Методы пространственной обработки спутниковых навигационных сигналов в частотной области

Обложка

Цитировать

Полный текст

Аннотация

Актуальность. Весьма низкая мощность полезных информационных сигналов глобальных спутниковых навигационных систем вблизи поверхности Земли вместе с происходящим в последние годы заметным увеличением количества доступных и эффективных портативных средств постановки заградительных широкополосных энергетических помех делают задачу повышения помехоустойчивости радионавигационных спутниковых устройств особенно актуальной как с практической, так и с исследовательской точек зрения. В этой связи целью данного исследования явилось повышение помехоустойчивости глобальных спутниковых навигационных систем посредством обработки входных сигналов соответствующей принимающей аппаратуры специальными пространственными фильтрами. Для достижения цели работы была решена научная задача по исследованию увеличения помехоустойчивости радионавигационной аппаратуры с использованием в ней пространственной обработки входных сигналов в частотной области.Используемые методы. В ходе исследования были рассмотрены различные алгоритмы пространственной обработки сигналов, среди которых были как функционирующие в условиях отсутствия какой-либо информации о внешней относительно принимающей радионавигационной системы помеховой обстановке, так и задействующие сведения о количестве и относительном расположении источников помех. Дополнительно были исследованы различные методы нахождения числа источников помех и угловых направлений на них, а также современные алгоритмы оптимизации целевых функций, используемых для определения местоположения источников сигналов. Научная новизна работы заключается в применении при решении поставленной задачи новых алгоритмов, реализующих отдельные этапы сигнальной обработки и обеспечивающих получение алгоритмами фильтрации информации, необходимой для их работы, а также в комбинировании известных методов с новыми подходами к их воплощению. Результаты. В ходе решения научной задачи было проведено сравнение характеристик качества работы всех рассмотренных алгоритмов, выполненное с применением метода компьютерного моделирования, при котором использовались записи реальных спутниковых навигационных сигналов с добавлением разного количества источников некоррелированных энергетических помех. В результате моделирования были получены значения показателей качества работы всех исследуемых алгоритмов и проведен их сравнительный анализ, по итогам которого выделены методы с наилучшими характеристиками. Значимость результатов работы состоит в возможности использовать рассмотренные алгоритмы при разработке реальных устройств помехозащищенной спутниковой навигации.

Об авторах

В. И. Царик

ООО «Эйртэго»

Email: wladimirzarik@mail.ru
ORCID iD: 0000-0003-3428-9976
SPIN-код: 2944-3690

Список литературы

  1. Misra P., Enge P. Global Positioning System: Signals, Measurements, and Performance. Ganga-Jamuna Press, 2006. 569 p.
  2. Wu R., Wang W., Lu D., Wang L., Jia Q. Adaptive Interference Mitigation in GNSS. Springer, 2018. 274 p. doi: 10.1007/978-981-10-5571-3
  3. Gao G.X., Sgammini M., Lu M., Kubo N. Protecting GNSS Receivers From Jamming and Interference // Proceedings of the IEEE. 2016. Vol. 104. Iss. 6. PP. 1327‒1338. doi: 10.1109/JPROC.2016.2525938
  4. Glushankov E.I., Tsarik V.I. Space-Frequency Beamforming Algorithms Comparison with a Circular Antenna Array // Proceedings of the Conference on Systems of Signals Generating and Processing in the Field of on-Board Communications (Moscow, Russian Federation, 14‒16 March 2023). IEEE, 2023. doi: 10.1109/IEEECONF56737.2023.10092000
  5. Царик В. И. Сравнение методов определения числа источников помех при адаптации антенных решеток // Актуальные проблемы инфотелекоммуникаций в науке и образовании (АПИНО 2024, Санкт-Петербург, Российская Федерация, 27–28 февраля 2024). СПб.: Санкт-Петербургский государственный университет телекоммуникаций им. проф. М.А. Бонч-Бруевича, 2024. С. 465‒469. EDN:OIHERO
  6. ГЛОНАСС: Модернизация и перспективы развития. М.: Радиотехника, 2020. 1072 с.
  7. ГЛОНАСС. Принципы построения и функционирования. М.: Радиотехника, 2010. 800 с.
  8. Малозёмов В.Н., Машарский С.М. Основы дискретного гармонического анализа. СПб.: Лань, 2012. 304 с.
  9. Blahut R.E. Fast Algorithms for Signal Processing. New York: Cambridge University Press, 2010. 453 p.
  10. Xu H., Cui X., Lu M. An SDR-Based Real-Time Testbed for GNSS Adaptive Array Anti-Jamming Algorithms Accelerated by GPU // Sensors. 2016. Vol. 16. Iss. 356. PP. 1‒33. doi: 10.3390/s16030356
  11. Van Trees H.L. Optimum Array Processing. Part IV of Detection, Estimation, and Modulation Theory. New York: John Wiley & Sons, 2002. 1443 p.
  12. Пастухов А.В., Оганесян А.А., Головин П.М., Павлов В.С. Мониторинг помеховой обстановки на базе помехоустойчивой адаптивной антенной решётки // Новости навигации. 2015. № 2. С. 8‒11. EDN:VLQNYJ
  13. Ruppert D., Matteson D.S. Statistics and Data Analysis for Financial Engineering with R examples. New York: Springer, 2015. doi: 10.1007/978-1-4939-2614-5
  14. Xu D., Tian Y. A Comprehensive Survey of Clustering Algorithms // Annals of Data Science. 2015. Vol. 2. PP. 165‒193. doi: 10.1007/s40745-015-0040-1
  15. Аттетков А.В., Галкин С.В., Зарубин В.С. Методы оптимизации. М.: Издательство МГТУ им. Н. Э. Баумана, 2003. 440 с.
  16. Mirjalili S., Gandomi A.H., Mirjalili S.Z., Saremi S., Faris H., Mirjalili S.M. Salp Swarm Algorithm: A bio-inspired optimizer for engineering design problems // Advances in Engineering Software. 2017. Vol. 114. PP. 163‒191. doi: 10.1016/j.advengsoft.2017.07.002
  17. Pedersen M.E.H., Chipperfield A.J. Simplifying Particle Swarm Optimization // Applied Soft Computing. 2010. Vol. 10. Iss. 2. PP. 618‒628. doi: 10.1016/j.asoc.2009.08.029
  18. Abualigah L., Shehab M., Alshinwan M., Alabool H. Salp swarm algorithm: a comprehensive survey // Neural Computing and Applications. 2020. Vol. 32. PP. 11195‒11215. doi: 10.1007/s00521-019-04629-4
  19. Houssein E.H., Mohamed I.E., Wazery Y.M. Salp Swarm Algorithm: A Comprehensive Review // Applications of Hybrid Metaheuristic Algorithms for Image Processing. Springer, 2020. PP. 285‒308. doi: 10.1007/978-3-030-40977-7_13
  20. Reed I.S., Mallett J D., Brennan L E. Rapid Convergence Rate in Adaptive Arrays // IEEE Transactions on Aerospace and Electronic Systems. 1974. Vol. AES-10. Iss. 6. PP. 853‒863. doi: 10.1109/TAES.1974.307893
  21. Borre K., Akos D.M., Bertelsen N., Rinder P., Jensen S.H. A Software-Defined GPS and Galileo Receiver: A Single-Frequency Approach. Boston: Birkhäuser, 2007. 176 p.

