基于样本增强的列车卫星定位伪距欺骗检测方法

基于卫星导航的列车自主定位是列车控制系统等铁路关键装备的重要技术方向。然而,列车卫星定位面临诸多挑战,除信号可视性问题和多径效应之外,来自系统外部的蓄意欺骗等干扰攻击,会对定位功能及性能产生直接威胁。为此,本文以基于全球导航卫星系统(GNSS)的列车定位面临的伪距欺骗这一典型干扰模式为对象,研究并提出一种基于样本增强的伪距欺骗主动检测方法。该方法运用Wasserstein生成式对抗网络(WGAN)解决受欺骗干扰样本数据不均衡问题,利用扩充的数据集训练检测模型,并引入自注意力(SA)机制优化来自不同接收机输入特征之间的相对位置关系,采用生成式对抗学习思想形成一套完整的列车卫星定位伪距欺骗干扰检测方案。由列车卫星定位欺骗干扰注入测试结果可知,提出的方法能够充分运用生成式对抗网络思想解决受欺骗样本的典型受限问题,融合自注意力机制所得检测性能显著优于载噪比检测和代表性机器学习算法等常规检测方案;对建模样本未覆盖特征具备良好的适应能力,具有更优的检测精度和鲁棒性,在多个伪距欺骗干扰模式数据集上测试所得F1分数均超过0.99。该方法在欺骗干扰检测性能方面的优势能够为众多卫星导航系统铁路应用提供有力支撑,为有效防范卫星定位在信息安全层面的攻击入侵提供了有利条件。

BDS／GPS联合精密定轨

本文利用MGEX和国内跟踪网双模观测站，采用设置伪随机脉冲参数的简化动力学方法，分别进行了BDS以及BDS／GPS联合精密定轨。通过对轨道重叠弧段结果的分析表明，联合定轨对BDS轨道结果有明显影响，三类卫星的径向分量结果重叠段均在cm级，MEO和IGSO卫星轨道结果有明显提高，GEO卫星的沿迹分量结果有所降低。对有效观测值的统计表明，两个网对BDS三类卫星的跟踪起到不同的作用。

基于遗传算法的蜂窝广域空基伪卫星网络布局优化

为能实现近地面大区域覆盖的多指标空基伪卫星网络的布局优化,提出了蜂窝波浪式伪卫星网络,并定义、分析了网络设计及优化的衡量指标。鉴于遗传算法大范围搜索能力弱、优化结果容易陷入局部最优等问题,因此对网络布局进行优化时,采用先由经验法粗略确定影响网络性能参数的取值范围,再用遗传算法在小区间内对网络性能指标进行多参数精寻优的方法,最后对优化后的网络性能进行研究分析。仿真结果表明:提出的蜂窝型波浪式网络优化后能实现广域覆盖,能保证服务区PDOP的可用性;通过对先用经验法后用遗传算法与直接用遗传算法2种方式网络优化性能的比较,还能得出前者能提高网络优化的效率及性能。

基于BD导航卫星的空基伪卫星网络动态共视授时技术

为实现广域空基伪卫星网络的精确共视授时,提出了网内传递共视授时方法;为进一步削弱对流层延迟误差的影响,提出了卫星共视选星策略;通过分析SIN/BD组合导航系统定位误差的统计特性,在揭示授时误差与组合导航系统定位误差之间数学关系的基础上,又提出采用整网平均法用以减少动态平台定位误差的影响。仿真结果表明:传递共视方法能很好地完成大区域网络的授时,有选星策略比无选星策略的对流层延迟减少约80%,运用整网平均的方法能实现优于0.3 ns的高精度共视授时,所提方法能够大幅度提高动态共视授时的精度。

一种基于伪逆平差理论的导航星座整网定轨方法

针对分布式单星自主定轨存在的次优解及滤波易发散等问题,结合整网伪逆平差理论和航天器轨道动力学定轨理论,提出一种导航星座整网自主定轨方法。讨论卫星网与大地自由网平差方法的区别,结合伪逆平差和卫星动力学定轨方法,建立导航星座整网自主定轨方法,并给出整网定轨基本流程,最后以典型Walker星座为例进行整网自主定轨仿真验证。结果表明,在初始位置误差1m、星间测量噪声0.1m、不考虑钟差的条件下,星座自主运行5d,每颗卫星的定轨误差均小于0.8m,星座平均定轨误差小于0.5m,验证了该方法的有效性。

RTK概论

综合论述了RTK的基本原理,介绍了RTK的精确性和可靠性情况,及国外某单位RTK测图试验概况和结果。对RTK的应用及发展作了展望。

一种基于NTP的伪卫星时间同步方法

针对某种不具有时钟计时功能而无法打包周内秒、周计数信息电文的问题的伪卫星,本文结合NTP,提出了一种基于NTP的简单伪卫星授时及时间同步方法。使用一台精确稳定的时间源作为系统的NTP服务器,对组网中的多台伪卫星进行同步,实验证明能够得到10ms级精度,完全满足伪卫星同时打包电文的精度要求。

临近空间伪卫星区域独立组网布局研究

当前临近空间技术是人们研究的热点,在临近空间建立伪卫星区域独立组网系统可以满足地面导航定位的需求。本文分析了卫星精度因子的计算方法,提出基于经验的伪卫星区域优化布局搜索算法,找到一种最优的临近空间伪卫星区域独立组网布局,利用MATLAB进行仿真。与其他几种相同高度的伪卫星布局做仿真比较,结果显示,本文提出的伪卫星布局的DOP值较小,并给出了一些重要的结论。