面向陣列天線抗干擾無人機的隱蔽誘騙方法

摘 要：傳統無人機導航誘騙技術采用單天線發射誘騙信號，而配備陣列天線的非合作無人機具備信號來向識別能力，可對單一來向的誘騙信號進行檢測識別和抑制，從而導致誘騙失敗。針對該問題，提出一種針對陣列天線抗干擾無人機的隱蔽導航誘騙方法。首先，設計一種基于密度的噪聲應用空間聚類（density based spatial clustering of application with noise， DBSCAN） Kmeans混合聚類算法，按照真實導航衛星相對目標無人機的方位進行信號來向的分簇聚類，得到誘騙信號最佳來向角度。其次，多架合作無人機搭載誘騙載荷，由最佳來向角度處協同發射相互自洽的誘騙信號，使誘騙信號與真實信號來向近乎一致。最后，試驗結果表明，多誘騙載荷發射的多來向誘騙信號可以成功侵入配備陣列天線的非合作無人機導航鏈路，所提方法具有良好的隱蔽性和可行性。

關鍵詞： 無人機反制; 隱蔽導航誘騙; 無人機協同; 混合聚類

中圖分類號： TN 972+.3

文獻標志碼： ADOI：10.12305/j.issn.1001 506X.2025.02.29

Covert spoofing method for anti jamming UAV with array antenna

YIN Zhongjie1， HOU Bo^1，2，*， JIN Xiaolong1， FAN Zhiliang1， WANG Haiyang1

（1. School of Combat Supporting， Rocket Force University of Engineering， Xi’an 710025， China;

2. School of Automation， Northwestern Polytechnical University， Xi’an 710072， China）

Abstract：Traditional unmanned aerial vehicle （UAV） navigation spoofing techniques use a single antenna to transmit spoofing signals， while non cooperative UAV equipped with array antennas has the ability to recognize the arriving directions of signals， which can detect， identify， and suppress spoofing signals from a single arriving direction， leading to spoofing failures. To address this issue， firstly， a density based spatial clustering of applications with noise（DBSCAN） Kmeans hybrid clustering algorithm is designed to cluster the signal directions based on the true navigation satellite relative to the target UAV azimuth， in order to obtain the optimal direction angle for the spoofing signal. Secondly， multiple cooperative UAVs carry spoofing payloads and transmit mutually self consistent spoofing signals from the optimal arriving directions， which makes sure that the spoofing signals are nearly identical to the real signals arriving directions. Finally， experimental results show that the multi directions spoofing signals transmitted by multiple spoofing payloads can successfully intrude into the navigation links of non cooperative UAV equipped with array antennas， and the proposed method has good covertness and feasibility.

Keywords：unmanned aerial vehicle （UAV） countermeasures; covert navigation spoofing; UAV collabo ration; hybrid clustering

0 引 言

近年來，由無人機帶來的安全威脅日趨嚴重，應運而生的反無人機技術得到了快速發展。在諸多無人機反制技術中，導航誘騙技術因其隱蔽性強、效費比高、動態可控等優點，已成為非合作無人機打擊技術領域的研究熱點，取得了大量的研究成果^［1-4］。

無人機導航誘騙技術通過轉發或生成虛假衛星導航信號，將信號經過功率放大后發射給非合作無人機，從而使得非合作無人機解算得到錯誤的位置、速度和時間信息。文獻［5］研究實現誘騙所需的軟、硬件模塊，包含誘騙設備信道、載波復制發生器、控制模塊、數據位預測器和誘騙信道輸出信號采樣組合5個部分，并基于此設計便攜式導航誘騙設備。文獻［6］給出導航誘騙捕獲無人機的必要條件，以及捕獲后控制無人機運動的方法，最后通過實物試驗對所提方法進行測試。文獻［7］對文獻［6］所提方法進行建模仿真和理論證明。文獻［8］研究轉發式誘騙的軌跡規劃問題，通過仿真試驗發現，切線法比延長線法進行角度拉偏的力度更大、效果更好。文獻［9］提出使用定向誘騙策略進行快速方向拉偏，并參考文獻［8］的結論，使用切線法進行位置拉偏。文獻［10］提出一種建模方法，將虛假的位置、速度信號分解為真實信號與偏置的疊加，通過調整誘騙干擾偏移系數，可以控制誘騙干擾偏移的大小。

