{“状态”：“确定”，“消息类型”：“工作”，“信息版本”：“1.0.0”，“邮件”：{“索引”：{-“日期-部件”：[[2024,7,5]]，“日期-时间”：“2024-07-05T05:58:42Z”，“时间戳”：1720159122438}，“引用-计数”：19，“发布者”：“MDPI AG”，“问题”：“7”，“许可证”：[{“开始”：{-date-parts”：[[2020,3,25]]，”日期-时间“：”2020-03-25T00:00:00Z“，”时间戳“：1585094400000}，“content-version”：“vor”，“delay-in-days”：0，“URL”：“https:\/\/creativecommons.org\/licenses\/by\/4.0\/”}]，“内容域”：{“域”：[]，“crossmark-restriction”：false}，“short-container-title”：[“传感器”]，“抽象”：“全球导航卫星系统（GNSS）测量和欺骗被认为是对生命安全（SoL）应用程序的主要威胁，这些应用程序主要依赖于开放服务（OS）信号的使用，没有信号或数据级保护。虽然到目前为止已经提出了一些预相关和后相关技术，但目前正在研究是否可以利用监督机器学习算法检测GNSS测量和欺骗。支持向量机分类（C-SVM）是监督机器学习算法之一，由于在信号处理阶段存在大量测量值和观测值，因此被提出用于GNSS接收机级。可以在这些GNSS测量值和观测值之间建立相关模式，并使用C-SVM分类对其进行监测，我们在本文中给出了其结果。通过在C-SVM的训练阶段将真实世界的欺骗和测量数据集添加到实验室生成的欺骗数据集，我们补充了本文第一部分中获得的实验和结果，其中训练仅使用实验室生成的欺诈数据集进行。在本文提出的两个实验中，C-SVM算法与真实的测量和欺骗数据集交叉馈送，以便通过欺骗数据集验证对训练的测量添加，反之亦然。本文中提出的所有四个实验的比较分析在两个方面显示了有希望的结果：（i）训练数据集富集的附加值似乎与真实世界的GNSS信号操纵尝试检测相关；（ii）基于C-SVM的方法似乎对GNSS信号操纵尝试检测有希望，以及潜在的联合学习应用程序<\/jats:p>“，”DOI“：”10.3390\/s20071806“，”type“：”journal-article“，”created“：{”date-parts“：[[2020,3,25]]，”date-time“：”2020-03-25T17:10:47Z“，”timestamp“：158515624700}，”page“：监督机器学习用于GNSS信号欺骗检测，并对真实世界测量和欺骗数据进行验证\u2014第二部分“]，”前缀“：”10.3390“，”卷“：”20“，”作者“：[{”ORCID“：”http://\/ORCID.org\/00000-0002-9226-4112“，”authenticated-ORCID“：false，”给定“：”Silvio“，”family“：”Semanjski“，”sequence“：”first“，”affiliation“：[}”name“：”比利时布鲁塞尔1000号皇家军事学院通信、信息、系统和传感器部“}]}，{“ORCID”：“http://\/ORCID.org\/0000-0003-2795-8094”，“authenticated-ORCID”：false，“given”：”Ivana“，”family“：”Semanjski“，”sequence“：”additional“，”affiliation“：[{”name“：”根特大学工业系统工程与产品设计系，比利时根特9052号“}，{“name”：比利时根特大学法兰德斯制造工业系统工程（ISyE），比利时根特9052号”}]}，}“given”：“Wim”，“family”：“De Wilde”，“sequence”：“additional”，“affiliation”：[{“name:”Septerio N.V.，3000 Leuven，Belgium“}]}，{”ORCID“：”http:\/\/orcid.org\/00000-0001-5628-6974“，”authenticated-orcid“：false，”given“：”Sidharta“，”family“：”Gautama“，”sequence“：”additional“，”affiliation“：[{”name“：”比利时根特9052根特大学工业系统工程与产品设计系”}，{“name”：“工业系统工程（ISyE），Flanders Make，根特大学，9052 Ghent，Belgium“}]}]，“member”：“1968”，“published-online”：{“date-parts”：[[2020,3,25]]}，“reference”：[{“key”：“ref_1”，“doi-asserted-by”：“crossref”，”first page“：”1258“，”doi“：”10.1109\/JPROC.2016.2526658“，”article-title“：”GNSS Spoofig and Detection“，”volume“：“104”，“author”：“Psiaki”“，”年份“：”2016“，”新闻标题“：”程序。IEEE“｝，｛”key“：”ref_2“，”非结构化“：”R\u00fcgamer，A.和Kowalewski，D.（2015）。全球导航卫星系统信号的干扰和欺骗\u2014一种低估的风险？！。智慧时代Chall.Mod.World，17\u201321.”｝，｛”key“：”ref_3“，”非结构化“：”Psiaki，M.L.，Powell，S.P.和O\u2019Hanlon，B.W.（，2013）使用高频天线运动和载波相位数据进行GNSS欺骗检测。导航学会卫星部门第26届国际技术会议记录，ION GNSS 2013，田纳西州纳什维尔。“}，{”key“：”ref_4“，”unstructured“：”（2017）.2017年2月8日欧洲委员会委员会执行决定（EU）2017\/224规定了技术和操作规范，允许根据伽利略计划建立的系统提供商业服务，以实现第2（4）（c）条中提到的功能欧洲议会和理事会第1285\/2013号法规（EU）。Off.J.Eur.Union，36\u201340.“}，{”key“：”ref_5“，”doi-asserted-by“：”crossref“，”first page“：“85”，”doi“：”10.1002\/navi.125“，”article-title“：”Galileo Open Service的导航消息身份验证建议“，”volume“：：“（2020年3月24日）。