طراحی و پیاده سازی سیستم تشخیص جمینگ ناوبری مبتنی بر الگوریتم درخت تصمیم

جمینگ سیستم جهانی ناوبری ماهواره ای (GNSS) ، یک تهدید رو به رشد است که سرویس های موقعیت یابی، ناوبری و زمان بندی را مختل می کند و بر برنامه های کاربردی مختلف مانند هوانوردی، ناوبری دریایی و سیستم های خودمختار تاثیر می گذارد. هدف از این مقاله، استفاده از یک رویکرد طبقه بندی باینری مبتنی بر یادگیری ماشین با استفاده از مدل درخت تصمیم (DT) برای تشخیص موثر سیگنال های جمینگ ناوبری است. مدل پیشنهادی عملکرد تشخیص بالایی را نشان می دهد و به نرخ تشخیص ۱۰۰% و صحت ۹۹.۸۷% با ضریب همبستگی متیوز (MCC) ۰.۹۹۹۲ و ناحیه زیر منحنی صحت- فراخوانی (PR-AUC) ۰.۹۹۹۴ دست می یابد. علاوه بر این، این مدل به امتیاز F۱ برابر ۹۹.۹۴% می رسد که نشان دهنده قابلیت اطمینان طبقه بندی قوی است. فراتر از این موارد، کارآیی محاسباتی برای کاربردهای برخط بسیار مهم است. طبقه بندی کننده درخت تصمیم زمان اجرای سریع با میانگین زمان پیش بینی تنها ۰.۰۴ میلی ثانیه را نشان می دهد که آن را برای استقرار برخط، مناسب می سازد. علاوه بر این، این مدل حداقل سربار محاسباتی را حفظ می کند و امکان سنجی را برای محیط های محدود به منابع مانند میکروکنترلرها تضمین می نماید.

کلیدواژه ها:

سامانه موقعیت یابی جهانی ، جمینگ ، فریب ، یادگیری ماشین ، سبک وزن&rlm ، برخط