30142

كاهش ابعاد تابع ابهام متقابل با استفاده از روش¬هاي پردازش تصوير براي شناسايي سيگنال فريب GPS

كارشناسي ارشد

مهندسي برق- مدارهاي مجتمع

1399

1402/06/28

دكتر محمدرضا موسوي ميركلائي - دكتر علي صدر

برق

سامانه¬هاي موقعيت¬يابي در مقابل انواع اختلال¬هاي عمدي و غير عمدي آسيب¬پذير مي¬باشند. از اين¬رو شناسايي و مقابله با انواع اختلالات در اين سامانه حائز اهميت مي¬باشد. اين پايان¬نامه چندين روش كاهش ابعاد تصاوير تابع ابهام متقابل (CAF) را در بهبود شناسايي اختلال فريب در سامانه موقعيت¬يابي جهاني (GPS) با استفاده از شبكه¬ي عصبي كانولوشني (CNN) و شبكه عصبي چندلايه (MLP) بررسي مي¬كند. روش¬هاي كاهش ابعاد تصاويري كه در اين كار بررسي مي¬شوند عبارتند از: 1- برش تصوير، 2- آناليز پنهان مفهومي و 3- هيستوگرام. در اين پايان¬نامه، مزايا و معايب هر كدام از روش¬ها با ارائه دلايل مستند، بيان مي-شود. نتايج حاصل از شبيه¬سازي روش پيشنهادي آناليز پنهان مفهومي، نشان مي¬دهد كه به ازاي تصاوير CAF با ابعاد مختلف، شبكه عصبي كانولوشني با بكارگيري الگوريتم كاهش ابعاد تصاوير، از نظر دقت و سرعت آموزش، عملكرد بهتري دارد. به طور ميانگين، زمان همگرايي آموزش شبكه CNN، 80.17 % و ميانگين دقت آموزش آن پس از همگرايي 40.15 % بهبود داشته است. همچنين زمان همگرايي آموزش شبكه MLP، 92.88 % و ميانگين دقت آموزش آن پس از همگرايي 29.82% بهبود داشته است. در بخش تحليل نتايج، نشان داده خواهد شد كه به ازاي فريب¬هاي با فاصله كم¬تر از يك چيپ، عملكرد روش پيشنهادي، قابل قبول است به طوري كه احتمال تشخيص صحيح فريب¬هاي با فاصله بيش¬تر از 0.25 چيپ، نزديك به 1 بوده و احتمال هشدار كاذب نزديك به صفر است. نشان داده خواهد شد كه روش هيستوگرام نسبت به روش آناليز پنهان مفهومي، عملكرد نسبتاٌ بهتري دارد. ميانگين دقت بهبود مي¬يابد و بار محاسباتي كم¬تر خواهد شد. هدف از اين پايان¬نامه، كاهش ابعاد تصاوير ابهام متقابل در بخش اكتساب گيرنده با استفاده از روش¬هاي پردازش تصوير براي شناسايي حمله فريب GPS است. به طور خاص در اين گزارش، با بكارگيري الگوريتم-هاي هوش مصنوعي در بررسي تابع CAF به منظور شناسايي اختلال فريب، مورد مطالعه قرار مي¬گيرد.

1402/09/08

Reducing the dimension of cross ambiguity function using image processing techniques to detect GPS spoofing signal

1/1/1900 12:00:00 AM

The Global Positioning System (GPS) is vulnerable to various deliberate and unintentional interferences. Therefore, identifying and coping with various interferences in this system is essential. This paper analyzes a method of reducing the dimensions of Cross Ambiguity Function (CAF) images in improving the identification of spoofing interference at the GPS using Multi-Layer Perceptron Neural Network (MLP NN) and Convolutional Neural Network (CNN). Using the proposed method reduces data complexity, which can reduce the number of learning data requirements. The simulation results indicate that, by applying the proposed image processing algorithm for different dimensions of CAF images, the CNN performs better than MLP NN in terms of training accuracy; the MLP NN is superior to CNN in terms of convergence speed of training. In addition, the results demonstrate that the operation of the proposed method is appropriate in the case of small-delay spoofed signals. Therefore, for the intervals above 0.25 code chip, the proposed method detects spoofing attacks with a correct detection probability close to one. Moreover, the results of the histogram method show that the convolutional neural network with a simpler structure, less training data, and high accuracy can be used, which has an acceptable performance in spoofing attacks with a distance of less than 0.25 chip.

سيگنال فريب، الگوريتم¬هاي هوش مصنوعي، پردازش تصوير، آناليز پنهان مفهومي، هيستوگرام، تابع ابهام متقابل.

GPS, GPS spoofing attack, CAF, Latent semantic analysis, Histogram Method, Neural networks.

Kurosh Zarrinnegar

Dr. Mohammad Reza Mosavi - Dr. Ali Sadr