CN105388496B - 基于gps的交通应用脆弱性检测系统及其方法 - Google Patents
基于gps的交通应用脆弱性检测系统及其方法 Download PDFInfo
- Publication number
- CN105388496B CN105388496B CN201510729249.0A CN201510729249A CN105388496B CN 105388496 B CN105388496 B CN 105388496B CN 201510729249 A CN201510729249 A CN 201510729249A CN 105388496 B CN105388496 B CN 105388496B
- Authority
- CN
- China
- Prior art keywords
- evaluation index
- characteristic value
- navigation scenarios
- satellite
- unit
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Active
Links
Classifications
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01S—RADIO DIRECTION-FINDING; RADIO NAVIGATION; DETERMINING DISTANCE OR VELOCITY BY USE OF RADIO WAVES; LOCATING OR PRESENCE-DETECTING BY USE OF THE REFLECTION OR RERADIATION OF RADIO WAVES; ANALOGOUS ARRANGEMENTS USING OTHER WAVES
- G01S19/00—Satellite radio beacon positioning systems; Determining position, velocity or attitude using signals transmitted by such systems
- G01S19/01—Satellite radio beacon positioning systems transmitting time-stamped messages, e.g. GPS [Global Positioning System], GLONASS [Global Orbiting Navigation Satellite System] or GALILEO
- G01S19/13—Receivers
- G01S19/20—Integrity monitoring, fault detection or fault isolation of space segment
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01S—RADIO DIRECTION-FINDING; RADIO NAVIGATION; DETERMINING DISTANCE OR VELOCITY BY USE OF RADIO WAVES; LOCATING OR PRESENCE-DETECTING BY USE OF THE REFLECTION OR RERADIATION OF RADIO WAVES; ANALOGOUS ARRANGEMENTS USING OTHER WAVES
- G01S19/00—Satellite radio beacon positioning systems; Determining position, velocity or attitude using signals transmitted by such systems
- G01S19/01—Satellite radio beacon positioning systems transmitting time-stamped messages, e.g. GPS [Global Positioning System], GLONASS [Global Orbiting Navigation Satellite System] or GALILEO
- G01S19/13—Receivers
- G01S19/23—Testing, monitoring, correcting or calibrating of receiver elements
Abstract