為應對導航誘騙，無人機抗誘騙技術逐漸開始被大量應用，主要包括信號功率檢測^［11］、接收機自主完好性檢測^［12］、殘留信號檢測^［13］、陣列天線檢測^［14-19］等，其中陣列天線抗干擾技術利用陣列信號處理技術檢測信號來向，并通過形成零陷，對與真實信號來向角差異較大的誘騙信號進行抑制。

目前，在已有公開文獻中，尚無針對陣列天線抗干擾無人機的導航誘騙手段。針對該問題，本文提出一種利用空基平臺搭載誘騙載荷對陣列天線抗干擾無人機實施協同導航誘騙的方法。該方法設計一種基于密度的噪聲應用空間聚類（density based spatial clustering of application with noise， DBSCAN） Kmeans混合聚類算法，按照真實導航衛星相對目標無人機的方位進行信號來向的分簇聚類，得到誘騙信號最佳來向角度。多架合作無人機搭載誘騙載荷，由最佳來向角度處協同發射相互自洽的誘騙信號，可使誘騙信號與真實信號來向近乎一致，從而抵消陣列天線零陷和信號來向識別能力，完成誘騙信號對無人機導航鏈路的入侵。最后，通過數值仿真和實物試驗驗證了該方法的可行性和隱蔽性。

1 空基平臺協同誘騙方法

本文所提方法適用于生成式導航誘騙，旨在避免誘騙信號來向單一的問題，盡可能使誘騙信號來向與真實信號接近，以防信號被陣列天線抗干擾無人機識別和抑制。為此，本文使用合作無人機編隊作為空基平臺搭載誘騙載荷，從空中多個方向協同發射誘騙信號，方法原理示意圖如圖1所示，其中誘騙載荷采用軟件無線電架構實現，主芯片為AD9361和ZYNQ7020。ZYNQ7020用于完成誘騙信號建模及數字信號合成，AD9361負責射頻信號生成，板卡輸出功率為20 dBm。

要使得合作無人機搭載的誘騙載荷所發射信號與真實衛星信號到達角盡可能一致，在不考慮成本的情況下，可在每一顆導航衛星與非合作無人機的連線上部署一架搭載有誘騙載荷的合作無人機。然而，非合作無人機在任意時刻能接收到的衛星信號往往較多，若每一顆衛星信號都利用一架合作無人機搭載載荷生成誘騙信號，成本會極劇增加，且實現難度較大。此外，陣列天線對信號來向的識別能力有限，這允許誘騙信號與真實衛星信號來向存在一定范圍的偏差。陣列天線角度分辨能力表示為

φ=2πλΔR=2πλdsin θ（1）

式中：φ為各天線間接收到的信號的相位差;λ為雷達波長;ΔR為信號波程差;d為天線間距;θ為信號來向。

對式（1）等號兩邊取微分，可得

dθ=λ2πdcos θdφ（2）

顯然，相位測量誤差將直接導致產生信號來向估計誤差。此外，當陣元分布較均勻時，誘騙載荷個數只需要超過陣列天線的自由度即可。因此，可采用聚類算法^［20-23］按照真實導航衛星相對目標無人機的方位進行信號來向的分簇聚類，得到誘騙信號最佳來向角度，并將來向角度接近的衛星信號使用同一個誘騙載荷生成。