什么是导航消息身份验证？。在线提供：https:\/\/insidegnss.com/what-is-navigation-message-authentication//。“}，{”key“：”ref_7“，”doi-asserted-by“：”crossref“，”unstructured“：”Shang，S.，Li，H.，Wei，Y.，and Lu，M.（2019年12月17日）。GNSS直接测量信号的灵活重放延迟控制方法|技术计划\u2014ITM 2020。在线获取：https:\/\/www.ion.org\/itm\/abstracts.cfm？paperID=7996.“，”DOI“：”10.33012\/2020.17192“}，{“key”：“ref_8”，“DOI-asserted-by”：“crossref”，“unstructured”：“Panice，G.，Luongo，S.，Gigante，G.、Pascarella，D.，Di Benedetto，C.，Vozella，A.和Pescape，A.（2017年1月7日\u20138）基于SVM的检测方法，用于对无人机进行GPS欺骗攻击。ICAC 2017\u20142017第23届IEEE自动化与计算国际会议记录：通过自动化与计算解决全球挑战，英国哈德斯菲尔德卷：“19”，“作者”：“太阳”，“年份”：“2017年”，“新闻标题”：“国际期刊网”。安全。“}，{”key“：”ref_10“，”doi-asserted-by“：”crossref“，”unstructured“：”Semanjski，S.，Muls，A.，Semanjsli，I.，and De Wilde，W.（2019年1月4日\u22126）使用和验证监督机器学习方法检测GNSS信号欺骗。2019年全球导航卫星系统本地化国际会议记录，2019年ICL-GNSS，德国纽伦堡。“，”DOI“：”10.1109\/ICL-GNSS.2019.8752775“}，{”key“：”ref_11“，”DOI-asserted-by“：”crossref“，”unstructured“：”Semanjski，S.，Semanjski.，I.，De Wilde，W.，and Muls，A.（2020）.使用监督机器学习进行GNSS信号欺骗检测，并验证真实世界测量和欺骗数据\u2014第一部分传感器，20.“，“DOI”：“10.3390\/s20041171”}，{“key”：“ref_12”，“unstructured”：“（2020年3月24日）。LimeSDR。在线获取：https:\/\/limemicro.com/products\/boards\/LimeSDR.”}，{”key“：”ref_13“，”unstructure“：”（2020年，3月24号）。HackRF。在线获得：https:\\/github.com\/mossmann\/HackRF.“}”，{.gps-sdr-sim。在线提供：https:\/\/github.com\/osqzss\/gps-sdr-sim。“}，{”key“：”ref_15“，”unstructured“：”Jenkins，A.，Gupta，V.，and Lenoir，M.（2019）。一般回归神经网络，径向基函数神经网络，支持向量机和前馈神经网络。arXiv.“}”，{“key”：“ref_16”，“doi-asserted-by”：“crossref”，“first page”：”595“，“doi”：“10.1016\/S0893-6080（05）80038-3”，“article-title”：“”关于径向基函数分类器的训练”，“卷”：“5”，“作者”：“穆萨维”，“年份”：“1992年”，“期刊标题”：“神经网络”。“}，{”key“：”ref_17“，”doi-asserted-by“：”crossref“，”unstructured“：”Ning，Y.，Wang，J.，Han，H.，Tan，X.，and Liu，T.（2018）。复杂城市地区GNSS\/INS集成系统的最优径向基函数神经网络增强自适应鲁棒卡尔曼滤波器。传感器，18.“，“doi”：“10.3390\/s18093091”}，“key”：“ref_18”，“doi-assert-by”：“”crossref”，“非结构化”：“Semanjski，I.和Gautama，S.（2016）。众包流动洞察\u2014基于态度的细分在高分辨率流动行为数据上的反映。运输。研究C部分应急技术。，71.“，”DOI“：”10.1016\/j.trc.2016.08.016“}，{“key”：“ref_19”，“first page”：”4148“，”article-title“：”径向基函数、多变量函数插值和自适应网络“，”volume“：”2“，”author“：”Broomhead“，”year“：”1988“URL”：“https:\/\/www.mdpi.com/1424-8220\/20\/7\/1806\/pdf“，”content-type“：”unspecified“，”content-version“：”vor“，”intended-application“：”similarity-checking“}]，”deposed“：{”date-parts“：[[2024,6,25]]，”date-time“：“2024-06-25T23:28:52Z”，”timestamp“：1719358132000}，”score“：1，”resource“：”{“primary”：{“URL”：“https:\\ http://www.mdpi.com//1424-8220\/20\/7\/1806“}}”副标题“：[]，”简短标题“：[]，”发布“：{”日期部分“：[[2020,3,25]]}，”引用计数“：19，”日志发布“：}”问题“：“7”，”在线发布“：｛”日期部件“：[2020,4]}}，“alternative-id”：[“s20071806”]，“URL”：“http://\/dx.doi.org\/10.3390\/s20071806”，“关系”：{}，：[“1424-8220”]，“ISSN-type”：[{“value”：“1424-82”，“type”:“electronic”}]，“subject”：[]，“已发布”：｛“日期部分”：[[2020,3,25]]｝｝