CN104502922A

CN104502922A - 一种神经网络辅助粒子滤波的gps接收机自主完好性监测方法

Info

Publication number: CN104502922A
Application number: CN201410749171.4A
Authority: CN
Inventors: 王尔申; 李兴凯; 庞涛
Original assignee: Shenyang Aerospace University
Current assignee: Shenyang Aerospace University
Priority date: 2014-12-09
Filing date: 2014-12-09
Publication date: 2015-04-08

Abstract

一种神经网络辅助粒子滤波的GPS接收机自主完好性监测方法，所述方法包括如下步骤：第一步，建立BP神经网络改进粒子滤波算法模型；第二步，建立似然比检验统计量；第三步，使用NNWA-PF和LLR算法对GPS故障卫星进行检测。本发明的优点在于：1、本方法通过神经网络对粒子进行权值分裂和权值调整，增加了有效粒子数目，改善了粒子多样性，抑制了粒子退化和多样性丧失。2、本方法满足非高斯噪声下的GPS接收机自主完好性监测需求。3、本方法采用似然比方法建立检验统计量，利用实测数据进行验证，更符合实际问题，方案的可行性更强。

Description

一种神经网络辅助粒子滤波的GPS接收机自主完好性监测方法

技术领域：本发明涉及卫星导航定位结果的可靠性监测技术，是航空卫星导航接收机定位信息可靠性监测的关键技术，是一种GPS接收机自主完好性监测方法，尤其是一种神经网络辅助粒子滤波的GPS接收机自主完好性监测方法。

背景技术:目前，卫星导航已被应用于军事、航海、航空、测量、交通、勘测等几乎一切与位置、速度、时间有关的人类活动中。作为世界上最为成熟的GPS系统其应用也越来越广泛，在各种应用领域中，航空卫星导航是对卫星导航系统可靠性要求极为苛刻的高端应用用户，因此，在航空卫星导航中，完好性监测是航空导航系统不可或缺的一部分，由于系统故障而引起的导航失败或者故障应该被探测和隔离以保证导航信息可靠性不受影响。随着全球导航卫星系统(GNSS)的发展以及用户对于GNSS服务性能要求的不断升级，完好性监测日益受到重视。由于通过卫星导航系统自身的操作控制部分进行卫星故障监测时，告警时间比较长，通常在15分钟到几小时，不能满足航空导航需求，因此在用户端对卫星故障进行快速监测，即接收机自主完好性监测(RAIM，Receiver Autonomous Integrity Monitoring)成为研究的热点。

目前，RAIM算法包括两大类：一类是利用当前伪距观测量的快照(Snapshot)算法；另一类是滤波方法，包括基于卡尔曼滤波的RAIM算法以及基于粒子滤波的RAIM算法。这些方法存在的问题主要表现在：(1)要求测量噪声服从高斯分布，而在实际中测量噪声很难严格服从高斯分布，此时，该算法的性能就会降级。(2)对渐变微小偏差故障检测不灵敏。(3)非线性非高斯粒子滤波方法存在粒子退化现象和粒子的多样性丧失等问题。

发明内容：针对上述现有技术的不足，本发明提供了一种神经网络辅助粒子滤波的GPS接收机自主完好性监测方法。

为实现上述目的，本发明采用的技术方案是：一种神经网络辅助粒子滤波的GPS接收机自主完好性监测方法，所述方法包括如下步骤：

第一步，建立BP神经网络改进粒子滤波算法模型；

第二步，建立似然比检验统计量；

第三步，使用NNWA-PF和LLR算法对GPS故障卫星进行检测。

本发明的优点在于：

1、本方法通过神经网络对粒子进行权值分裂和权值调整，增加了有效粒子数目，改善了粒子多样性，抑制了粒子退化和多样性丧失。

2、本方法满足非高斯噪声下的GPS接收机自主完好性监测需求。

3、本方法采用似然比方法建立检验统计量，利用实测数据进行验证，更符合实际问题，方案的可行性更强。

具体实施方式：

下面对本发明实施例中的技术方案进行清晰、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。

首先介绍如下的概念与定义：

1、接收机自主完好性监测：接收机自主完好性监测是一种基于一致性检验的自主完好性监测方法，它通过对冗余观测信息的检测来判断测量结果中是否含有较大卫星距离误差，当系统性能超出指定的容差级时，它能实时有效地给用户提供告警信息。

2、粒子滤波：粒子滤波(Particle Filter)算法又称为序贯蒙特卡罗方法，它依据于大数定理，采用蒙特卡罗方法来求解贝叶斯估计中的积分运算。粒子滤波算法首先依据系统状态向量的经验分布条件分布在状态空间产生一组随机样本的集合，然后根据观测量不断地调整粒子的权重和位置，通过调整后粒子的信息修正最初的经验条件分布。当样本容量很大时，这种蒙特卡罗描述就近似于状态变量真实的后验概率密度函数