在已有導航誘騙方法中，多個虛假衛星信號由單一誘騙載荷生成，誘騙載荷與非合作無人機間的距離相同，因此各信號時延一致。然而，在多誘騙載荷情況下，需要根據各合作無人機上誘騙載荷與非合作無人機間距離的不同，實時產生具有不同時延特征且相互自洽的誘騙信號。

無人機接收到的導航信號可表示為

r（nTs）=∑h=JaPahDah（nTs－τah）cah（nTs－τah）·

e^{jφah+j2πfahnTs}+∑m=JsPsmDsm（nTs－τsm）csm·

（nTs－τsm）e^{jφsm+j2πfsmnTs}+η（nTs）（3）

式中：下標h表示接收到的真實衛星信號;下標m表示虛假衛星信號;上標a表示真實衛星信號;上標s表示虛假衛星信號;η（nTs）表示附加的白高斯噪聲;Ts表示采樣間隔;τ表示接收到的信號的碼相位;P表示接收到的信號功率;c表示偽隨機噪聲（pseudo random noise， PRN）碼的序列;D表示導航電文;f表示載波信號多普勒頻率。

若Ri表示第i顆衛星天線相位中心到無人機導航接收機天線相位中心的幾何距離，當前時刻衛星的坐標為（xi，yi，zi），接收機的坐標為（xR，yR，zR），則

Ri=（xi－xR）2+（yi－yR）2+（zi－yR）2（4）

對應的偽距可表示為

ρi=（xi－xR）2+（yi－yR）2+（zi－zR）2+Δρi（5）

式中：Δρi表示對應的偽距偏差。

Δρi=cti（6）

式中：ti表示對應的時間延遲。

對于偽距偏差，假設第i顆衛星對應的偏差為Δxi=（Δxi，Δyi，Δzi），偽距為ρi，偽距偏差為Δρi，則第i顆衛星對應的無人機導航接收機的觀測方程為

R-i+δtu+Δδtu=ρi+Δρi（7）

式中：δtu表示接收機時鐘偏移;Δδtu表示修改偽距引起的時鐘偏移量偏差;R-i可表示為

R-2i=［xi+Δ xi-（xu+Δ xu）］2+

［yi+Δ yi-（yu+Δ yu）］2+

［zi+Δ zi-（zu+Δ zu）］2（8）

式中：Δxu表示修改偽距引起的坐標偏差。

本文所提陣列天線抗干擾無人機隱蔽誘騙技術的原理如圖2所示。中心控制單元使用導航接收機實時接收空域導航衛星信號，獲取衛星位置等信息。探測設備在探測到非合作無人機入侵時，將其運動狀態等信息傳入集成了混合聚類算法的中心控制單元。之后，中心控制單元利用混合聚類算法得到誘騙策略及控制指令，并將其通過通信設備發送給合作無人機編隊。最終，多架合作無人機運動至相應位置，其攜帶的載荷發射誘騙信號，對非合作無人機進行協同誘騙。

具體實施步驟如下：

步驟 1 在探測到非合作無人機入侵后，合作無人機搭載誘騙載荷升空;

步驟 2 探測設備實時探測非合作無人機的位置、速度信息，導航接收機實時接收空域內衛星信號，獲取衛星位置等信息;

步驟 3 中心控制單元按照真實導航衛星相對目標無人機的方位進行信號來向的分簇聚類，計算出每一簇的中點位置（即誘騙信號最佳來向角度），生成相應的誘騙策略，并根據步驟2的探測信息實時進行動態調整;

步驟 4 通信設備將步驟3計算出的誘騙信號來向角度和誘騙策略發給合作無人機編隊，合作無人機接收到信息后，分別運動至相應位置;

步驟 5 誘騙載荷依據誘騙策略，生成自洽誘騙信號，將其進行功率放大后發射給非合作無人機;

