1.基于智能终端GNSS数据的干扰检测方法，其特征在于，包括如下步骤：步骤1. 利用智能终端获取不同类型干扰场景下的多种GNSS原始观测数据；

步骤2. 将GNSS原始观测数据转换为GNSS时间序列数据，作为特征筛选的输入数据；

步骤3. 使用相关性判决与最小绝对收缩选择算子对输入数据进行特征联合筛选，首先计算输入数据中各个GNSS特征与干扰场景的互相关性，并根据得分排序情况实现对GNSS特征的初步筛选，然后利用最小绝对收缩选择算子将数据特征系数进行收缩处理，进行特征二次筛选；将经过相关性判决与最小绝对收缩选择算子联合筛选后的特征组成GNSS数据集；

步骤4. 搭建用于干扰检测的随机森林模型，并使用步骤3得到的GNSS数据集对随机森林模型进行训练，然后利用训练好的模型对各种类型干扰进行识别与分类。

2.根据权利要求1所述的基于智能终端GNSS数据的干扰检测方法，其特征在于，所述步骤1具体为：步骤1.1. 分别搭建不同类型的干扰场景；

步骤1.2. 在搭建的各种干扰场景中分别使用智能终端采集GNSS原始观测数据。

3.根据权利要求2所述的基于智能终端GNSS数据的干扰检测方法，其特征在于，所述步骤1.1中，干扰类型包括室外开阔、室内遮挡、压制干扰和欺骗干扰；

各种干扰场景的搭建过程分别如下：

步骤1.1.1. 搭建室外开阔场景，将智能终端放置于远离遮挡物的室外开阔地带；

步骤1.1.2. 搭建室内遮挡场景，将智能终端放置于建筑物内部，智能终端周围排除电子器件产生的射频干扰影响，且距离墙体和窗边范围均保持在5米至10米；

步骤1.1.3. 搭建压制干扰场景，在室外开阔处放分别放置智能终端与压制干扰机，压制干扰机功率范围为1瓦至7瓦，智能终端与压制干扰机的距离范围为80米至200米；

步骤1.1.4. 搭建欺骗干扰场景，在室外开阔处放分别放置智能终端与欺骗干扰源，该欺骗干扰源通过转发式欺骗干扰原理仅产生简单的位置欺骗；

欺骗干扰源与智能终端之间的距离0到80米，干扰源的功率衰减为0到45分贝毫瓦。

4.根据权利要求2所述的基于智能终端GNSS数据的干扰检测方法，其特征在于，所述步骤1.2具体为：步骤1.2.1. 调用GNSS定位服务的API接口，通过智能终端的安卓操作系统提供的GNSS Measurement类和GNSS Clock类的API接口，调用GNSS定位服务；

步骤1.2.2. 请求GNSS原始观测数据，使用API接口中提供的函数和方法，向智能终端内嵌的GNSS芯片发送请求以获取GNSS原始观测数据；

步骤1.2.3. 从GNSS芯片中接收GNSS原始观测数据，并调用API接口将接收到的多种GNSS原始观测数据返回到GNSS原始数据日志文件。

5.根据权利要求1所述的基于智能终端GNSS数据的干扰检测方法，其特征在于，所述步骤2具体为：步骤2.1. 打开GNSS原始数据日志文件，读取文件头部信息，并检查是否有缺省值；

步骤2.2. 解析GNSS观测数据，遍历文件的每一行，并解析每行的内容；根据数据格式，提取所需的多个数据特征，将解析后的观测数据存储到数组中；

步骤2.3. 筛选数组中GPS L1频段数据，按时间戳重新排列并存入新数组变为时间序列；

步骤2.4. 按照采集数据的干扰场景对新数组新增一列标签列，打上类别标签。

6.根据权利要求1所述的基于智能终端GNSS数据的干扰检测方法，其特征在于，所述步骤3具体为：步骤3.1. 导入数据集，对由步骤2得到的GNSS时间序列数据作为数据集导入；

步骤3.2. 对数据集进行预处理，检测是否有缺省值，以确保数据的质量；

步骤3.3. 计算特征初步得分，通过计算每个GNSS特征与各种干扰场景之间的互相关信息，对该GNSS特征进行量化评估，得到每个GNSS特征的初步得分；

步骤3.4. 按照特征得分对GNSS特征进行排序，根据得分高低初步决定特征的重要性；

步骤3.5. 初步筛选出得分最靠前的若干GNSS特征，并对初步筛选出的GNSS特征进行标准化处理，使其具有零均值和单位方差；

步骤3.6. 使用最小绝对收缩选择算子对步骤3.5处理后的若干GNSS特征系数进行收缩处理，稀疏化相对不重要的GNSS特征，将其系数收缩为零，达到特征筛选的目的；

