一种结合GDOP和PDOP贡献度的无人机诱骗选星方法

本发明涉及全球卫星导航系统，涉及一种结合gdop和pdop贡献度的无人机诱骗选星方法。

背景技术：

1、无人机在当今社会中的应用越来越广泛，但随着无人机技术的不断发展，其带来的安全问题也日益凸显。因此，通过实施转发诱骗使无人机移动到虚假的目标地址，保护真实目标不受攻击是很有必要的。

2、已有研究选择被转发卫星是基于单一pdop(position dilution of precision，位置精度因子)贡献度的方法进行选星。然而，pdop贡献度最大的卫星不一定被目标接收机选择作为定位卫星；与此同时，当卫星可视情况发生变化时，某颗卫星不再是最大pdop贡献度的卫星，则会造成目标接收机对该卫星的观测产生由欺骗值到真实值的跳变。因此，根据pdop贡献度的选星方法具有很大的不确定性。

技术实现思路

1、鉴于上述的分析，本发明旨在公开了一种结合gdop和pdop贡献度的无人机诱骗选星方法；解决仅根据pdop贡献度进行无人机诱骗选星，可能出现的诱骗效果不佳的问题。

2、本发明公开了一种结合gdop和pdop贡献度的无人机诱骗选星方法，包括：

3、步骤s1、根据诱骗计划，挑选出诱骗全程中无人机的n颗可见卫星；从n颗可见卫星中的卫星组合中搜索出gdop值满足定位要求的多种卫星组合，对可见卫星在每种卫星组合中的重要性进行加权赋分，得到反映各颗可见卫星gdop贡献度的第一分数矩阵；

4、步骤s2、构建出计算pdop贡献度的机器学习回归模型；将各颗可见卫星的多维参数特征输入到模型中计算出各自的pdop贡献度，得到反映各颗可见卫星pdop贡献度的第二分数矩阵；

5、步骤s3、将第一分数矩阵和第二分数矩阵进行加权合并得到可见卫星的第三分数矩阵，根据第三分数矩阵中各可见卫星的分数，在诱骗计划实施过程中进行选星。

6、进一步地，基于麻雀搜索算法从n颗可见卫星中的卫星组合中搜索出gdop值满足定位要求的多种卫星组合。

7、进一步地，基于麻雀搜索算法选取定位卫星组合的流程：

8、1)确定麻雀搜索的种群规模并初始化参数；

9、从n颗可见卫星中任选k颗卫星组成卫星组合，n>k≥4；组成的卫星组合数为每一种卫星组合作为一个粒子；确定麻雀搜索的总迭代次数和种群规模m，从种卫星组合中随机选取m个卫星组合形成初始种群；

10、2)将粒子中卫星组合的gdop值作为评价粒子的适应度函数；

11、3)进行麻雀搜索算法中的搜索迭代，对种群规模内所有的定位组合按gdop值升序进行排序；

12、在初始种群的搜索迭代中，比较新一轮粒子的gdop值与当前轮粒子的gdop值大小，若新一轮粒子的gdop值更小，则将新一轮的gdop值作为迭代的评估指标；若新一轮粒子的gdop值更大，则通过自适应调整搜索步长和搜索范围来降低gdop值，进行下一轮迭代；

13、从初始种群开始搜索得到最终gdop值后，在进行后续种群的搜索中，以前一个种群搜索的最终gdop值作为下一个种群的初始gdop值，逐个种群进行搜索；直至达到设定的迭代次数完成搜索将所有定位组合进行排序；

14、4)从按gdop值升序进行排序的粒子中，输出前q名的粒子作为满足定位要求的卫星组合；输出的每个卫星组合数据中包括组合中卫星的编号，和该组合对应的gdop值。