步驟 6 在整個誘騙過程中，步驟2至步驟5持續進行，直至判定非合作無人機目標誘騙成功且已無威脅，誘騙載荷停止工作，合作無人機有序返回并降落。

根據上述分析，陣列天線抗干擾無人機隱蔽誘騙方法的流程圖如圖3所示。

2 基于混合聚類算法信號來向擬真

2.1 傳統聚類算法的局限

由上文可知，在成本可接受和方法可行的前提下，誘騙信號盡可能地模擬真實衛星信號來向，需要按照真實導航衛星相對目標無人機的方位進行信號來向的分簇聚類，計算出每一簇的中點位置（即誘騙信號最佳來向角度），這就需要用到聚類算法。下面對傳統聚類方法的局限進行分析。

2.1.1 Kmeans聚類算法

Kmeans聚類算法^［24-26］屬于無監督聚類算法，其目的是最小化樣本點與其所屬類別的聚類中心間的差異。該算法首先隨機選擇k個點作為初始聚類中心點;其次，通過迭代的方式，根據距離最小原則不斷更新聚類中心，直至聚類中心的位置不再變動或變動極小。Kmeans聚類算法原理簡單、運行效率高，但其聚類效果依賴初始點的選擇，且容易造成局部收斂。

2.1.2 DBSCAN聚類算法

DBSCAN算法^［27-30］是一種基于密度的空間聚類方法，通過設置鄰域半徑（epailons， Eps）和鄰域半徑內最少點數（minimum points， MinPts）進行聚類。算法首先遍歷所有數據點，根據設定的Eps和MinPts判斷每個點是否為核心點。然后，算法以任意未被訪問的核心點為起點，找出所有與之密度可達的點，包括其他核心點和邊界點，并將其歸為同一個類別。這一過程反復進行，直到所有核心點訪問完畢，所有數據點完成分簇。

DBSCAN聚類算法可處理任意形狀的簇類，且對數據集中的異常點不敏感。然而，當數據集樣本密度差異較大時，不易選擇合適的Eps和MinPts。此外，若樣本點中存在距離均勻變化的情況時，其聚類算法的效果不理想。

2.2 混合聚類算法

為了結合Kmeans、DBSCAN算法優點，本文提出一種將兩者有機融合的混合聚類算法，并加入閾值限制，避免簇內邊界點間差異過大。

本文需要按照真實導航衛星相對目標無人機的方位進行信號來向的分簇聚類，因此在非合作無人機處作與地球的切平面，將非合作無人機與衛星間連線與該面的夾角定義為俯仰角α，該連線在切平面上的投影與該平面正東方向的夾角定義為方位角β，定義由正東方向逆時針旋轉為正向。定義橫坐標為方位角，縱坐標為俯仰角，可在二維笛卡爾坐標系下表示衛星信號來向，并在此坐標系下進行聚類，設待聚類的數據集合為X，X可表示為

X={xi|xi∈R2，i=1，2，…，n}（9）

式中：xi=（βi，αi）表示集合內的數據對象。d為數據對象間的距離，可表示為

d（xi，xj）=xi－xj（10）

·表示2范數；方位角β的范圍為（－180°，180°］。在傳統的二維笛卡爾坐標系下求兩點間距離，可作差后直接取范數。然而，對于方位角而言，兩點間的距離應小于等于180°。因此，兩方位角間的距離可表示為

d（βi，βj）=min（360－βi－βj，βi－βj）（11）

定義 1 方位角最大差值M

M=max{max d（β1i，β1j），…，max d（βmi，βmj），…，

max d（βki，βkj）}， i，j=1，2，…，n， j≠i（12）

式中：βmi與βmj表示第m簇中不同數據對象的方位角;1、m分別表示第1簇、第m簇;k表示簇數;i和j分別表示同一簇中的不同元素。

定義 2 平均簇內距離d-

d-=1k∑ki=11Ti∑Tiq=1xq－zi（13）

式中：i表示數據對象中第i簇，i=1，2，…，k;Ti表示第i簇簇內數據對象個數;q表示簇內第q個數據對象，q=1，2，…，Ti;k表示數據對象總共被分成了k簇;zi=（βzi，αzi）表示第i簇聚類中心點的坐標。混合聚類算法步驟如下：