Дополнительные файлы

Доп. файлы
Действие
1. JATS XML


Creative Commons License
Эта статья доступна по лицензии Creative Commons Attribution 4.0 International License.

Согласие на обработку персональных данных с помощью сервиса «Яндекс.Метрика»

1. Я (далее – «Пользователь» или «Субъект персональных данных»), осуществляя использование сайта https://journals.rcsi.science/ (далее – «Сайт»), подтверждая свою полную дееспособность даю согласие на обработку персональных данных с использованием средств автоматизации Оператору - федеральному государственному бюджетному учреждению «Российский центр научной информации» (РЦНИ), далее – «Оператор», расположенному по адресу: 119991, г. Москва, Ленинский просп., д.32А, со следующими условиями.

2. Категории обрабатываемых данных: файлы «cookies» (куки-файлы). Файлы «cookie» – это небольшой текстовый файл, который веб-сервер может хранить в браузере Пользователя. Данные файлы веб-сервер загружает на устройство Пользователя при посещении им Сайта. При каждом следующем посещении Пользователем Сайта «cookie» файлы отправляются на Сайт Оператора. Данные файлы позволяют Сайту распознавать устройство Пользователя. Содержимое такого файла может как относиться, так и не относиться к персональным данным, в зависимости от того, содержит ли такой файл персональные данные или содержит обезличенные технические данные.

3. Цель обработки персональных данных: анализ пользовательской активности с помощью сервиса «Яндекс.Метрика».

4. Категории субъектов персональных данных: все Пользователи Сайта, которые дали согласие на обработку файлов «cookie».

5. Способы обработки: сбор, запись, систематизация, накопление, хранение, уточнение (обновление, изменение), извлечение, использование, передача (доступ, предоставление), блокирование, удаление, уничтожение персональных данных.

6. Срок обработки и хранения: до получения от Субъекта персональных данных требования о прекращении обработки/отзыва согласия.

7. Способ отзыва: заявление об отзыве в письменном виде путём его направления на адрес электронной почты Оператора: info@rcsi.science или путем письменного обращения по юридическому адресу: 119991, г. Москва, Ленинский просп., д.32А

8. Субъект персональных данных вправе запретить своему оборудованию прием этих данных или ограничить прием этих данных. При отказе от получения таких данных или при ограничении приема данных некоторые функции Сайта могут работать некорректно. Субъект персональных данных обязуется сам настроить свое оборудование таким способом, чтобы оно обеспечивало адекватный его желаниям режим работы и уровень защиты данных файлов «cookie», Оператор не предоставляет технологических и правовых консультаций на темы подобного характера.

9. Порядок уничтожения персональных данных при достижении цели их обработки или при наступлении иных законных оснований определяется Оператором в соответствии с законодательством Российской Федерации.

10. Я согласен/согласна квалифицировать в качестве своей простой электронной подписи под настоящим Согласием и под Политикой обработки персональных данных выполнение мною следующего действия на сайте: https://journals.rcsi.science/ нажатие мною на интерфейсе с текстом: «Сайт использует сервис «Яндекс.Метрика» (который использует файлы «cookie») на элемент с текстом «Принять и продолжить».