一种基于GPS的交通应用脆弱性检测系统及其方法,包括:预处理模块、卫星数据融合模块和导航场景数据融合模块脆弱性评价模块,预处理模块根据选取的脆弱性评估指标对采集到的导航场景数据预处理,得到评估指标变化曲线和评估指标特征值;卫星数据融合模块基于相对距离对同一导航场景内的卫星的评估指标特征值数据融合,得到导航场景评估指标特征值;导航场景数据融合模块基于双基准点对导航场景的同一评估指标的特征值进行数据融合,得到导航场景的脆弱性性能排序,实现对道路交通领域中导航场景的GPS脆弱性评价;本发明采用数据融合算法对导航场景进行评估,并按照评估指标对各个导航场景进行脆弱性排序,实现了道路交通领域GPS脆弱性评估。
Description
技术领域
本发明涉及的是一种交通领域的技术,具体是一种基于GPS的交通应用脆弱性检测系统及其方法。
背景技术
全球定位系统(Global Positioning System,GPS)脆弱性是指全球导航卫星系统在诸如卫星故障失效、大气环境影响(电离层/对流层)、多路径效应、电磁干扰等因素的影响下,GPS的定位功能缺失的程度,是系统的固有属性。GPS在交通领域的应用(如车载导航、交通管理)会受到以上脆弱性因素的威胁。同时,城市道路条件复杂,诸如隧道、坡道、林荫道、城市峡谷等典型道路会对卫星信号产生遮挡;城市峡谷中多路径效应也相当严重。因此,评估交通领域的GPS脆弱性对道路交通安全至关重要。
经过检索发现,Liu X、Zhan X Q等人在文章“Quantitative Assessment of GNSSVulnerability based on DS Evidence Theory”(Journal of Aeronautics,Astronautics and Aviation,2014,46(3):191‐201)中提出了针对GNSS基站脆弱性的评估方法。但在交通领域中,理论载噪比与理论几何精度因子难以获得,致使文中的方法不适用于该领域。Jing S、Zhan X Q等人在文章“GNSS Vulnerability Assessment Based onApplication Suitability”中提出了针对用户端的GNSS脆弱性评估方案。但在交通领域中,用户提供的指标难以统一,致使该方法在交通领域不适用。
数据融合(data fusion)最早被应用于军事领域。现在数据融合的主要应用领域有:多源影像复合、机器人和智能仪器系统、战场和无人驾驶飞机、图像分析与理解、目标检测与跟踪、自动目标识别等。在遥感中,数据融合属于一种属性融合,它是将同一地区的多源遥感影像数据加以智能化合成,产生比单一信息源更精确、更完全、更可靠的估计和判断。胡振涛,刘先省在“一种实用的数据融合算法[J].”(自动化仪表,2005,08期:7‐9.DOI:doi:10.3969/j.issn.1000‐0380.2005.08.003.)中提出基于相对距离的数据融合算法。该方法是利用统计学中的模糊支持区间和模糊支持概率,同时结合概率源合并理论而创立的一套数据融合算法。这套算法将来自多传感器的同一变量测量数据进行综合分析和处理,从而得到比单一传感器测量值更为准确的数据结论。
万树平在“基于双基点法的多传感器数据融合[J].”(控制与决策,2008,第12期:1343‐1346.DOI:doi:10.3969/j.issn.1006‐2114.2014.09.010.)中提出基于双基准点的数据融合算法。该算法的核心是以熵权法为基础的权重确定方法,通过已采集到的数据,以一组最优指标建立一套虚拟的正理想方案,得到正理想点;以一组最劣指标建立一套虚拟的负理想方案,得到负理想点;再计算各方案距离正负理想点的距离来比较各方案的优劣。熵权法基于评价指标的客观权重,而客观权重由各个指标的变异大小来确定。举例来说,如果一个指标的熵值越小,则它的变异程度越大,提供的信息量越多,在综合评价中所占的作用也就越大,其权重也就越大。
经过对现有技术文献的检索发现,中国专利文献号CN103760571A,公布日2014.4.30,公开了一种卫星导航技术领域的用于GPS的基于影响因素特征的脆弱性监测系统及方法,控制计算模块与空间段脆弱性仿真模块相连并传输脆弱性因素生成参数,空间段脆弱性仿真模块分别向监测站模块传输电子浓度、对流层模型参数、电离层闪烁参数和/或电离层模型参数,并向软件接收机模块传输星间链路测距值,评估计算模块分别与空间段脆弱性仿真模块、监测站模块和控制计算模块连接,利用空间段脆弱性仿真模块和监测站模块生成的各种脆弱性因素模拟数据计算评估结果并将结果反馈给控制计算模块。但该技术仅针对各项脆弱性影响因素求出脆弱性分离系数,仍无法评估不同导航场景的GPS脆弱性。
发明内容
本发明针对现有技术存在的上述不足,提出一种基于GPS的交通应用脆弱性检测系统及其方法,采用几何精度因子、载噪比和伪距测量误差作为评估指标,对GPS接收机接收到的数据进行预处理后得到相应评估指标的特征值,采用基于相对距离的数据融合算法对导航场景进行评估,采用基于双基准点的数据融合算法按照评估指标对各个导航场景进行脆弱性排序,实现了道路交通领域GPS脆弱性评估,填补了在该领域内的脆弱性评估空白。