步驟 1 實時接收空域中導航衛星信號并解算衛星廣播星歷，得到各衛星在地固坐標系下的位置信息;

步驟 2 將地固坐標系下的衛星和非合作無人機的坐標轉換至以非合作無人機為原點的東北天坐標系下，并投影至以方位角為橫軸、以俯仰角為縱軸的二維平面，至此將空域可接收到的衛星信號來向置于二維笛卡爾坐標系下;

步驟 3 根據設置的簇數k、方位角閾值Th、Eps、MinPts等參數，利用DBSCAN算法對所有可接收的衛星信號來向進行聚類;

步驟 4 判斷此時的分類簇數是否為步驟3中設定的值，若滿足條件則進行步驟5，若不滿足條件則返回到步驟3，使用二分法更新Eps值并重新聚類;

步驟 5 計算每一簇的中點位置，并保存DBSCAN聚類結果;

步驟 6 使用步驟5中的中點位置作為初始中心點位置，利用Kmeans算法對數據重新分類;

步驟 7 計算兩種聚類結果中平均簇內距離d-，取較小者作為結果;

步驟 8 計算步驟7中保留結果的方位角最大差值M，判斷該值是否小于等于閾值Th，若滿足條件則輸出，若不滿足條件則返回步驟6;對于不滿足條件的簇，允許該簇增加聚類簇數，并重新使用Kmeans聚類算法進行聚類，直至滿足條件后輸出結果。

具體實現流程如圖4所示。

2.3 聚類效果實驗驗證

為了驗證聚類算法必要性及其效果，統計2023年10月29日到11月27日、共30天390組星歷數據。各組數據可見衛星個數分布情況如圖5所示，圖中每個扇形外側數字代表衛星個數，每個扇形半徑的數字代表星歷數據組數。

由圖5可見，衛星數量主要集中在8～12。而目前要對消主流陣列天線的抗干擾能力，只需要從6個不同方向發射信號即可。因此，方位角閾值可設定為60°。

在上述方位角閾值條件下對分類簇數進行統計，結果如圖6所示。可以看出，大部分數據在分簇為4～6時就已經能達到預期效果，小于衛星數量主要分布區間。因此，需要按照衛星信號來向進行聚類。

實驗設定聚類簇數為5，用Kmeans聚類算法、DBSCAN聚類算法、混合聚類算法分別對120組星歷數據進行聚類。

圖7展示了某組數據衛星分布情況，不同顏色的圓點代表不同的衛星。

圖8～圖10分別展示了Kmeans聚類算法、DBSCAN聚類算法、混合算法聚類后的效果，同一類顏色的圓點代表同一簇衛星，紅色十字“×”代表搭載誘騙載荷的合作無人機應部署的位置。可以看出，Kmeans聚類算法、DBSCAN聚類算法均能成功聚成5簇。然而，Kmeans聚類結果中方位角-136.9°、俯仰角21.6°對應的衛星與其右側兩顆衛星實際相距較遠，被錯誤劃分為一簇。DBSCAN聚類結果中方位角在-65°～45°之間的5顆衛星角度跨度較大，不宜劃分為同一簇。而本文所提混合聚類算法有效地解決了上述問題，分簇效果提升明顯，如圖10所示。

為了定量分析所提聚類方法效果，對3種方法在120組數據聚類結果的平均簇內距離進行統計分析，結果如圖11所示。

在圖11中，橙色曲線代表Kmeans算法、綠色代表DBSCAN算法、藍色代表混合聚類算法聚類結果的平均簇內距離。該值越小，則表示簇內相似性越高，即聚類效果越好。對120組平均簇內距離求平均值和中位數，結果如表1所示。可以看出，混合聚類算法與Kmeans算法和DBSCAN算法相比，在120組數據中整體上平均簇內距離更小，簇內相似度更高，簇內各衛星信號來向角更加接近，則用混合聚類算法優化得到的誘騙信號來向更能提升誘騙信號的隱蔽性，提高誘騙成功率。

