آشکارسازی انواع اختلال در سامانه GNSS با بکارگیری دسته بندی کننده شبکه عصبی چند لایه آموزش یافته با الگوریتم تکاملی GSA

سامانه ماهواره ای ناوبری جهانی ۰GNS، در بسیاری از کاربردهای موقعیت یابی و ناوبری، از جمله در شبکه حمل و نقل ریلی امری حیاتی محسوب می شود. سیگنال های GNSS در فرکانس های مشخصی از ماهواره هایی که در فاصله چند ده هزار کیلومتری از سطح زمین قرار دارند، ارسال می شوند و با نزدیک شدن به سطح زمین تضعیف می گردند. این تضعیف سبب می شود که سیگنال های GNSS نسبت به تداخل های عمدی و غیرعمدی آسیب پذیر باشند. با توجه به حساسیت کاربران سامانه GNSS و از جمله شبکه ریلی نسبت به مکان یابی دقیق و به موقع جهت کنترل این شبکه، مقابله با اختلال در سامانه ناوبری GNSS بسیار حائز اهمیت می باشد. هدف این تحقیق آشکارسازی انواع اختلال در گیرنده GNSS میباشد. در واقع، یک شبکه عصبی ادراک چندلایه ۲MLP ، آموزش یافته توسط الگوریتم جستجویگرانشی GSA به عنوان طبقه بندی کننده انواع تداخل احتمالی سیگنال دریافتی در گیرنده GNSS پیشنهاد می شود که منجر به طبقه بندی سیگنال های دریافتی در چهار گروه جمینگ، فریب، چندمسیری یا بدون تداخل می شود. به منظور ارزیابی عملکرد الگوریتم پیشنهادی، نتایج به دست آمده در این مقاله با نتایج گزارش شده در مقالات مشابه مقایسه شده است. این مقایسه نشان می دهد که دقت شناسایی در الگوریتم پیشنهادی برای گروه های بدون تداخل، جمینگ و چندمسیری در الگوریتم GSA بهبود قابلتوجهی داشته است. همچنین، عملکرد روش پیشنهادی در شناسایی حملات فریب نیز نسبتا مشابه بوده و بطور میانگین دقت آشکارسازی این الگوریتم ۷۷.۶۳ % است که نسبت به دو مقاله مورد مقایسه ۵.۳۵ % و ۴.۰۷ % بهبود داشته است.

کلیدواژه ها:

شبکه عصبی ، سامانه ناوبری GNSS ، الگوریتم تکاملی GSA ، طبقه بندی ، آشکارسازی اختلال