本发明是通过以下技术方案实现的:
本发明涉及一种基于GPS的交通应用脆弱性检测系统,包括:预处理模块、卫星数据融合模块和导航场景数据融合模块,其中:预处理模块根据选取的脆弱性评估指标对采集到的导航场景数据进行预处理,得到对应的评估指标变化曲线和评估指标特征值;卫星数据融合模块基于相对距离对同一导航场景内的卫星的评估指标特征值进行数据融合,得到对应的导航场景评估指标特征值;导航场景数据融合模块基于双基准点对不同导航场景的同一评估指标的特征值进行数据融合,得到不同导航场景的脆弱性性能排序。
所述的预处理模块包括:建模单元、数据接收单元和特征值计算单元,其中:建模单元根据数据接收单元接收到的数据建立评估指标随时间变化的曲线模型,特征值计算单元基于选取的数据段和曲线模型,计算评估指标平均值,作为该评估指标的卫星特征值。
所述的卫星数据融合模块包括:相对距离测量单元、支持度矩阵单元、权重计算单元和数据融合单元,其中:支持度矩阵单元根据相对距离测量单元测量得到的特征值相对距离建立支持度矩阵,权重计算单元根据支持度矩阵计算同一评估指标的不同卫星特征值的权重,数据融合单元根据权重对同一评估指标的不同卫星特征值进行数据融合,得到评估指标的导航场景特征值。
所述的导航场景数据融合模块包括:特征矩阵单元、熵权计算单元、理想方案单元和脆弱性排序单元,其中:特征矩阵单元根据数据库建立特征矩阵,熵权计算单元根据特征矩阵确定各评估指标的各导航场景特征值的熵权,理想方案单元根据熵权确定正负理想方案,脆弱性排序单元根据各导航场景与正理想方案间的距离,对导航场景的脆弱性进行排序评价。
所述的数据库包括预处理模块和卫星数据融合模块中的全部数据。
本发明涉及上述系统的检测方法,包括以下步骤:
步骤1、选取脆弱性评估指标,通过建模单元建立评估指标随时间变化的曲线模型。
步骤2、在卫星信息中选取用于定位的数据段,结合评估指标曲线,通过特征值计算单元计算评估指标的卫星特征值。
步骤3、通过相对距离测量单元分别测量同一导航场景内不同卫星的同一评估指标的卫星特征值间的相对距离,建立支持度矩阵。
步骤4、根据支持度矩阵确定卫星特征值的权重,通过数据融合模块进行数据融合,得到相应评估指标的相对值,即评估指标的导航场景特征值。
步骤5、根据上述步骤产生的数据建立特征矩阵,并通过熵权计算单元确定导航场景特征值的熵权,从而确定正理想方案。
步骤6、根据评估指标的导航场景特征值计算各导航场景与正理想方案的距离,按照距离的大小对导航场景的脆弱性性能进行排序。
技术效果
本发明采用基于相对距离的数据融合算法对导航场景进行评估,采用基于双基准点的数据融合算法按照评估指标对各个导航场景进行脆弱性排序,实现了道路交通领域GPS脆弱性评估问题,填补了该领域GPS脆弱性评估的空白。
附图说明
图1为本发明系统示意图;
图2为本发明方法流程图;
图3为预处理模块示意图;
图4为卫星数据融合模块示意图;
图5为导航场景数据融合模块示意图;
图6为几何精度因子曲线示意图;
图7为伪距测量误差曲线示意图;
图中:a为4颗卫星;b为7颗卫星;c为9颗卫星;实心点表示此刻数据并未用于定位解算;
图8为载噪比曲线示意图;
图中:a为4颗卫星;b为7颗卫星;c为9颗卫星;实心点表示此刻数据并未用于定位解算。
具体实施方式
下面对本发明的实施例作详细说明,本实施例在以本发明技术方案为前提下进行实施,给出了详细的实施方式和具体的操作过程,但本发明的保护范围不限于下述的实施例。
实施例1
如图1所示,本实施例涉及的基于GPS的交通应用脆弱性检测系统,包括:预处理模块、卫星数据融合模块和导航场景数据融合模块,其中:预处理模块根据选取的脆弱性评估指标对采集到的导航场景数据进行预处理,得到对应的评估指标变化曲线和评估指标特征值;卫星数据融合模块基于相对距离对同一导航场景内的卫星的评估指标特征值进行数据融合,得到对应的导航场景评估指标特征值;导航场景数据融合模块基于双基准点对不同导航场景的同一评估指标的特征值进行数据融合,得到不同导航场景的脆弱性性能排序。
所述的预处理模块包括:建模单元、数据接收单元和特征值计算单元,其中:建模单元根据数据接收单元接收到的数据建立评估指标随时间变化的曲线模型,特征值计算单元基于选取的数据段和曲线模型,计算评估指标平均值,作为该评估指标的卫星特征值。
所述的卫星数据融合模块包括:相对距离测量单元、支持度矩阵单元、权重计算单元和数据融合单元,其中:支持度矩阵单元根据相对距离测量单元测量得到的特征值相对距离建立支持度矩阵,权重计算单元根据支持度矩阵计算同一评估指标的不同卫星特征值的权重,数据融合单元根据权重对同一评估指标的不同卫星特征值进行数据融合,得到评估指标的导航场景特征值。
所述的导航场景数据融合模块包括:特征矩阵单元、熵权计算单元、理想方案单元和脆弱性排序单元,其中:特征矩阵单元根据数据库建立特征矩阵,熵权计算单元根据特征矩阵确定各评估指标的各导航场景特征值的熵权,理想方案单元根据熵权确定正负理想方案,脆弱性排序单元根据各导航场景与正理想方案间的距离,对导航场景的脆弱性进行排序评价。
