• شماره ركورد
    34545
  • پديد آورنده

    محمد حامد فرح‌روز

  • عنوان
    بهبود كارآيي روش‌هاي تشخيص اختلال فريب در سامانه GNSS با استفاده از شبكه‌هاي عصبي
  • مقطع تحصيلي
    كارشناسي ارشد
  • رشته تحصيلي
    مهندسي برق - سيستم‌هاي الكترونيك ديجيتال
  • سال تحصيل
    1401
  • تاريخ دفاع
    1404/07/30
  • استاد راهنما
    دكتر سيد محمدرضا موسوي ميركلائي - دكتر احمد آيت اللهي
  • استاد مشاور
    -
  • دانشكده
    مهندسي برق
  • چكيده
    با توجه به گسترش روزافزون كاربردهاي سامانه‌هاي ناوبري ماهواره‌اي جهاني (GNSS)، امنيت اين سامانه‌ها نيازمند بررسي‌هاي دقيق و جامع‌تري مي‌باشد. با توجه به طي شدن مسافتي زياد توسط سيگنال‌هاي اين سامانه‌ها تا گيرنده‌هاي سطح زمين و همچنين نرخ بروزرساني كم آن‌ها، در برابر انواع اختلال آسيب‌پذير هستند. اختلال‌هاي اين سامانه‌ها، انواع مختلفي داشته كه يكي از آسيب‌رسان‌ترين آن‌ها، اختلال فريب مي‌باشد. در اين پايان‌نامه، روش يا روش‌هاي نوين براي تشخيص اختلال فريب در گيرنده‌هاي سامانه ناوبري ماهواره‌اي جهاني در مرحله اكتساب ارائه شده است. روش‌هاي بيان شده، مبتني بر هوش مصنوعي (AI) به خصوص شبكه‌هاي عصبي مصنوعي (NN) و همچنين تحليل ماتريس مربوط به تابع ابهام متقابل (CAF)، طراحي شده است. با توجه به حجم بالا و ابعاد بزرگ ماتريس CAF، به منظور كاهش منابع مصرفي، زمان آموزش و حجم داده‌ها، از هيستوگرام به عنوان روشي كارآمد براي كاهش ابعاد استفاده گرديده است. ارزيابي عملكرد تشخيصي روش پيشنهادي با استفاده از مجموعه داده‌هاي واقعي، شناخته شده و متن‌باز TEXBAT و در تمامي سناريوهاي اين مجموعه داده انجام شده است. نتايج حاصل، كاهش حجم و ابعاد داده‌ها و زمان آموزش را به ميزان چندبرابري و وابسته به روش و سناريوي استفاده شده، نشان مي‌دهد (به عنوان مثال، كاهش ابعاد از مقدار 41 در 25000 به ابعاد 1 در 128 و براي زمان آموزش، كاهش از مقدار 872 ثانيه، به 14 ثانيه براي سناريوي شماره هشت در روش پيشنهادي اول) كه همزمان با حفظ يا بهبود دقت تشخيص، همراه بوده است.
  • تاريخ ورود اطلاعات
    1404/10/30
  • عنوان به انگليسي
    Performance Improvement of Spoofing Interference Detection Approaches in GNSS System using Neural Networks
  • تاريخ بهره برداري
    10/22/2026 12:00:00 AM
  • دانشجوي وارد كننده اطلاعات

    محمدحامد فرح روز

  • چكيده به لاتين
    The increasing reliance on Global Navigation Satellite Systems (GNSS) motivates mo‎re detailed an‎d comprehensive investigations of their security. GNSS signals travel long distances from satellites to ground receivers an‎d have low updat‎e rates, rendering them vulnerable to various fo‎rms of interference; among these, spoofing is one of the most damaging. This thesis presents new methods fo‎r detecting spoofing during the GNSS receiver acquisition phase. The proposed approach combines artificial intelligence (primarily artificial neural netwo‎rks) with matrix analysis of the Cross-Ambiguity Function (CAF). To mitigate the large size an‎d dimensionality of CAF matrices an‎d thereby reduce computational resources, training time, an‎d data volume, we apply histogram-based dimensionality reduction. eva‎luation on the open-source, real-wo‎rld an‎d well-known TEXBAT dataset across all scenarios demonstrates an approximately 8,000× reduction in data size an‎d dimensionality an‎d an approximately 65× decrease in training time, while preserving o‎r improving detection accuracy.
  • كليدواژه هاي فارسي
    سامانه‌هاي ناوبري ماهواره‌اي جهاني , اختلال فريب , هوش مصنوعي , شبكه‌هاي عصبي مصنوعي , تابع ابهام متقابل , كاهش ابعاد , هيستوگرام , مجموعه داده TEXBAT
  • كليدواژه هاي لاتين
    GNSS , Spoofing interference , Artificial intelligence , Artificial neural networks , CAF , Dimensionality reduction , Histogram , TEXBAT dataset
  • Author
    Mohammad Hamed Farahrooz
  • SuperVisor
    Dr. Seyed Mohammadreza Mousavi Mirkolaei - Dr. Ahmad Ayatollahi
    • لينک به اين مدرک
    https://dl.iust.ac.ir/dl/search/default.aspx?Term=34545&Field=0&DTC=6