6, pp. 1207–1220. doi: 10.1109/JPROC.2016.2532963.

4. Jie W., Feiqiang C., Zukun L., Gang O. et al. GNSS array receiver faced with overloaded interferences. J. of Systems Eng. and Electronics, 2022, vol. 34, no. 2, pp. 335–341. doi: 10.23919/jsee.2022.000072.

5. Zhang J., Cui X., Xu H., Lu M. A two-stage interference suppression scheme based on antenna array for GNSS jamming and spoofing. Sensors, 2019, vol. 19, no. 18, art. 3870. doi: 10.3390/s19183870.

6. Dong K., Zhang Z., Xu X. A hybrid interference suppression scheme for global navigation satellite systems. Proc. Int. Conf. WCSP, 2017, pp. 1–7. doi: 10.1109/WCSP.2017.8170907.

7. Trong T.H., Nam N.D., Hung T.V. DOA estimation based on LSTM neural network with uniform linear antenna array. The University of Danang - J. of Sci. and Tech., 2022, vol. 20, no. 6.2, pp. 19–24. doi: 10.31130/ud-jst.2022.098ICT.

8. Van Trees H.L. Optimum Array Processing: Part IV of Detection, Estimation, and Modulation Theory. Wiley-Interscience Publ., 2002, 1472 p.

9. Smihily S., Rifi M. Direction of arrival estimation in smart Antenna for tracking system. ITM Web Conf., 2023, vol. 52, no. 10, art. 03001. doi: 10.1051/itmconf/20235203001.

10. Liu Z.-M., Zhang C., Philip S.Y. Direction-of-arrival estimation based on deep neural networks with robustness to array imperfections. IEEE Transactions on Antennas and Propagation, 2018, vol. 66, no. 12, pp. 7315–7327.  doi: 10.1109/TAP.2018.2874430.

11. Cao W., Ren W., Zhang Z. et al. Direction of arrival estimation based on DNN and CNN. Electronics 2024, 2024, vol. 13, no. 19, art. 3866. doi: 10.3390/electronics13193866.

References

1. Veitsel, A.V., Veitsel, V.A., Tatarnikov, D.V. (2010) High-Precision Positioning Equipment Based on Global Navigation Satellite System Signals: High-Accuracy Antennas. Special Methods for Enhancing Positioning Accuracy. Moscow, 368 p. (in Russ.).

2. Morton, Y.J., Spilker, J.J.Jr., Parkinson, B.W., Lo, S., Gao, G. (2021) Position, Navigation, and Timing Technologies in the 21st Century: Integrated Satellite Navigation, Sensor Systems, and Civil Applications. Wiley-IEEE Press, 1, 1168 р.

3. Fernandez-Prades, C., Arribas, J., Closas, P. (2016) ‘Robust GNSS receivers by array signal processing: theory and implementation’, Proc. IEEE, 104(6), pp. 1207–1220. doi: 10.1109/JPROC.2016.2532963.

4. Jie, W., Feiqiang, C., Zukun, L., Gang, O. et al. (2022) ‘GNSS array receiver faced with overloaded interferences’, J. of Systems Eng. and Electronics, 34(2), pp. 335–341. doi: 10.23919/jsee.2022.000072.

5. Zhang, J., Cui, X., Xu, H., Lu, M. (2019) ‘A two-stage interference suppression scheme based on antenna array for GNSS jamming and spoofing’, Sensors, 19(18), art. 3870. doi: 10.3390/s19183870.

6. Dong, K., Zhang, Z., Xu, X. (2017) ‘A hybrid interference suppression scheme for global navigation satellite systems’, Proc. Int. Conf. WCSP, pp. 1–7. doi: 10.1109/WCSP.2017.8170907.

7. Thanh, T.H., Nam, N.D., Hung, T.V. (2022) ‘DOA estimation based on LSTM neural network with uniform linear antenna array’, The University of Danang - J. of Sci. and Tech., 20(6.2), pp. 19–24. doi: 10.31130/ud-jst.2022.098ICT.

8. Van Trees, H.L. (2002) Optimum Array Processing: Part IV of Detection, Estimation, and Modulation Theory. Wiley-Interscience Publ., 1470 p.

9. Smihily, S., Rifi, M. (2023) ‘Direction of arrival estimation in smart Antenna for tracking system’, ITM Web Conf., 52(10), art. 03001. doi: 10.1051/itmconf/20235203001.

10. Liu, Z.-M., Zhang, C., Philip, S.Y. (2018) ‘Direction-of-arrival estimation based on deep neural networks with robustness to array imperfections’, IEEE Transactions on Antennas and Propagation, 66(12), pp. 7315–7327. doi: 10.1109/TAP.2018.2874430.

11. Cao, W., Ren, W., Zhang, Z. et al. (2024) ‘Direction of arrival estimation based on DNN and CNN’, Electronics 2024, 13(19), art. 3866. doi: 10.3390/electronics13193866.