所述的数据库包括预处理模块和卫星数据融合模块中的全部数据。
如图2和图3所示,本实施例通过以下步骤实现脆弱性检测:
步骤1、根据道路交通中GPS的应用特点,选取载噪比C/N0、伪距测量误差Δρ和几何精度因子GDOP作为脆弱性评估指标,选取GPS接收机接收到的导航场景数据中段作为数据源,通过建模单元建立C/N0曲线、Δρ曲线和GDOP曲线,具体包括:
步骤1.1)建立载噪比C/N0曲线,包括以下步骤:
步骤1.1.1)接收机锁相环通常采用I/Q解调法来完成数据信号的载波分离、鉴相等任务。将输入信号与正弦载波复制信号混频的环路分支称为同相支路(简称I支路);与余弦载波复制信号混频的另一条环路分支称为正交支路(简称Q支路)。设在累积间隔γ内,支路I、Q的采样值被划分为M个区间,则支路I、Q在通道内的相干积分IPi和QPi分别为:
其中:wIPi和wQPi为标准正态高斯噪声,C/N0为载噪比,为相位差。
步骤1.1.2)通过IPi和QPi计算带宽为M/γ的宽带功率PW和带宽为1/γ的窄带功率PN,即:
步骤1.1.3)为降低窄带功率和宽带功率的比值PW/PN中噪声量的影响,计算n个时刻的PW/PN平均值,即:其中:PNr为r时刻的宽带功率,PWr为r时刻的窄带功率。
步骤1.1.4)根据概率论,可得载噪比C/N0与上述平均值的关系为:窄/宽带比例的均值期望与n个时刻PW/PN平均值相等。
步骤1.1.5)根据上述结果,则,以Hz为单位的C/N0的计算公式为:
步骤1.2)建立伪距测量误差Δρ曲线,是指:定义卫星的伪距测量误差Δρ为:
Δρ=(ρ-I-T-Δt)-R,其中:ρ为GPS接收机通过码相位得到的伪距测量值,R为卫星与监测站之间的实际距离,I为电离层延时误差修正项,T为对流层延时误差修正项,Δt为接收机时钟误差修正项。
所述的卫星与监测站之间的实际距离R可通过卫星自身精确定位与星历得到。
步骤1.3)建立几何精度因子GDOP曲线,是指:已知GPS接收机中的观测误差方程组为:
H·δX=L,其中:H为观测矩阵,δX为状态向量,L为卫星和GPS接收机之间的几何距离与测量伪距之差。
所述的其中:(hi1,hi2,hi3)为用户到第i颗可见卫星的方向余弦。
所述的δX=[δx δy δz δut]T,其中:(δx,δy,δz)为用户坐标的修正值,δut为时钟误差。
将用户坐标X的初始值代入观测误差方程组,迭代得到权系数矩阵Gu:
其中,HT为观测矩阵的转置。
则,
其中:为矩阵的迹,为权系数矩阵的转置。
步骤2、如图2和图4所示,选出数据源中用于定位导航的数据段,结合上述步骤得到的GDOP曲线、C/N0曲线和Δρ曲线对相应的几何精度因子GDOP、载噪比C/N0和伪距测量误差Δρ取平均值,即为该卫星的载噪比卫星特征值x、伪距测量误差卫星特征值y,及该导航场景的几何精度因子GDOP。
步骤3、通过相对距离测量单元对同一导航场景内的卫星载噪比C/N0特征值和伪距测量误差Δρ特征值分别进行相对距离测量,建立支持度矩阵R。
本实施例包括3个交通导航应用场景,每个场景内包括多颗用于定位解算的卫星(以4颗为例),则本步骤具体包括:
步骤3.1)将四颗卫星的C/N0特征值分别记为x1、x2、x3、x4,将Δρ特征值分别记为y1、y2、y3、y4,测量两特征值间的相对距离dij:dij(C/N0)=|xi-xj|,dij(Δρ)=|yi-yj|(i、j=1、2、3、4)。
步骤3.2)建立支持度矩阵R:其中:rij为隶属度函数。
所述的隶属度函数
可见,两特征值相对距离dij越小,对应的隶属度函数越大,则表示两特征值相互支持的程度越大。
可以看出,支持度矩阵R是非负的实对称矩阵,必定存在非负的实特征值。
步骤4、根据支持度矩阵R确定C/N0特征值和Δρ特征值的权重,通过数据融合模块进行数据融合,得到载噪比C/N0和伪距测量误差Δρ的相对值,即载噪比C/N0的导航场景特征值CH_C/N0和伪距测量误差Δρ的导航场景特征值RPE,具体包括:
步骤4.1)设支持度矩阵R的最大模特征值为V,对应的特征向量Vm=(v1 v2 v3 v4)T。
步骤4.2)根据信息分享原理和概率源合并理论,确定各数据基于整体数据的权系数ωi:(i=1,2,3,4)。
步骤4.3)进行数据融合,得到导航场景的相对载噪比:相对伪距测量误差
步骤5、如图2和图5所示,根据上述步骤产生的数据建立特征矩阵,并通过熵权计算单元确定导航场景特征值的熵权,从而确定正理想方案,具体包括以下步骤:
步骤5.1)建立特征矩阵。
设三个评估指标GDOP、C/N0、RPE下分别有3个数据,则特征矩阵Y表示为:
步骤5.2)确定各指标的熵权,包括:
步骤5.2.1)对特征矩阵Y中的数据按评估指标类别进行标准化处理,生成对应的隶属度矩阵Q:
Q(GDOP)=(rij)mn,其中:
