지원사업
학술연구/단체지원/교육 등 연구자 활동을 지속하도록 DBpia가 지원하고 있어요.
커뮤니티
연구자들이 자신의 연구와 전문성을 널리 알리고, 새로운 협력의 기회를 만들 수 있는 네트워킹 공간이에요.
논문 기본 정보
- 자료유형
- 학술저널
- 저자정보
- 발행연도
- 2020.11
- 수록면
- 1,016 - 1,027 (12page)
- DOI
- 10.5302/J.ICROS.2020.20.0112
이용수
초록· 키워드
오류제보하기
In this paper, we propose an improved global navigation satellite system (GNSS) jamming classification scheme using a convolutional neural network that directly uses an intermediate frequency (IF) sampled GNSS received signal without pre-processing. The machine learning-based GNSS jamming classification scheme recently proposed in [17] requires a short-time Fourier transform (STFT) process and a binary black-and-white image processing process through image mapping of the obtained spectrogram. The average jamming classification accuracy of the conventional scheme is approximately 94.31%, where the maximum, average, and minimum classification accuracies for single frequency modulation (FM) jamming are as low as approximately 89.55%, 83.43%, and 77.61%, respectively. The major performance deterioration factor of the conventional scheme is information loss caused by the pre-processing for the designed machine learning technique. To tackle this problem, we construct a sophisticated convolutional neural network (CNN) that directly uses the IF sampled GNSS received signal without pre-processing the conventional scheme. To evaluate the performance of the proposed scheme, the confusion matrix of the jamming classification between the conventional and the proposed schemes is compared and analyzed by Monte-Carlo simulation using 106 test samples in five representative jamming environments with no jamming. As a result of the simulation, the average jamming classification accuracy of the proposed scheme is approximately 99.41%, which improves the classification accuracy by 5.1% compared with that achieved by the conventional scheme. Additionally, the average classification accuracy of 99.07% is dramatically improved by 15.64% compared with that achieved by the conventional scheme.
목차
Abstract
I. 서론
II. 수신 신호와 재밍 신호 모형
III. 기존 기법 [17]
IV. 제안한 기법
V. 모의실험과 성능분석
VI. 결론
REFERENCES
참고문헌 (17)
참고문헌 신청
E. D. Kaplan and C. J. Hegarty, Understanding GPS/GNSS: Principles and Applications, 3rd Edition, Artech House, Norwood, England, 2017.
R. Ashley, Statement for the Record: Worldwide Threat Ass essment, Defense Intelligence Agency, Mar. 2018. URL Available: https://www.dia.mil/News/Speeches-and-Testimonies/Article-View/Article/1457815/statement-for-the-recordworldwide-threat-assessment/
Defense Intelligence Agency, Challenges to Security in Space, Committed to Excellence in Defense of the Nation, Jan. 2019. URL Available: www.dia.mil/Military-Power- Publications.
R. T. Ioannides, T. Pany, and G. Gibbons, “Known vulnerabilities of global navigation satellite systems, status, and potential mitigation techniques,” Proceedings of the IEEE, vol. 104, no. 6, pp. 1174-1194, Jun. 2016.
R. M. Ferre, P. Richter, A. De La Fuente, and E. S. Lohan, “In-lab validation of jammer detection and direction finding algorithm for GNSS,” Proceedings on International Conference on Localization and GNSS (ICL-GNSS), Online, Nuremberg, Germany, Jun. 2018.
R. Ashley, Statement for the Record: Worldwide Threat Ass essment, Defense Intelligence Agency, Mar. 2018. URL Available: https://www.dia.mil/News/Speeches-and-Testimonies/Article-View/Article/1457815/statement-for-the-recordworldwide-threat-assessment/
Defense Intelligence Agency, Challenges to Security in Space, Committed to Excellence in Defense of the Nation, Jan. 2019. URL Available: www.dia.mil/Military-Power- Publications.
R. T. Ioannides, T. Pany, and G. Gibbons, “Known vulnerabilities of global navigation satellite systems, status, and potential mitigation techniques,” Proceedings of the IEEE, vol. 104, no. 6, pp. 1174-1194, Jun. 2016.
R. M. Ferre, P. Richter, A. De La Fuente, and E. S. Lohan, “In-lab validation of jammer detection and direction finding algorithm for GNSS,” Proceedings on International Conference on Localization and GNSS (ICL-GNSS), Online, Nuremberg, Germany, Jun. 2018.