步骤3.7. 根据特征系数的大小，选择系数不为零的多个特征作为最终的GNSS数据集。

7.根据权利要求6所述的基于智能终端GNSS数据的干扰检测方法，其特征在于，所述步骤3.3具体为：GNSS数据与干扰场景的互相关信息计算公式如下：

I(D;J)= H (D)+H (J)－H(D,J)；

其中，I(D;J)表示GNSS数据特征和干扰场景之间的互相关信息；

D表示多种GNSS数据组成的特征矩阵，J表示干扰场景目标矩阵，H (D)和H (J)分别表示GNSS数据特征、干扰场景的熵，H(D, J)表示二者的联合熵；

GNSS数据特征与干扰场景的熵计算公式为：

H(D)=－∑P(d)*log(P(d))，P(d)表示GNSS数据特征为某一数据类型的概率；

H(J)=－∑P(j)*log(P(j))，P(j)表示GNSS干扰场景为某一干扰场景的概率；

二者联合熵的计算公式为：H(D,J)=－∑∑P(d,j)*log(P(d,j))；其中，P(d,j)表示GNSS特征矩阵D取值为d，且干扰场景目标矩阵J取场景j的联合概率。

8.根据权利要求6所述的基于智能终端GNSS数据的干扰检测方法，其特征在于，所述步骤3.6具体为：步骤3.6.1. 定义目标函数；

最小绝对收缩选择算子的目标是最小化以下目标函数：

2

L(β)=|| J－Dβ||+α||β||1；其中，J是干扰场景目标矩阵，D是GNSS数据特征矩阵，β是GNSS数据特征系数向量，α是正则化参数；

步骤3.6.2. 设置正则化参数α，通过十折交叉验证来选择合适的α值，具体过程为：步骤3.6.2.1. 将GNSS初步筛选的若干GNSS特征数据集分为m个大小相等的子集，其中m‑1个子集作为训练集，1个子集作为验证集；

其中，m为自然数，且m小于初步筛选的GNSS特征数；

步骤3.6.2.2. 使用指数增长方法选择一系列正则化参数α值作为候选参数；

步骤3.6.2.3. 对于每个α值求解步骤3.6.1中的目标函数最优解，使用迭代优化方法坐标下降法来逐步调整特征系数，直到收敛到最优解，得到步骤3.6.1计算的特征系数向量β；

步骤3.6.2.4. 使用验证集计算目标函数的性能指标均方误差，通过比较不同α值下的目标函数性能指标，选择使得性能指标最优的α值；

步骤3.6.3. 根据求解得到的GNSS特征系数向量β，将系数接近于零的GNSS特征视为相对不重要的特征，将其系数收缩为零，实现特征筛选的效果，稀疏化不重要的特征。

9.根据权利要求1所述的基于智能终端GNSS数据的干扰检测方法，其特征在于，所述步骤4中，随机森林模型的训练过程如下：步骤4.1. 导入由步骤3得到的GNSS数据集作为随机森林输入数据集；

步骤4.2. 随机抽样，从随机森林输入数据集划分的训练集中，使用自助采样方法随机选择一部分GNSS数据，以构建每棵决策树的训练子集；

步骤4.3. 基于选定的每棵决策树的训练子集，使用决策树算法训练一棵决策树，通过递归地将训练子集进一步分割成多个子集，在每个子集上选择最佳的GNSS特征和划分点；

步骤4.4. 重复步骤4.2和步骤4.3，训练预设数量的决策树，每棵树都在构建的不同GNSS训练子集上进行训练，将训练好的全部决策树组合为最终的随机森林模型。

10.基于智能终端GNSS数据的干扰检测系统，其特征在于，包括：采集模块，用于接收智能终端获取的不同类型干扰场景下的多种GNSS原始观测数据；

预处理模块，用于将GNSS原始观测数据转换为GNSS时间序列数据，作为特征筛选的输入数据；

特征联合筛选模块，使用相关性判决与最小绝对收缩选择算子对输入数据进行特征联合筛选，首先计算输入数据中各个GNSS特征与干扰场景的互相关性，并根据得分排序情况实现对GNSS特征的初步筛选，然后利用最小绝对收缩选择算子将数据特征系数进行收缩处理，进行特征二次筛选；将经过相关性判决与最小绝对收缩选择算子联合筛选后的特征组成GNSS数据集；

以及干扰识别与分类模块，搭建用于干扰检测的随机森林模型，并使用GNSS数据集对随机森林模型进行训练，然后利用训练好的模型对各种类型干扰进行识别与分类。