3 實物試驗驗證

為驗證所提誘騙方法的有效性，利用外場實物試驗進行驗證，共設計兩組試驗。

（1） 試驗1采用傳統方法進行誘騙，在地面放置一個獨立誘騙載荷，對攜帶陣列天線接收機的非合作無人機實施誘騙，檢驗陣列天線接收機抑制單一來向誘騙信號的能力。

（2） 試驗2采用4架合作無人機搭載誘騙載荷，非合作無人機搭載四陣元陣列天線接收機，設置非合作無人機處于運動狀態，檢驗本文所提方法的時效性和對運動狀態下搭載陣列天線的非合作無人機的反制能力。

合作無人機數量的選擇與非合作無人機配備陣列天線的陣元數密切相關，在試驗中所使用的陣列天線共有4個陣元，基于既要消耗陣列天線自由度，又要減小成本的原則，合作無人機數量定為4架。

試驗所用合作無人機由卓翼智能FS450型改制而成（見圖12），搭載誘騙載荷、發射天線、接收天線和通信模塊。

非合作無人機選用改裝的大疆精靈4Pro（見圖13），搭載內嵌Ublox接收機的四陣元陣列天線和通信模塊。

試驗情景如圖14所示。4架合作無人機按照混合聚類算法優化的最佳信號來向角度部署。

試驗 1 利用單一誘騙載荷進行測試，結果如圖15所示。試驗設置誘騙信號動態為10 m/s，非合作無人機搭載四陣元陣列天線接收機，單誘騙載荷置于地面并發射誘騙信號。如圖15所示，四陣元陣列天線面對較強單一來向誘騙信號，形成了零陷，對誘騙信號產生了良好的抑制效果，使非合作無人機無法成功定位。

試驗 2 利用4架合作無人機搭載誘騙載荷實施誘騙，設置誘騙信號動態為5 m/s。非合作無人機搭載四陣元陣列天線接收機，設置運動狀態為向東2 m/s。

如圖16所示，在誘騙載荷開始工作前，非合作無人機以2.01 m/s的速度向東正常飛行。如圖17所示，誘騙載荷開始工作后，誘騙信號成功入侵攜帶陣列天線的非合作無人機飛控鏈路，使其產生錯誤的定位，解算出速度為5.15 m/s，且無人機改變方向向西飛行，成功實現誘騙。

因此，利用多架合作無人機搭載誘騙載荷從多來向發射誘騙信號，可以侵入攜帶陣列天線的非合作無人機，抵消陣列天線識別信號來向的能力，達到既定的誘騙效果。

4 結 論

本文提出一種針對陣列天線抗干擾無人機的隱蔽誘騙方法，通過多架合作無人機攜帶誘騙載荷，在空中協同自洽發射誘騙信號，避免信號來向單一而被誘騙目標識別和抑制。該方法設計的混合聚類算法按照真實導航衛星相對目標無人機的方位進行信號來向的分簇聚類，得到誘騙信號最佳來向角度，使誘騙信號與真實信號來向近乎一致，使誘騙信號更加擬真。試驗結果表明，多誘騙載荷發射的多來向誘騙信號可以成功侵入配備陣列天線的非合作無人機導航鏈路。

參考文獻

［1］HE D J， QIAO Y R， CHEN S Q， et al. A friendly and low cost technique for capturing non cooperative civilian unmanned aerial vehicles［J］. IEEE Network， 2019， 33（2）： 146-151.

