ПРОАКТИВНЕ УСУНЕННЯ ПЕРЕШКОД У GNSS ВІД ГЛУШІННЯ ТА ПІДРОБКИ ДАНИХ ЗА ДОПОМОГОЮ КОМПАКТНИХ НЕЙРОННИХ МОДЕЛЕЙ
DOI:
https://doi.org/10.18372/2310-5461.69.20948Ключові слова:
інтерференційне придушення, цілісність сигналу, глушіння та спуфінг, темпоральне моделювання сигналів, предиктивна аналітика, компактні нейронні моделі, проактивне керування, GNSSАнотація
У роботі запропоновано підхід до проактивного зниження впливу перешкод у глобальних навігаційних супутникових системах (GNSS), заснований на використанні компактних нейронних моделей. На відміну від традиційних реактивних методів, запропонований підхід забезпечує прогнозування стану сигналу та характеристик перешкод, зокрема ймовірності їх виникнення, типу (заглушення або спуфінг) та інтенсивності.
Розроблено формалізацію задачі у вигляді моделі часових рядів із використанням ковзного вікна спостережень, що дозволяє враховувати динаміку змін сигналу. Запропоновано архітектуру, яка поєднує модуль виділення ознак, нейронний блок прогнозування та механізм адаптивного керування параметрами приймача. Прийняття рішення про активацію механізму компенсації здійснюється на основі порогової умови для прогнозованої ймовірності перешкод.
Особливістю підходу є врахування обмежень реального часу та використання легковагових нейронних моделей, що забезпечує можливість застосування в ресурсно-обмежених GNSS-пристроях. Запропоноване рішення підвищує стійкість навігаційних систем до радіочастотних атак та дозволяє зменшити втрати точності позиціонування.
Посилання
Vaswani A., Shazeer N., Parmar N., Uszkoreit J., Jones L., Gomez A. N., Kaiser Ł., Polosukhin I. Attention Is All You Need // Advances in Neural Information Processing Systems. 2017. Vol. 30. P. 5998–6008. https://doi.org/10.48550/arXiv.1706.03762
Bai S., Kolter J. Z., Koltun V. An Empirical Evaluation of Generic Convolutional and Recurrent Networks for Sequence Modeling // arXiv preprint arXiv:1803.01271. 2018. https://doi.org/10.48550/arXiv.1803.01271
Tay Y., Dehghani M., Bahri D., Metzler D. Efficient Transformers: A Survey // ACM Computing Surveys. 2022. Vol. 55, No. 6. P. 1–28. https://doi.org/10.1145/3530811
Wen Q., Zhou T., Zhang C., Chen W., Ma Z., Yan J., Sun L. Transformers in Time Series: A Survey // Proceedings of the International Joint Conference on Artificial Intelligence (IJCAI). 2023. P. 6778–6786. https://doi.org/10.24963/ijcai.2023/759
Lim B., Arık S. Ö., Loeff N., Pfister T. Temporal Fusion Transformers for Interpretable Multi-horizon Time Series Forecasting // International Journal of Forecasting. 2021. Vol. 37, No. 4. P. 1748–1764. https://doi.org/10.1016/j.ijforecast.2021.03.012
Zhou T., Zhang Z., Peng J., Zhang Y., Chen H., Sun L. Informer: Beyond Efficient Transformer for Long Sequence Time-Series Forecasting // Proceedings of the AAAI Conference on Artificial Intelligence. 2021. Vol. 35, No. 12. P. 11106–11115. https://doi.org/10.1609/aaai.v35i12.17325
Wu H., Xu J., Wang J., Long M. Autoformer: Decomposition Transformers with Auto-Correlation for Long-Term Series Forecasting // Advances in Neural Information Processing Systems. 2021. Vol. 34. P. 22419–22430. https://doi.org/10.48550/arXiv.2106.13008
Han S., Mao H., Dally W. J. Deep Compression: Compressing Deep Neural Networks with Pruning, Trained Quantization and Huffman Coding // International Conference on Learning Representations (ICLR). 2016. https://doi.org/10.48550/arXiv.1510.00149
Howard A. G., Zhu M., Chen B., Kalenichenko D., Wang W., Weyand T., Andreetto M., Adam H. MobileNets: Efficient Convolutional Neural Networks for Mobile Vision Applications // arXiv preprint arXiv:1704.04861. 2017. https://doi.org/10.48550/arXiv.1704.04861
Radoš K., Brkić M., Begušić D. Recent Advances on Jamming and Spoofing Detection in GNSS // Sensors. 2024. Vol. 24, No. 13. Art. 4210. https://doi.org/10.3390/s24134210.
##submission.downloads##
Опубліковано
Як цитувати
Номер
Розділ
Ліцензія
Авторське право (c) 2026 S Кudrenko
Ця робота ліцензується відповідно до Creative Commons Attribution 4.0 International License.
Науковий журнал дотримується принципів відкритого доступу (Open Access) та забезпечує вільний, негайний і постійний доступ до всіх опублікованих матеріалів без фінансових, технічних або юридичних обмежень для читачів.
Усі статті публікуються у відкритому доступі відповідно до ліцензії Creative Commons Attribution 4.0 International (CC BY 4.0).
Авторські права
Автори, які публікують свої роботи в журналі:
-
зберігають за собою авторські права на свої публікації;
-
надають журналу право на перше опублікування статті;
-
погоджуються на поширення матеріалів за ліцензією CC BY 4.0;
-
мають право повторно використовувати, архівувати та поширювати свої роботи (у тому числі в інституційних та тематичних репозитаріях) за умови посилання на первинну публікацію в журналі.