Q(C/N0)=(rij)mn,其中:
Q(RPE)=(rij)mn,其中:
步骤5.2.2)求信息熵。
根据信息论中熵的定义,一组信息的信息熵值E为:
其中:
将GDOP、C/N0、RPE三个评估指标对应的rij代入,n=3,计算得到相应的信息熵值E1、E2、E3。
步骤5.2.3)计算熵权。
根据上一步骤得到的三个评估指标的信息熵E1、E2、E3,则各评估指标的权重为:
步骤5.3)确定正/负理想方案。
由于导航场景特征GDOP值、RPE值越小,特征C/N0值越大,则导航定位精度越高,因此,选取3组数据中最小的导航场景特征GDOP值、RPE值和最大的导航场景特征C/N0值建立正理想方案,选取最大的导航场景特征GDOP值、RPE值和最小的导航场景特征C/N0值建立负理想方案。
步骤6、根据评估指标的导航场景特征值计算导航场景与正理想方案的距离,按照距离的大小对导航场景的脆弱性性能进行排序,具体包括:
步骤6.1)确定三个交通导航应用场景与正理想方案的距离
导航场景与正理想方案的距离的计算公式为:
其中:wi为对应评估指标的权重,rij为对应指标隶属度矩阵中无量纲参数,为正理想方案中相应评估指标的隶属度矩阵无量纲参数,导航场景特征GDOP值和RPE值的选取最小值,而导航场景特征C/N0值的选取最大值。
步骤6.2)根据上一步骤得到的距离,得到3个导航场景的GPS脆弱性性能排序。
导航场景距离正理想方案越近,则脆弱性性能越好;距离正理想方案越远,则脆弱性性能越差,由此可得3个导航场景的GPS脆弱性性能排序。
实施例2
本实施例具体通过如下三个导航场景进行实施:
表1主要导航场景信息
步骤1、建立载噪比、几何精度因子、伪距测量误差特征曲线
1、徐浦大桥路段:
接收机可以搜索到9颗卫星。截取徐浦大桥上开阔处34秒数据。
(1)载噪比曲线
以PRN编号为4、7、9的卫星为例,如图8a~c所示。
步骤2、对各卫星载噪比曲线中,将用于定位解算时刻的载噪比取平均值,得各颗卫星特征载噪比(dB·Hz)分别为:30、35.1818、38.0294、40.6471、40.2941、41.0294、41.9130、32.4545。(PRN编号为11的卫星未用于定位解算)
(2)几何精度因子曲线如图6所示。
步骤2、取平均值后,得到特征几何精度因子:2.3571。
(3)伪距测量误差曲线如图7a~c所示。
步骤2、取平均值后,得8颗卫星伪距测量误差Δρ(m)依次为:2.9792、2.5565、5.0555、12.3024、12.3025、5.5379、10.81429、6.91472。
2、万芳路路段:
步骤2、取评估指标特征值
接收机可捕获到6颗卫星,取接收机接收到有效数据段30秒,得到:各颗卫星的载噪比特征值(dB·Hz)分别为:20.7333、46.1333、41、41.0666、36.2666、46.73333。
几何精度因子特征值:2.3810。
各颗卫星的特征伪距测量误差Δρ(m)依次为:15.7653、7.1423、80.2224、16.0959、30.9584、30.9584。
3、城市峡谷路段:
步骤2、取评估指标特征值
接收机无法同时捕获到四颗卫星,无法完成定位功能。
由于所有卫星均没有使用,计算载噪比也毫无意义。可以认为,城市峡谷路段城市峡谷的特征载噪比为0。
几何精度因子为99.99,这是解算软件所设置的上阈值。一般来说,卫星的几何精度因子大小为十几,在其值为100的情况下接收机通常已经无法完成定位,此时再去比较几何精度因子的大小已经没有意义。因此,在定位解算时设置了大小为99.99的上阈值,几何精度因子大于等于此值的情况都被视为无穷大。
伪距测量误差Δρ(m)分别为:644.3836、365.4359、606.6596、1089.1851。通过卫星数据融合,得到万芳路段的相对伪距测量误差为例:
步骤3、建立支持度矩阵:
步骤3.1,步骤3.2:该时段可捕获到的6颗卫星的特征伪距测量误差(m)分别为:15.7653、7.1423、80.2224、16.0959、30.9584、30.9584,得到支持度矩阵为:
步骤4:确定权系数:
步骤4.1:矩阵R的最大特征值V和与其对应的特征向量Vm为:
V=4.0396,
步骤4.2:得该时段6颗卫星的伪距测量误差权系数分别为:0.1898、0.1149、0.1845、0.1872、0.1326、0.1910
步骤4.3:确定相对伪距测量误差:
同理,计算出所有导航场景的特征载噪比、特征几何精度因子和特征相对伪距测量误差,列入表2中:
表2各导航场景特征指标
步骤五、导航场景数据融合
步骤5.1:建立特征矩阵:
步骤5.2:确定各指标熵权
步骤5.2.1:生成隶属度矩阵:
步骤5.2.2及5.2.3:求出信息熵及熵权列入下表中
表3各特征指标信息熵及权熵
步骤5.3:确定正负理想方案