［2］ＧＥＮＧ Ｘ Ｓ， ＧＵＯ Ｙ， ＴＡＮＧ Ｋ Ｈ， ｅｔ ａｌ. A spoofing algorithm for ground unmanned platform equipped with GNSS/INS integrated navigation system［J］. ＩEＥＥ Ｔｒａｎｓ．ｏｎ Instrumentation and Measurment， 2024， 73： 8508910.

［3］GENG X S， GUO Y， TANG K H， et al. Research on covert directional spoofing method for INS/GNSS loosely integrated navigation［J］. IEEE Trans.on Vehicular Technology， 2023， 72（5）： 5654-5663.

［4］DANIEL P S， BHATTI J， HUMPHREYS T E， et al. Evaluation of smart grid and civilian UAV vulnerability to GPS spoofing attacks［C］∥Proc.of the International Technical Meeting of the Satellite Division of the Institute of Navigation， 2012： 3591-3605.

［5］HUMPHREYS T E， LEDVINA B M， PSIAKI M L， et al. Assessing the spoofing threat： development of a portable GPS civilian spoofer［C］∥Proc.of the" International Technical Meeting of the Satellite Division of the Institute of Navigation， 2008： 2314-2325.

［6］KERNS A J， SHEPARD D P， BHATTI J A， et al. Unmanned aircraft capture and control via GPS spoofing［J］. Journal of Field Robotics， 2014， 31（4）： 617-636.

［7］GUO Y， WU M P， TANG K H， et al. Covert spoofing algorithm of UAV based on GPS/INS Integrated navigation［J］. IEEE Trans.on Vehicular Technology， 2019， 68（7）： 6557-6564.

［8］史密， 牟京燕， 陳樹新. GPS誘騙下GPS/INS組合導航偏差分析［J］. 電光與控制， 2016， 23（2）： 16-20.

SHI M， MOU J Y， CHEN S X. GPS/INS navigation bias analysis under GPS spoofing［J］. Electronics Optics and Control， 2016， 23（2）： 16-20.

［9］GAO Y J， LI G Y. A GNSS instrumentation covert directional spoofing algorithm for UAV equipped with tightly coupled GNSS/IMU［J］. IEEE Trans.on Instrumentation and Measurement， 2023， 72： 8501413.

［10］GENG X S， GUO Y， TANG K H， et al. Research on covert directional spoofing method for INS/GNSS loosely integrated navigation［J］. IEEE Trans.on Vehicular Technology， 2023， 72（5）： 5654-5663.

［11］VAHID D， JOHN N， GERARD L. GNSS spoofing detection based on receiver C/N0 estimates［C］∥Proc.of the Interna tional Technical Meeting of the Satellite Division of the Institute of Navigation， 2012： 2875-2884.

［12］BRENT M L， WILLIAM J B， BRYAN G， et al. An in line anti spoofing device for legacy civil GPS receivers［C］∥Proc.of the International Technical Meeting of the Institute of Navigation， 2010： 698-712.

［13］李雅寧， 蔚保國， 甘興利. 衛星導航接收端反電子欺騙技術比較研究［J］. 無線電工程， 2016， 46（3）： 49-53.

LI Y N， WEI B G， GAN X L. A comparative study on anti spoofing technology at the receiving end of satellite navigation［J］. Radio Engineering， 2016， 46（3）： 49-53.

［14］ZHANG Y X， CHEN X F， XU H W， et al. Fast acceleration and velocity estimation for wideband stretching LFM radars based on mutual bias correction［J］. IEEE Sensors Journal， 2020， 20（15）： 8683-8697.

［15］YANG H C， WANG P Y， YE Z F. Robust adaptive beamforming via covariance matrix reconstruction under colored noise［J］. IEEE Signal Processing Letters， 2021， 28： 1759-1763.

［16］MALLIORAS I， ZAHARIS Z， LAZARIDIS P， et al. A novel realistic approach of adaptive beamforming based on deep neural networks［J］. IEEE Trans.on Antennas and Propagation， 2022， 70（10）： 8833-8848.