15、进一步地，gdop值的计算公式为：

16、

17、其中，gii(i＝1,2,3,4)为g＝(hkt·hk)-1的对角线元素；hk为每个粒子中可见卫星的观测矩阵。

18、进一步地，对可见卫星在每种卫星组合中的重要性进行加权赋分，得到反映各颗可见卫星gdop贡献度的第一分数矩阵的过程包括：

19、1)定义一个大小为q×1的分数矩阵，矩阵中包括q个不同的分数并按降序排列；

20、2)将q×1的分数矩阵与gdop值升序的q个粒子对应为每个粒子赋予对应的分数；

21、3)循环遍历选取定位卫星组合中所有可见卫星的编号，查找到每颗可见卫星出现的定位组合的分数进行分数累加，作为反映每颗可见卫星gdop贡献度的分数；

22、4)将每颗可见卫星的分数与可见卫星的编号对应组成第一分数矩阵。

23、进一步地，步骤s2中根据步骤s1中挑选出诱骗全程中无人机的n颗可见卫星计算出各自的pdop贡献度，得到反映各颗可见卫星pdop贡献度的第二分数矩阵；具体包括：

24、1)为计算pdop贡献度的机器学习回归模型选择作为模型输入的可见卫星的多维参数特征；

25、2)为机器学习回归模型建立包括可见卫星多维参数特征和对应pdop贡献度的原始数据集，并将原始数据集划分为训练集和测试集；

26、3)选择机器学习算法构建回归模型，利用训练集和测试集进行回归模型的训练和调参，直至模型在训练集和测试集上的评估指标均满足设定要求；对训练好的模型及超参数组合进行保存；

27、4)将步骤s1确定出的各颗卫星的多维参数特征输入到训练好的模型中，计算出pdop贡献度；对pdop贡献度降序排列建立第二分数矩阵；

28、5)构建pdop贡献度的分数矩阵，矩阵大小为1×n；矩阵中包括n个不同的分数并按降序排列；

29、6)将模型输出的降序排列的各颗可见卫星的pdop贡献度列向量与所述分数矩阵相乘后，得到反映每颗可见卫星pdop贡献度的分数；

30、7)将每颗可见卫星的分数与可见卫星的编号对应组成第二分数矩阵。

31、进一步地，采用皮尔逊相关系数为计算pdop贡献度的机器学习回归模型选择输入的可见卫星的多维参数特征；使选择的可见卫星的多维参数特征与pdop贡献度更加相关。

32、进一步地，通过皮尔逊相关系数得出包括可见卫星的位置坐标、仰角、方位角、与无人机的几何距离、载波相位、多普勒频移和电离层误差在内的多维特征作为机器学习回归模型输入的多维特征。

33、进一步地，选择包括支持向量机、决策树、随机森林、gbdt、xgboost、lightgbm、catboost或深度森林在内的任一种机器学习算法构建回归模型。

34、进一步地，步骤s3包括：

35、1)将第一分数矩阵和第二分数矩阵根据矩阵中的可见卫星的编号进行重组得到第三分数矩阵，所述第三分数矩阵的第一列为卫星编号，第二列为对应的基于gdop贡献度的分值，第三列为对应的pdop贡献度的分值；

36、2)分别确定基于gdop和pdop贡献度的分值的权重；

37、3)使用归一化方法将第三分数矩阵中的分值转换到0到1之间范围内；

38、4)根据确定的权重，对归一化后的得分进行加权求和后得到每颗卫星的最终得分添加到第三分数矩阵的第四列。

39、根据第三分数矩阵中第四列的可见卫星的分数，在诱骗计划实施过程中进行选星。

40、本发明可实现以下有益效果之一：

41、1、针对仅仅以pdop贡献度为依据所选出的卫星，不一定在无人机用于定位的卫星组合中的问题，采用gdop与pdop贡献度共同加权选星的方法，既保证了被转发卫星作为定位卫星，又对无人机的诱骗有效果，同时，被转发卫星的可见性保证了定位值的连续性，避免了不符合实际情况的突变。

42、2、解决了传统选星方法遍历卫星集合中所有的卫星组合，导致庞大计算量的问题。麻雀搜索算法具有良好的全局寻优能力和快速收敛性，可以有效对全部解空间进行搜索且适应性和灵活性较高，可以逼近最优选星结果，获得较好的定位精度。

43、3、针对在计算pdop贡献度时需要较大量的矩阵计算，采用机器学习模型学习卫星的多种特征与pdop贡献度之间的非线性关系，能够从数据中提取出最相关的特征，提高计算速度和效率，提供更高的预测性能。