3、神经网络：BP神经网络是一种有教师信号的按误差逆传播算法训练的多层前馈网络，是目前应用最广泛的神经网络模型之一。BP网络能学习和存贮大量的输入-输出模式映射关系，而无需事前揭示描述这种映射关系的数学方程。它的学习规则是使用最速下降法，通过反向传播来不断调整网络的权值和阈值，使网络的误差平方和最小。BP神经网络模型拓扑结构包括输入层(input layer)、隐层(hidelayer)和输出层(output layer)。

本发明提供的GPS接收机自主完好性监测方法，具体步骤如下：

第一步，建立BP神经网络改进粒子滤波算法模型；

假设描述动态系统的状态方程和观测方程为：

X_k＝f_k(X_k-1,v_k-1)

Z_k＝h_k(X_k,n_k)

其中，X_k为状态向量，Z_k为测量向量，f_k为状态转移函数，h_k为状态向量和观测向量之间的传递函数，v_k-1为系统噪声，n_k为观测噪声。

①粒子集初始化，k＝0:

根据先验概率密度p(X₀)产生随机样本，X₀ ⁽¹⁾,X₀ ⁽²⁾,…X₀ ^(N)(N为随机样本数)。

②当k＝1，2，…时，执行以下步骤：

1)状态预测：

根据系统的状态方程产生k时刻的先验粒子：

{X_k|k-1(i)；i＝1,2,…,N}～p(X_k|X_k-1)。

2)更新：

首先，进行权值更新。在获得测量值之后，根据系统的观测方程并利用下式计算粒子的权值ω_k ^(j)：

ω_k ⁽ⁱ⁾＝ω_k-1 ⁽ⁱ⁾p(Z_k|X_k ⁽ⁱ⁾),i＝1,…N

归一化权值为:

{\tilde{ω}}_{k}^{(i)} = \frac{{ω_{k}}^{(i)}}{Σ_{i = 1}^{N} {ω_{k}}^{(i)}}, Σ_{i = 1}^{N} {\tilde{ω}}_{k}^{(i)} = 1

3)粒子分裂：

将粒子矩阵按权值大小排序，分为高权值矩阵和低权值矩阵，将高权值矩阵中q个权值非常大的粒子分裂为两个小的、权值减半的粒子，同时将低权值矩阵中的q个权值最小的粒子舍弃。

4)权值调整：

将第3)步的粒子权值矩阵进行降序排列，取其中最小的q个粒子，利用BP神经网络调整粒子的权值。

设误差能量定义为

ϵ = \frac{1}{2} Σ_{k = 1}^{q} {(z_{k} - y_{k})}^{2} = \frac{1}{2} Σ_{k = 1}^{q} e_{k}^{2}

式中，q为输入/输出层神经元的数量，z_k为教师信号，即系统在该时刻的量测值，y_k为神经网络的输出。输入数据为具有较小权值的粒子，其状态值作为BP神经网络的输入，粒子权值作为神经网络的初始权值，样本的学习函数为系统量测方程。

对更新后的粒子权值进行归一化，

5)重采样：

然后，计算有效粒子数并与设定的有效粒子数阈值N_thres进行比较；如果则进行重采样。随机设定一个小于1的阈值，通过对粒子权值累加，当累加值超过这个阈值时就保留该粒子。重复N次，选取了N个粒子。最后将原来的带权样本映射为等权样本否则，执行下面的步骤。

6)估计：

计算当前时刻系统的状态估计值：

{\hat{X}}_{k} = Σ_{i = 1}^{N} {X_{k | k - 1}}^{(i)} {\tilde{ω}}_{k}^{(i)}

7)时刻k＝k+1，继续计算。

第二步，建立似然比检验统计量；

将LLR测试定义为各辅助PF和主PF的概率密度函数之比，其中主PF为利用所用的测量值进行滤波，各辅助PF为分别去掉一个测量值后由其他测量值进行的滤波，表达式如下式所示：

s^{q} (y) = \ln \frac{p^{q} (y)}{p^{A} (y)}

量测量y_j到y_k的累加LLR可以表示为：

S_{j}^{k} (q) = Σ_{i = j}^{k} \ln \frac{p^{q} (y_{i} | Y_{i - 1})}{p^{A} (y_{i} | Y_{i - 1})}

由于系统状态估计的似然函数可用PF中粒子的归一化权值近似表示，故上式中的p^q(y_i|Y_i-1)和p^A(y_i|Y_i-1)可表示为：

p^{q} (y_{i} | Y_{i - 1}) \approx \frac{1}{N} Σ_{m = 1}^{N} {\tilde{w}}_{i}^{q} (m)

p^{A} (y_{i} | Y_{i - 1}) \approx \frac{1}{N} Σ_{m = 1}^{N} {\tilde{w}}_{i}^{A} (m)