由于载噪比越大,卫星信号质量越好,所以选取万芳路路段载噪比41.1895。伪距测量误差越小,定位精度越高,所以选取徐浦大桥相对伪距测量误差6.8914m。几何精度因子越小,卫星分布情况越好,所以选取徐浦大桥几何精度因子2.3571。
相反,负理想方案确定为城市峡谷载噪比0,城市峡谷伪距测量误差625.4548m,城市峡谷几何精度因子99.99。
将正负理想方案列入下表中:
表4正负理想方案选取
步骤六、导航场景脆弱性排序
步骤6.1:确定城市峡谷,开阔路段,万芳路距离正理想方案的距离,列入下表中
表5距正、负理想方案距离
步骤6.2:得到三个导航场景脆弱性性能排序,有好至差为:开阔路段、万芳路、城市峡谷。
可以看到开阔路段与万芳路GPS脆弱性性能明显好于城市峡谷。
Claims (11)
1.一种基于GPS的交通应用脆弱性检测系统,其特征在于,包括:预处理模块、卫星数据融合模块和导航场景数据融合模块,其中:预处理模块根据选取的脆弱性评估指标对采集到的导航场景数据进行预处理,得到对应的评估指标变化曲线和评估指标特征值;卫星数据融合模块基于相对距离对同一导航场景内的卫星的评估指标特征值进行数据融合,得到对应的导航场景评估指标特征值;导航场景数据融合模块基于双基准点对不同导航场景的同一评估指标的特征值进行数据融合,得到不同导航场景的脆弱性性能排序。
2.根据权利要求1所述的基于GPS的交通应用脆弱性检测系统,其特征是,所述的预处理模块包括:建模单元、数据接收单元和特征值计算单元,其中:建模单元根据数据接收单元接收到的数据建立评估指标随时间变化的曲线模型,特征值计算单元基于选取的数据段和曲线模型,计算评估指标平均值,作为该评估指标的卫星特征值。
3.根据权利要求1所述的基于GPS的交通应用脆弱性检测系统,其特征是,所述的卫星数据融合模块包括:相对距离测量单元、支持度矩阵单元、权重计算单元和数据融合单元,其中:支持度矩阵单元根据相对距离测量单元测量得到的特征值相对距离建立支持度矩阵,权重计算单元根据支持度矩阵计算同一评估指标的不同卫星特征值的权重,数据融合单元根据权重对同一评估指标的不同卫星特征值进行数据融合,得到评估指标的导航场景特征值。
4.根据权利要求1所述的基于GPS的交通应用脆弱性检测系统,其特征是,所述的导航场景数据融合模块包括:特征矩阵单元、熵权计算单元、理想方案单元和脆弱性排序单元,其中:特征矩阵单元根据数据库建立特征矩阵,熵权计算单元根据特征矩阵确定各评估指标的各导航场景特征值的熵权,理想方案单元根据熵权确定正负理想方案,脆弱性排序单元根据各导航场景与正理想方案间的距离,对导航场景的脆弱性进行排序评价。
5.一种根据上述任一权利要求所述检测系统的检测方法,其特征在于,包括以下步骤:
步骤1、选取脆弱性评估指标,通过建模单元建立评估指标随时间变化的曲线模型;
步骤2、在卫星信息中选取用于定位的数据段,结合评估指标曲线,通过特征值计算单元计算评估指标的卫星特征值;
步骤3、通过相对距离测量单元分别测量同一导航场景内不同卫星的同一评估指标的卫星特征值间的相对距离,建立支持度矩阵;
步骤4、根据支持度矩阵确定卫星特征值的权重,通过数据融合模块进行数据融合,得到相应评估指标的相对值,即评估指标的导航场景特征值;
步骤5、根据上述步骤产生的数据建立特征矩阵,并通过熵权计算单元确定导航场景特征值的熵权,从而确定正理想方案;
步骤6、根据评估指标的导航场景特征值计算各导航场景与正理想方案的距离,按照距离的大小对导航场景的脆弱性性能进行排序。
6.根据权利要求5所述的检测方法,其特征是,所述的评估指标包括:载噪比C/N0、伪距测量误差Δρ和几何精度因子GDOP。
7.根据权利要求6所述的检测方法,其特征是,所述的载噪比C/N0的曲线模型为:其中:M为通道内两个支路划分的区间数,γ为累积间隔,为带宽为M/γ的宽带功率PW和带宽为1/γ的窄带功率PN的比值在n个时刻内的平均值。
8.根据权利要求6所述的检测方法,其特征是,所述的伪距测量误差Δρ的曲线模型为:Δρ=(ρ-I-T-Δt)-R,其中:ρ为GPS接收机通过码相位得到的伪距测量值,R为卫星与监测站之间的实际距离,I为电离层延时误差修正项,T为对流层延时误差修正项,Δt为接收机时钟误差修正项。
9.根据权利要求6所述的检测方法,其特征是,所述的几何精度因子GDOP的曲线模型为:
其中:为矩阵的迹,为权系数矩阵的转置,T为反转矩阵;权系数矩阵Gu:
其中,HT为观测矩阵的转置。
10.根据权利要求5所述的检测方法,其特征是,所述的支持度矩阵i=(1,2,3,4),j=(2,3,4),其中:dij为同一评估指标特征值间的相对距离。
