ارايه روش هاي هوشمند براي آشكارسازي و مقابله با سيگنال فريب در گيرنده هاي GPS

Two New Intelligent Methods for Detecting and Cancelling Spoofing Effects on GPS Receivers

امروزه فريب از مهمترين و خطرناكترين تهديدهاي پيش روي گيرندههايGPS است كه اطلاعات نادرست به گيرنده ميدهد و مشكلاتي را در محاسبات زماني و مكاني ايجاد ميكند. مقابله با فريب از امور مهم در تحقيقات حوزهGPS ميباشد. در اين مقاله دو روش براي آشكارسازي و جبران اثر سيگنال فريب ارايه ميشود. ابزارهاي پيشبينيشده براي رسيدن به هدف، فيلتر كالمن و شبكه عصبي بازگشتي ميباشند كه از تخمينگرهاي ساده و قابل پيادهسازي روي پردازندههاي ارزانقيمت به حساب ميآيند. الگوريتمهاي پيشنهادي همچنين از يك ضريب كاهشي تطبيقي براي جبران اثر فريب استفاده مينمايند. نتايج شبيهسازي روي دادههاي واقعي استخراجشده از يك گيرنده تـكفركانسهGPS نشان ميدهند كه الگوريتمهاي پيشنهادي مبتني بر فيلتر كالمن و شبكه عصبي بازگشتي در آشكارسازي وقوع فريب كاملاً موفق ميباشند و ميتوانند اثر فريب را، به ترتيب به ميزان 45 و 65 درصد جبران نمايند. نظر به اينكه دادههاي دريافتي هر يك ثانـيه بهروز ميشـوند، هـردو الـگوريتم بهصورت بلادرنگ عمل مينمايند.

One of the goals of spoofing nowadays is to provide the GPS receiver a fake signal. This way, the receiver will produce misleading time and position problems. This paper proposes two new methods for detecting and cancelling spoofing in GPS receivers. These anti-spoofing methods use Kalman filter and recurrent neural network to mitigate spoofing effects on GPS receivers. These methods are also used as an adaptive reduction factor to overcome spoofing effects. The performance of proposed method is analyzed in presence of spoofing signals. Experimental results show that the average pseudo-range RMS error improvement is 45% and 65% for Kalman filter based method and recurrent neural networks based method, respectively.