［17］MUNAWAR M， LEE K. Low complexity adaptive selection beamforming for IRS assisted single user wireless networks［J］. IEEE Trans.on Vehicular Technology， 2023， 72（4）： 5458-5462.

［18］AFSARI A， ABBOSH A， RAHMAT SAMII Y. Adaptive beamforming by compact arrays using evolutionary optimization of schelkunoff polynomials［J］. IEEE Trans.on Antennas and Propagation， 2022， 70（6）： 4485-4497.

［19］HUANG Y W， FU H， VOROBYOV S A， et al. Robust adaptive beamforming via worst case SINR maximization with nonconvex uncertainty sets［J］. IEEE Trans.on Signal Processing， 2023， 71： 218-232.

［20］UYKAN Z. Fusion of centroid based clustering with graph clustering： an expectation maximization based hybrid clustering［J］. IEEE Trans.on Neural Networks and Learning Systems， 2023， 34（8）： 4068-4082.

［21］HUANG D， WANG C D， PENG H， et al. Enhanced ensemble clustering via fast propagation of cluster wise similarities［J］. IEEE Trans.on Systems， Man， and Cybernetics： Systems， 2021， 51（1）： 508-520.

［22］LI F J， WANG J T， QIAN Y H， et al. Fuzzy ensemble clustering based on self coassociation and prototype propagation［J］. IEEE Trans.on Fuzzy Systems， 2023， 31（10）： 3610-3623.

［23］MAHMUD M S， HUANG J Z， RUBY R， et al. Approximate clustering ensemble method for big data［J］. IEEE Trans.on Big Data， 2023， 9（4）： 1142-1155.

［24］WU X， TYRRELL A M， KO Y. Federated Kmeans clustering for adaptive OFDM IM［J］. IEEE Communications Letters， 2023， 27（10）： 2648-2651.

［25］NIE F P， LI Z H， WANG R， et al. An effective and efficient algorithm for Kmeans clustering with new formulation［J］. IEEE Trans.on Knowledge and Data Engineering， 2023， 35（4）： 3433-3443.

［26］ZHAO X W， NIE F P， WANG R， et al. Robust fuzzy Kmeans clustering with shrunk patterns learning［J］. IEEE Trans.on Knowledge and Data Engineering， 2023， 35（3）： 3001-3013.

［27］QIU Z B， MA Y， FAN F， et al. Improved DBSCAN for infrared cluster small target detection［J］. IEEE Geoscience and Remote Sensing Letters， 2023， 20： 5511905.

［28］ZHANG B X， ZHANG L F， WANG Z， et al. Image reconstruction of planar electrical capacitance tomography based on DBSCAN and self adaptive ADMM algorithm［J］. IEEE Trans.on Instrumentation and Measurement， 2023， 72： 4504711.

［29］季策， 穆文歡， 耿蓉. 基于A DBSCAN的欠定盲源分離算法［J］. 系統工程與電子技術， 2020， 42（12）： 2676-2683.

JI C， MU W H， GENG R. Underdetermined blind source separation algorithm based on A DBSCAN［J］. Systems Engineering and Electronics， 2020， 42（12）： 2676-2683.

［30］RAD M H， ABDOLRAZZAGH NEZHAD M. Data cube clustering with improved DBSCAN based on fuzzy logic and genetic algorithm［J］. Information Technology and Control， 2020， 49（1）： 127-143.

作者簡介

尹中杰（2000—），男，碩士研究生，主要研究方向為無人機導航誘騙。

侯 博（1988—），男，副教授，博士，主要研究方向為導航對抗、分布式協同控制。

靳嘯龍（2001—），男，碩士研究生，主要研究方向為群智能。

范志良（1983—），男，副教授，博士，主要研究方向為衛星導航對抗。

王海洋（1992—），男，講師，博士，主要研究方向為衛星導航對抗。