함께 읽어보면 좋을 논문
논문 유사도에 따라 DBpia 가 추천하는 논문입니다. 함께 보면 좋을 연관 논문을 확인해보세요!
-
SPWVD-PSD 겹침 이미지를 이용한 전이학습기반 GNSS 재밍식별기법
제어로봇시스템학회 논문지
2022 .10
-
다양한 GNSS 재밍에 대한 스펙트로그램/SVM을 사용한 재밍 식별 기법 성능 분석
한국통신학회 학술대회논문집
2023 .02
-
Design of GNSS Jamming Propagation Simulator using ITU-R P.1546 Propagation Model
제어로봇시스템학회 국제학술대회 논문집
2015 .10
-
GNSS 전파교란 영향분석 시뮬레이터 구현 및 시험
한국항공운항학회지
2016 .01
-
실제 GPS L1 C/A 신호에 대한 기계학습 기반 재밍 신호 식별 기법
한국통신학회논문지
2021 .11
-
합성곱 신경망 기반 AM 재밍 검출기법
한국통신학회논문지
2020 .12
-
A Comparison of Meta-learning and Transfer-learning for Few-shot Jamming Signal Classification
Journal of Positioning, Navigation, and Timing
2022 .09
-
클라우드 데이터 처리 방식을 통한 국가 주요시설에서의 GNSS 재밍 모니터링 실측 실험
한국ITS학회 논문지
2020 .01
-
GNSS 재밍신호 식별을 위한 기계학습모델의 구현 복잡도 분석
한국통신학회 학술대회논문집
2022 .06
-
GPS L1 C/A 신호를 위한 심층신경망을 이용한 단일 연속파 재밍 검출기법
제어로봇시스템학회 논문지
2020 .08
-
통합의사잡음 신호의 상관비 실험을 이용한 GNSS 재방송재밍 신호 검출기법
제어로봇시스템학회 논문지
2016 .08
-
A Model to Evaluate Jammer Influences on Ranging Measurements
Journal of Positioning, Navigation, and Timing
2019 .01
-
Jamming Signals Classification Using CNN for Anti-Jamming Performance of TH-NRDCSK System
한국통신학회 학술대회논문집
2019 .06
-
Home-On-Jam 회피를 위한 강화학습 기반 재밍기법 개발 연구
국방로봇학회 논문집
2024 .10
-
GNSS 재밍신호 식별을 위한 기계학습모델의 정보 엔트로피 분석
한국통신학회 학술대회논문집
2022 .06
-
Jammer Identification: Spectral Correlation Function and Wavelet Coherence
Journal of Positioning, Navigation, and Timing
2018 .01
-
자동 변조 식별 기반 재밍 기법의 성능 분석
한국통신학회논문지
2018 .02
-
항법 시스템 오작동 시 자율주행 알고리즘 성능 테스트를 위한 차량 내 재밍 신호 데이터 발생기 구현
한국ITS학회 논문지
2021 .01
-
무인항공기의 생존성 향상을 위한 항재밍 기법 구현 및 검증
한국통신학회논문지
2021 .03
-
GNSS 재밍 신호 모니터링 네트워크 시스템을 위한 독립된 GNSS 수신기 간 시각 동기화 기법
한국ITS학회 논문지
2021 .01
이 논문의 저자 정보
이 논문과 함께 이용한 논문
ResNet/SVM 기반 GNSS 재밍 식별 기법
유승수
,
유재덕
,
허소은
외 1명
한국통신학회논문지
2023
.12
DME 사이트 인근 지역에서의 GNSS L5 대역 재밍 모니터링 실험
이학범
,
박동혁
,
이동주
외 4명
한국항공우주학회 학술발표회 초록집
2021
.11
Performance Comparison and Analysis Between Neural and Non-neural Autoencoder-based Recommender Systems
정윤기
,
이종욱
Journal of KIISE
2020
.11
심층 신경망 기반 자연어처리 모델의 성능 비교
이태겸
,
신경섭
한국통신학회논문지
2019
.07
AI
Ma
,
io Fuentes
한국콘텐츠학회 ICCC 논문집
2018
.12
최근 본 자료
댓글(0)
0
UCI(KEPA) : I410-ECN-0101-2020-003-001571167