شناسایی جمینگ در سامانه موقعیت یاب جهانی مبتنی بر یادگیری ماشین

فناوری سیستم موقعیت یاب جهانی (GPS برای کاربردهای مدرن مختلف از جمله حمل و نقل ناوبری و تدارکات که در آن دادههای موقعیت یابی و ناوبری را در زمان واقعی فراهم میکند حیاتی است با این حال سیگنالهای GPS ذاتا ضعیف و بسیار مستعد تداخل، به ویژه جمینگ هستند که میتواند به طور قابل توجهی عملکرد و قابلیت اطمینان سیستم را کاهش دهد این امر به ویژه در حوزه های حساس ایمنی و حساس به زمان مانند راه آهن، وسایل نقلیه خودمختار و مدیریت لجستیک قابل توجه است راه حلهای سنتی ضدجمینگ اغلب شامل سخت افزار و سرمایه گذاریهای زیرساختی گران قیمتی میشوند که آنها را برای برنامه های حساس به هزینه غیرقابل دسترس می سازد. این مقاله یک رویکرد مقرون به صرفه برای تشخیص جمینگ GPS با استفاده از الگوریتمهای یادگیری ماشین (ML۲) که پردازنده های کم هزینه مستقر شدهاند پیشنهاد می.کند با تجزیه و تحلیل ویژگیهای کلیدی سیگنال GPS مانند نسبت سیگنال به نویز، جابجایی های داپلر پایداری فاز حامل و ناهنجاریهای طیفی این سیستم برای شناسایی موثر الگوهای تداخل طراحی شده است. این مطالعه شامل توسعه و آموزش مدلی سبک است که برای عملیات برخط بر روی سخت افزار با محدودیت منابع طراحی شده اند و از سازگاری با زیرساختهای GPS موجود اطمینان حاصل میکند اعتبار سنجی تجربی نشان میدهد که راه حل پیشنهادی به دقت بیش از ۹۵ درصد در تشخیص رویدادهای جمینگ با حداقل تاخیر و سربار محاسباتی دست مییابد. این یافته ها بر عملی بودن استفاده از ML برای تشخیص جمینگ تاکید میکند و راه حلی مقیاس پذیر و قوی برای تقویت قابلیت اطمینان سیستمهای GPS در برنامههای مختلف ارائه میدهد.

کلیدواژه ها:

GPS ، اختلال جمینگ ، یادگیری ماشین