11.根据权利要求6或7所述的检测方法,其特征是,所述的载噪比C/N0的导航场景特征值X为:伪距测量误差Δρ的导航场景特征值RPE为:其中:ωi为评估指标的特征值对应的权系数,xi为载噪比的卫星特征值,yi为伪距测量误差的卫星特征值。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201510729249.0A CN105388496B (zh) | 2015-10-30 | 2015-10-30 | 基于gps的交通应用脆弱性检测系统及其方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201510729249.0A CN105388496B (zh) | 2015-10-30 | 2015-10-30 | 基于gps的交通应用脆弱性检测系统及其方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN105388496A CN105388496A (zh) | 2016-03-09 |
CN105388496B true CN105388496B (zh) | 2017-12-19 |
Family
ID=55420980
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201510729249.0A Active CN105388496B (zh) | 2015-10-30 | 2015-10-30 | 基于gps的交通应用脆弱性检测系统及其方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN105388496B (zh) |
Families Citing this family (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108920892A (zh) * | 2018-09-30 | 2018-11-30 | 南京地铁集团有限公司 | 一种城市轨道交通站点脆弱性测量方法 |
CN109945870B (zh) * | 2019-03-11 | 2022-12-06 | 东南大学 | 一种伪距观测值和载噪比融合的伪卫星室内定位方法 |
CN111639837B (zh) * | 2020-04-30 | 2023-02-10 | 同济大学 | 路网服役性能评价方法、装置、存储介质及终端 |
CN111915858B (zh) * | 2020-08-04 | 2022-03-29 | 山东科技大学 | 一种融合模拟量与数字量相关信息的报警方法及系统 |
CN113255979B (zh) * | 2021-05-17 | 2022-04-15 | 上海旷途科技有限公司 | 城市公交线网脆弱点识别方法、装置、计算机设备及存储介质 |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102103210A (zh) * | 2009-12-17 | 2011-06-22 | 中国石油大学(北京) | 一种卫星导航系统性能评估系统 |
EP2717071A1 (fr) * | 2012-10-05 | 2014-04-09 | Sagem Défense Sécurité | Centrale intertielle mettant en oeuvre une navigation hybride par couplage lâche intègre |
CN103760571A (zh) * | 2014-02-14 | 2014-04-30 | 上海交通大学 | 用于gps的基于影响因素特征的脆弱性监测系统及方法 |
-
2015
- 2015-10-30 CN CN201510729249.0A patent/CN105388496B/zh active Active
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102103210A (zh) * | 2009-12-17 | 2011-06-22 | 中国石油大学(北京) | 一种卫星导航系统性能评估系统 |
EP2717071A1 (fr) * | 2012-10-05 | 2014-04-09 | Sagem Défense Sécurité | Centrale intertielle mettant en oeuvre une navigation hybride par couplage lâche intègre |
CN103760571A (zh) * | 2014-02-14 | 2014-04-30 | 上海交通大学 | 用于gps的基于影响因素特征的脆弱性监测系统及方法 |
Non-Patent Citations (1)
Title |
---|
全球导航卫星系统脆弱性计算机仿真环境设计及其评估方法实现;赵欣 等;《计算机测量与控制》;20141230;第22卷(第9期);第2847-2850页 * |
Also Published As
Publication number | Publication date |