因此，计算出主PF和各辅助PF中各时刻的粒子归一化权值，即可得到用于一致性检测的累加LLR，从而对系统是否出现故障进行检测。

第三步，使用NNWA-PF(Neutral net weight adjustment-particlefilter)和LLR算法对GPS故障卫星进行检测。

利用GPS接收机采集卫星位置信息和伪距数据，建立载体状态方程和GPS接收机测量方程，在上述第一步和第二步的基础上，根据计算判定函数。然后，进行错误判决(τ为判决阈值)，

如果β_k>τ，错误告警设置为t_a＝t时刻并跳至下面的步骤(1)；

如果β_k＜τ，则表示没有错误，跳至步骤(2)。

(1)错误隔离：在k＞t_a下，取出Q颗卫星中累积LLR最大的那个卫星q即为出错的卫星，则g＝q。

(2)状态更新：粒子滤波重采样得到更新粒子。

Claims

1.一种神经网络辅助粒子滤波的GPS接收机自主完好性监测方法，所述方法包括如下步骤：

第一步，建立BP神经网络改进粒子滤波算法模型；

第二步，建立似然比检验统计量；

第三步，使用NNWA-PF和LLR算法对GPS故障卫星进行检测。

2.如权利要求1所述的一种神经网络辅助粒子滤波的GPS接收机自主完好性监测方法，其特征在于，所述的第一步建立BP神经网络改进粒子滤波算法模型具体过程为：假设描述动态系统的状态方程和观测方程为：

X_k＝f_k(X_k-1,v_k-1)

Z_k＝h_k(X_k,n_k)

其中，X_k为状态向量，Z_k为测量向量，f_k为状态转移函数，h_k为状态向量和观测向量之间的传递函数，v_k-1为系统噪声，n_k为观测噪声；

①粒子集初始化，k＝0:

根据先验概率密度p(X₀)产生随机样本，X₀ ⁽¹⁾,X₀ ⁽²⁾,…X₀ ^(N)(N为随机样本数)；

②当k＝1，2，…时，执行以下步骤：

1)状态预测：

根据系统的状态方程产生k时刻的先验粒子：

{X_k|k-1(i)；i＝1,2,…,N}～p(X_k|X_k-1)；

2)更新：

首先，进行权值更新，在获得测量值之后，根据系统的观测方程并利用下式计算粒子的权值ω_k ^(j)：

ω_k ⁽ⁱ⁾＝ω_k-1 ⁽ⁱ⁾p(Z_k|X_k ⁽ⁱ⁾),i＝1,…N

归一化权值为:

3)粒子分裂：

将粒子矩阵按权值大小排序，分为高权值矩阵和低权值矩阵，将高权值矩阵中q个权值非常大的粒子分裂为两个小的、权值减半的粒子，同时将低权值矩阵中的q个权值最小的粒子舍弃；

4)权值调整：

将第3)步的粒子权值矩阵进行降序排列，取其中最小的q个粒子，利用BP神经网络调整粒子的权值；

设误差能量定义为

式中，q为输入/输出层神经元的数量，z_k为教师信号，即系统在该时刻的量测值，y_k为神经网络的输出，输入数据为具有较小权值的粒子，其状态值作为BP神经网络的输入，粒子权值作为神经网络的初始权值，样本的学习函数为系统量测方程；

对更新后的粒子权值进行归一化，

5)重采样：

然后，计算有效粒子数并与设定的有效粒子数阈值N_thres进行比较；如果则进行重采样，随机设定一个小于1的阈值，通过对粒子权值累加，当累加值超过这个阈值时就保留该粒子，重复N次，选取了N个粒子，最后将原来的带权样本映射为等权样本否则，执行下面的步骤；

6)估计：

计算当前时刻系统的状态估计值：

{\hat{X}}_{k} = Σ_{i = 1}^{N} {X_{k | k - 1}}^{(i)} {\tilde{ω}}_{k}^{(i)}

7)时刻k＝k+1，继续计算。

3.如权利要求1所述的一种神经网络辅助粒子滤波的GPS接收机自主完好性监测方法，其特征在于，所述的第二步建立似然比检验统计量具体过程为；

量测量y_j到y_k的累加LLR可以表示为：

4.如权利要求1所述的一种神经网络辅助粒子滤波的GPS接收机自主完好性监测方法，其特征在于，所述的第三步使用NNWA-PF和LLR算法对GPS故障卫星进行检测具体过程为：利用GPS接收机采集卫星位置信息和伪距数据，建立载体状态方程和GPS接收机测量方程，在上述第一步和第二步的基础上，根据计算判定函数，然后，进行错误判决(τ为判决阈值)，如果β_k>τ，错误告警设置为t_a＝t时刻并跳至下面的步骤(1)；

如果β_k＜τ，则表示没有错误，跳至步骤(2)；

(1)错误隔离：在k＞t_a下，取出Q颗卫星中累积LLR最大的那个卫星q即为出错的卫星，则g＝q；

(2)状态更新：粒子滤波重采样得到更新粒子。