---|---|
CN105388496A (zh) | 2016-03-09 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN105388496B (zh) | 基于gps的交通应用脆弱性检测系统及其方法 | |
CN101609140B (zh) | 一种兼容导航接收机定位系统及其定位方法 | |
CN102565834B (zh) | 一种单频gps测向系统及其测向定位方法 | |
CN103837879B (zh) | 基于北斗系统民用载波相位组合实现高精度定位的方法 | |
CN108919321B (zh) | 一种基于尝试法的gnss定位粗差探测方法 | |
CN101395443B (zh) | 混合定位方法和设备 | |
CN110275192A (zh) | 一种基于智能手机的高精度单点定位方法与装置 | |
Zhang et al. | Extending shadow matching to tightly-coupled GNSS/INS integration system | |
CN110208831A (zh) | 一种实现北斗三号卫星定轨和时间同步的方法 | |
CN106054216A (zh) | 基于gdop和uere的多模gnss选星方法 | |
Zhang et al. | A novel GNSS based V2V cooperative localization to exclude multipath effect using consistency checks | |
CN115792980A (zh) | 一种模型和数据双重驱动的gnss rtk定位选星方法及系统 | |
CN105372692A (zh) | 一种北斗测姿接收机的快速整周模糊度方法 | |
CN110346816A (zh) | 短到长基线场景下电离层建模约束的实时差分定位方法 | |
Yang et al. | Resilient smartphone positioning using native sensors and PPP augmentation | |
Hu et al. | Cycle slip detection and repair using an array of receivers with known geometry for RTK positioning | |
McLemore et al. | GDOP of Navigation using Pseudorange and Doppler Shift from a LEO Constellation | |
CN115616637B (zh) | 一种基于三维格网多径建模的城市复杂环境导航定位方法 | |
Lehtola et al. | Tropospheric wet tomography and PPP: Joint estimation from GNSS crowdsourcing data | |
ERSAN et al. | Map matching with kalman filter and location estimation | |
Mikhaylov et al. | Collaborative positioning in automated car driving: Accounting for communication channel and multipath | |
Ziedan | A novel model for multipath delay estimation and Its application to a modified optimized position estimation algorithm | |
Zhang et al. | 3D mapping aided gnss positioning using doppler frequency for urban areas | |
Baumgarten et al. | Navigation and ionosphere characterization using high-frequency signals: Models and solution concepts | |
WO2023236643A1 (zh) | 定位方法、装置、设备及存储介质 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
C06 | Publication | ||
PB01 | Publication | ||
C10 | Entry into substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |