CN105699993B - 载波环路自适应跟踪方法、自适应载波跟踪环路 - Google Patents
载波环路自适应跟踪方法、自适应载波跟踪环路 Download PDFInfo
- Publication number
- CN105699993B CN105699993B CN201610069165.3A CN201610069165A CN105699993B CN 105699993 B CN105699993 B CN 105699993B CN 201610069165 A CN201610069165 A CN 201610069165A CN 105699993 B CN105699993 B CN 105699993B
- Authority
- CN
- China
- Prior art keywords
- mrow
- carrier
- msub
- kalman filter
- noise
- 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
- G01S19/24—Acquisition or tracking or demodulation of signals transmitted by the system
- G01S19/29—Acquisition or tracking or demodulation of signals transmitted by the system carrier including Doppler, related
Landscapes
- Engineering & Computer Science (AREA)
- Radar, Positioning & Navigation (AREA)
- Remote Sensing (AREA)
- Computer Networks & Wireless Communication (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Filters That Use Time-Delay Elements (AREA)
Abstract
本发明公开了一种载波环路自适应跟踪方法,属于无线通信技术领域。本发明在现有自适应载波跟踪环路中引入基于神经网络模型的系统噪声修正模块,在接收信号较强时对神经网络模型进行训练,并在时变噪声估计器无法同时估计系统噪声和量测噪声时,利用神经网络模型的预测输出对时变噪声估计器所估计出的系统噪声进行修正。本发明还公开了一种自适应载波跟踪环路。本发明有效解决了现有自适应载波跟踪环路中时变噪声估计器无法同时调整系统模型和量测模型的不确定性问题,有效提高了载波跟踪环路的性能。
Description
技术领域
本发明涉及无线通信技术领域,尤其涉及一种用于GNSS卫星信号接收机的载波环路自适应跟踪方法、自适应载波跟踪环路。
背景技术
全球卫星导航系统(GNSS)是一种全天候、连续的精确导航系统,被广泛应用于国民经济建设和生产生活领域。随着GNSS应用范围的扩大,传统的接收机技术难以满足复杂环境接收机定位的需求,例如城市环境中的多径效应、遮挡以及电磁干扰等微弱信号环境,因此研究新型接收机结构具有一定的必要性。传统的接收机中使用的相位锁定环路(PLL),由鉴相器、环路滤波器和本地NCO组成,其中鉴相器引入了非线性,当信号载噪比较低或载体高机动时,载波相位误差超过PLL的线性工作区,容易导致环路失锁,此外,未知的导航数据跳变进一步降低了NCO反馈频率的稳定性,容易导致环路失锁。
目前基于最优化技术的跟踪环路是解决上述问题的理想方法,其中基于扩展卡尔曼滤波(EKF)技术的载波跟踪环路较为典型。目前大多数基于EKF滤波的方法多选择状态量为载波相位、载波频率以及载波频率变化率,其难以适用于高机动的载波跟踪环路,需要加入卫星视距方向加加速度对应的状态参数,以在跟踪反馈中即时捕获该状态引入的载波频率变化。由于标准EKF滤波过程假设量测噪声和系统噪声统计特征不变,与实际情况不符,因此需要引入自适应滤波估计策略,利用时变噪声估计器对载波跟踪环路的系统噪声和量测噪声进行在线估计,并利用估计出的系统噪声和量测噪声对卡尔曼滤波器的系统模型和量测模型进行更新。典型的时变噪声估计器多基于新息数据,例如Sage-Husa噪声估计器,其在系统噪声和量测噪声统计特征均变化的情况下难以正常工作。卫星导航中电磁干扰、多径误差等影响的是系统不确定性,而遮挡容易导致接受信号载噪比较低、量测突变,因此需要设计新的自适应滤波方法,在载波跟踪环路的系统不确定性和量测异常同时发生时,隔离系统噪声方差阵和量测噪声方差阵的调整过程。
发明内容
本发明所要解决的技术问题在于克服现有技术不足,提供一种载波环路自适应跟踪方法、自适应载波跟踪环路,在载波跟踪环路的系统不确定性和量测异常同时存在时,能自适应地调整系统模型和量测模型以确保环路正常锁定。
本发明具体采用以下技术方案解决上述技术问题:
一种载波环路自适应跟踪方法,利用卡尔曼滤波器对载波跟踪环路进行状态估计并根据状态估计结果进行状态补偿,同时利用时变噪声估计器在线估计出的系统噪声和量测噪声对卡尔曼滤波器的系统模型和量测模型进行更新;在跟踪过程中实时检测接收信号的强度,当接收信号的强度大于等于预设信号强度阈值时,以载体在状态补偿前后的载波频率导数的当前变化率以及卡尔曼滤波器更新周期新息协方差阵均值的当前精度作为输入,以时变噪声估计器在线估计出的系统噪声方差与卡尔曼滤波器当前的系统噪声方差之间的差值作为期望输出,对神经网络模型进行训练;当卡尔曼滤波器更新周期新息协方差阵均值的当前精度的绝对值大于一预设精度阈值时,将载体在状态补偿前后的载波频率导数的当前变化率以及卡尔曼滤波器更新周期新息协方差阵均值的当前精度输入所述神经网络模型,并用神经网络模型所输出的系统噪声差值对卡尔曼滤波器的当前系统噪声进行修正。
优选地,载体在状态补偿前后的载波频率导数的当前变化率δ(k)通过下式得到:
式中,Tc为相干积分时间,ω1(k)表示载波跟踪环路第k个状态更新周期得到的载波频率的一阶导数,ω1(k-1)为状态补偿后的载波频率一阶导数,M1为所选取的状态更新周期个数。
优选地,卡尔曼滤波器更新周期新息协方差阵均值的当前精度r(k)通过下式得到:
式中,Pzz,k|k为所述卡尔曼滤波器理论的协方差矩阵,ek为卡尔曼滤波器在第k个状态更新周期得到的新息,上标T表示矩阵转置,tr(·)为矩阵求迹函数,M1为所选取的状态更新周期个数。
优选地,所述卡尔曼滤波器为平方根容积卡尔曼滤波器。
优选地,所述时变噪声估计器为基于Sage-Husa算法的时变噪声估计器。可以是标准的Sage-Husa时变噪声估计器,也可以是其改进方案。
优选地,所述神经网络模型为核极限学习机模型。
优选地,利用接收信号的载噪比或载波功率来衡量接收信号的强度。
根据相同的发明思路还可以得到以下技术方案:
一种自适应载波跟踪环路,包括:卡尔曼滤波器,用于对载波跟踪环路进行状态估计并根据状态估计结果进行状态补偿;时变噪声估计器,用于对载波跟踪环路的系统噪声和量测噪声进行在线估计,并利用估计出的系统噪声和量测噪声对卡尔曼滤波器的系统模型和量测模型进行更新;所述自适应载波跟踪环路还包括系统噪声修正模块,用于通过以下方法对卡尔曼滤波器的的系统噪声进行修正:在跟踪过程中实时检测接收信号的强度,当接收信号的强度大于等于预设信号强度阈值时,以载体在状态补偿前后的载波频率导数的当前变化率以及卡尔曼滤波器更新周期新息协方差阵均值的当前精度作为输入,以时变噪声估计器在线估计出的系统噪声方差与卡尔曼滤波器当前的系统噪声方差之间的差值作为期望输出,对神经网络模型进行训练;当卡尔曼滤波器更新周期新息协方差阵均值的当前精度的绝对值大于一预设精度阈值时,将载体在状态补偿前后的载波频率导数的当前变化率以及卡尔曼滤波器更新周期新息协方差阵均值的当前精度输入所述神经网络模型,并用神经网络模型所输出的系统噪声差值对卡尔曼滤波器当前的系统噪声进行修正。
相比现有技术,本发明具有以下有益效果:
本发明在现有自适应载波跟踪环路中引入基于神经网络模型的系统噪声修正模块,在接收信号较强时对神经网络模型进行训练,并在时变噪声估计器无法同时估计系统噪声和量测噪声时,利用神经网络模型的预测输出对卡尔曼滤波器的系统噪声进行修正,解决了现有时变噪声估计器无法同时调整系统模型和量测模型的不确定性问题,有效提高了载波跟踪环路的性能。
附图说明
图1为本发明载波跟踪环路一个具体实施例的结构原理示意图;
图2为系统噪声修正模块的工作原理示意图。
具体实施方式
下面结合附图对本发明的技术方案进行详细说明:
本发明针对现有自适应载波跟踪环路所使用的时变噪声估计器在系统噪声和量测噪声统计特征均变化的情况下难以正常工作的不足,在载波跟踪环路中引入基于神经网络模型的系统噪声修正模块,在接收信号较强时对神经网络模型进行训练,并在时变噪声估计器无法同时估计系统噪声和量测噪声时,利用神经网络模型的预测输出对卡尔曼滤波器的系统噪声进行修正,解决了现有时变噪声估计器无法同时调整系统模型和量测模型的不确定性问题,有效提高了载波跟踪环路的性能。
本发明的自适应载波跟踪环路,包括:卡尔曼滤波器,用于对载波跟踪环路进行状态估计并根据状态估计结果进行状态补偿;时变噪声估计器,用于对载波跟踪环路的系统噪声和量测噪声进行在线估计,并利用估计出的系统噪声和量测噪声对卡尔曼滤波器的系统模型和量测模型进行更新;所述自适应载波跟踪环路还包括系统噪声修正模块,用于通过以下方法对卡尔曼滤波器的系统噪声进行修正:在跟踪过程中实时检测接收信号的强度,当接收信号的强度大于等于预设信号强度阈值时,以载体在状态补偿前后的载波频率导数的当前变化率以及卡尔曼滤波器更新周期新息协方差阵均值的当前精度作为输入,以时变噪声估计器在线估计出的系统噪声方差与卡尔曼滤波器当前的系统噪声方差之间的差值作为期望输出,对神经网络模型进行训练;当卡尔曼滤波器更新周期新息协方差阵均值的当前精度的绝对值大于一预设精度阈值时,将载体在状态补偿前后的载波频率导数的当前变化率以及卡尔曼滤波器更新周期新息协方差阵均值的当前精度输入所述神经网络模型,并用神经网络模型所输出的系统噪声差值对卡尔曼滤波器当前的系统噪声进行修正。
其中,所述卡尔曼滤波器可采用传统的卡尔曼滤波器或各种扩展卡尔曼滤波器,本发明优选采用平方根容积卡尔曼滤波器(SCKF),不但可增强数值鲁棒性,保证状态协方差阵的正定性,还可一定程度上提升滤波精度。所述时变噪声估计器优选采用基于Sage-Husa算法的时变噪声估计器,可以是标准的Sage-Husa时变噪声估计器,也可以是其各种改进方案。所述接收信号强度优选采用载噪比或载波功率来衡量。所述神经网络模型可采用BP神经网络、RBF神经网络以及支持向量机等,本发明优选采用核极限学习机模型(KELM),其只需要设置网络的隐层节点个数,在算法执行过程中不需要调整网络的输入权值以及隐元的偏置,并且产生唯一的最优解,因此具有学习速度快且泛化性能好的优点。
为了便于公众理解,下面以一个具体实施例来对本发明技术方案进行进一步说明。
图1显示了本发明载波跟踪环路一个具体实施例的结构原理。如图1所示,该载波跟踪环路的基本原理如下:
A、量测模型:
设接收机输入的数字中频信号为
yi=A(τi)d[τi-ts(τi)]c[τi-ts(τi)]cos[ωIFτi-φ(τi)]+ni
其中yi=y(τi)为采样时刻τi对应的数字中频信号,A(τ)为载波幅值,d(τ)为导航数据,c(τ)为C/A码序列,ts(τ)为采样时刻τ对应的码延迟相对采样起始时间,ωIF为标称载波频率,φ(τ)为载波相位误差,为噪声。将yi与本地信号进行Nk个相干积分累加后,可得
其中Δ为“超前”与“滞后”码延迟间隔,CNCO(τ)本地复现的PRN码,φNCO为本地复现的载波相位,相干积分时间间隔为1ms,tNCO,k为积分累加的起始时刻,且tNCO,k≤τik+1,tNCO,k+1>τik+Nk。建立滤波量测值与直接观测量的关系:
其中为积分周期内(Tc)的平均载波幅值,dm为导航数据,Δφk=φ(t)-φNCO(t)为记积分周期内的平均载波误差,Δtk=ts(tmid,k)-tmid,k为Tc中点的码相位误差,其中,tmid,k=(tNCO,k+tNCO,k+1)/2,R(t)为PRN码的自相关函数,nI,k和nQ,k均是方差为的高斯白噪声。用于载波跟踪环路的观测量为Ik(0)和Qk(0),将其在导航数据位上累加得到:
其中m为导航数据位索引,Nm=(Nkm+Nkm+1+…Nkm+19)为导航数据位的采样点数,km为第m个导航数据位的第1个PRN码,nym~N(0,I2×2),I2×2为2阶单位阵。
设则量测方程为
Zk=Hk|k-1Xk-1+Vk-1
其中Vk-1=[1 1]T。
B、系统模型:
设Tc为预检积分时间,本地载波NCO的输入控制项为相位误差Δθ(k-1)和频率误差Δω0(k-1),载波跟踪环路的状态量为Xk=[θ(k) ω0(k) ω1(k) ω2(k)]T,分别为载波相位、载波频率及其1阶和2阶导数,则有:
设U(k-1)=[Δθ(k-1) Δω0(k-1)]T,Wk=[εθ εω0 εω1 εω2]T,则系统方程可表述为
Xk=Φk|k-1Xk-1+Gk|k-1Uk-1+Wk
其中
C、环路参数估计:
由于环路参数估计过程中协方差的传递过程存在矩阵的乘法和求逆运算,采用平方根的形式不仅提高滤波稳定性也可改善弱可观测性状态的精度,其实现过程如下:设状态k-1时刻的有选择容积点ξi的个数m=2·nx,其中nx=4为状态维数,则有时间更新过程:
其中ei为第i列基本列向量;
将Xi,k-1|k-1通过非线性函数Φk|k-1传递,即则k时刻的先验状态均值
令则有
其中
量测更新过程:
将容积点Xi,k|k-1通过非线性量测方程传递,即则k时刻的预测量测均值
令则有
其中且有
其中
跟踪环路参数的状态估计为:
Sk|k=Tria([χk|k-1-Wkξk|k-1 WkSR,k])
其中为滤波增益。
如图2所示,本发明系统噪声修正模块的工作原理具体如下:
采用量测噪声估计器确定卫星信号的载噪比或载波功率,当信号较强时(本实施例采用的判断标准为载噪比>29dB),采用时变噪声估计器(本实施例中采用改进的Sage-Husa时变噪声估计器)对系统和量测模型的不确定性进行补偿,系统噪声和量测噪声分别满足Wk~N(q(k),Q)、Vk~N(r(k),R),且则有:
其中dk-1=(1-b)/(1-bk),0.95≤b≤0.995,噪声变化越剧烈b的取值越接近于0.95。
同时,开始KELM的训练,其实现过程为:
设N个训练样本其中xi=[δi,ri]T为输入数据,目标输出为ti=ΔQi,其中δi=δ(i),ri=r(i),Q(i)为当前卡尔曼滤波器的系统噪声方差阵,为时变噪声估计器得到的系统噪声方差阵。
具有K个隐层节点的KELM网络模型可以表示为
其中βj是网络的输出权值,wj和bi分别为输入权值和偏置,将上式写成紧凑的矩阵形式Hβ=T,求解输出矩阵β=H+T,其中H+=(HHT)-1HT为H的广义逆矩阵。定义核矩阵
则输出矩阵:
β*=HT(I/C+HHT)T
其中I为对角矩阵,C为惩罚系数,则KELM模型的输出为:
本实施例选择使用RBF核函数K(μ,v)=exp[-(μ-v2)/σ],其中h(x)为随机产生的隐层神经元的输出函数。
本发明以状态补偿前后的载波频率导数的变化率δ(k)、滤波器更新周期新息协方差阵的精度r(k)作为模型输入,以改进的Sage-Husa时变噪声估计器在线估计与当前卡尔曼滤波器的Q(k)作差计算的ΔQ(k)作为期望输出,对上述KELM模型进行训练。其中载波频率导数的变化率δ(k)和新息协方差矩阵精度r(k)构造过程如下:
(1)根据k时刻SCKF状态估计得到的载波频率导数ω1(k)及其状态补偿结果ω1(k-1),并利用M1个(ω1(k-1),ω1(k))采样点计算载体载波频率导数的变化率:
式中,Tc为相干积分时间,ω1(k)表示载波跟踪环路第k个状态更新周期得到的载波频率的一阶导数,ω1(k-1)为状态补偿后的载波频率一阶导数,M1为所选取的状态更新周期个数。
(2)由SCKF滤波过程得到新息ek,利用M1个ek采样点计算实际新息协方差矩阵的精度:
式中,为所述卡尔曼滤波器理论的协方差矩阵,ek为卡尔曼滤波器在第k个状态更新周期得到的新息,上标T表示矩阵转置,tr(·)为矩阵求迹函数,M1为所选取的状态更新周期个数。
当信号较弱时(本实施例中为18dB<载噪比<29dB),将计算得到的
xj=[δj,rj]T代入K(μ,v)=exp[-(μ-v2)/σ],f(x)=h(x)HT(I/C+HHT)-1T(即训练完成的KELM模型)可得到预测的ΔQj;本发明以新息协方差阵的精度r(k)作为Sage-Husa算法无法同时估计系统噪声和量测噪声的标志,即当时,则开始KELM的预测过程,其中为经验性的阈值;并以KELM模型输出的ΔQ(k)代替时变噪声估计器估计的系统噪声估计量,即当前卡尔曼滤波器的其中为信号较强时时变噪声估计器提供的卡尔曼滤波器的系统噪声方差阵,此时量测噪声方差仍采用Sage-Husa时变噪声估计器的估计输出。
Claims (9)
1.一种载波环路自适应跟踪方法,利用卡尔曼滤波器对载波跟踪环路进行状态估计并根据状态估计结果进行状态补偿,同时利用时变噪声估计器在线估计出的系统噪声和量测噪声对卡尔曼滤波器的系统模型和量测模型进行更新;其特征在于,在跟踪过程中实时检测接收信号的强度,当接收信号的强度大于等于预设信号强度阈值时,以载体在状态补偿前后的载波频率导数的当前变化率以及卡尔曼滤波器更新周期新息协方差阵均值的当前精度作为输入,以时变噪声估计器在线估计出的系统噪声方差与卡尔曼滤波器当前的系统噪声方差之间的差值作为期望输出,对神经网络模型进行训练;当卡尔曼滤波器更新周期新息协方差阵均值的当前精度的绝对值大于一预设精度阈值时,将载体在状态补偿前后的载波频率导数的当前变化率以及卡尔曼滤波器更新周期新息协方差阵均值的当前精度输入所述神经网络模型,并用神经网络模型所输出的系统噪声方差差值对卡尔曼滤波器当前的系统噪声进行修正。
2.如权利要求1所述载波环路自适应跟踪方法,其特征在于,载体在状态补偿前后的载波频率导数的当前变化率δ(k)通过下式得到:
<mrow>
<mi>&delta;</mi>
<mrow>
<mo>(</mo>
<mi>k</mi>
<mo>)</mo>
</mrow>
<mo>=</mo>
<mfrac>
<mn>1</mn>
<mrow>
<msub>
<mi>M</mi>
<mn>1</mn>
</msub>
<mo>&CenterDot;</mo>
<mn>2</mn>
<mi>&pi;</mi>
<mi>T</mi>
<mi>c</mi>
</mrow>
</mfrac>
<mo>&lsqb;</mo>
<munderover>
<mi>&Sigma;</mi>
<mrow>
<mi>k</mi>
<mo>=</mo>
<msub>
<mi>M</mi>
<mn>1</mn>
</msub>
<mo>+</mo>
<mn>1</mn>
</mrow>
<mrow>
<mn>2</mn>
<msub>
<mi>M</mi>
<mn>1</mn>
</msub>
</mrow>
</munderover>
<mrow>
<mo>(</mo>
<msub>
<mi>&omega;</mi>
<mn>1</mn>
</msub>
<mo>(</mo>
<mi>k</mi>
<mo>)</mo>
<mo>-</mo>
<msub>
<mi>&omega;</mi>
<mn>1</mn>
</msub>
<mo>(</mo>
<mrow>
<mi>k</mi>
<mo>-</mo>
<mn>1</mn>
</mrow>
<mo>)</mo>
<mo>)</mo>
</mrow>
<mo>-</mo>
<munderover>
<mi>&Sigma;</mi>
<mrow>
<mi>k</mi>
<mo>=</mo>
<mn>1</mn>
</mrow>
<msub>
<mi>M</mi>
<mn>1</mn>
</msub>
</munderover>
<mrow>
<mo>(</mo>
<msub>
<mi>&omega;</mi>
<mn>1</mn>
</msub>
<mo>(</mo>
<mi>k</mi>
<mo>)</mo>
<mo>-</mo>
<msub>
<mi>&omega;</mi>
<mn>1</mn>
</msub>
<mo>(</mo>
<mrow>
<mi>k</mi>
<mo>-</mo>
<mn>1</mn>
</mrow>
<mo>)</mo>
<mo>)</mo>
</mrow>
<mo>&rsqb;</mo>
</mrow>
式中,Tc为相干积分时间,ω1(k)表示载波跟踪环路第k个状态更新周期得到的载波频率的一阶导数,ω1(k-1)为状态补偿后的载波频率一阶导数,M1为所选取的状态更新周期个数。
3.如权利要求1所述载波环路自适应跟踪方法,其特征在于,卡尔曼滤波器更新周期新息协方差阵均值的当前精度r(k)通过下式得到:
<mrow>
<mi>r</mi>
<mrow>
<mo>(</mo>
<mi>k</mi>
<mo>)</mo>
</mrow>
<mo>=</mo>
<mfrac>
<mrow>
<mi>t</mi>
<mi>r</mi>
<mrow>
<mo>(</mo>
<mfrac>
<mn>1</mn>
<msub>
<mi>M</mi>
<mn>1</mn>
</msub>
</mfrac>
<munderover>
<mo>&Sigma;</mo>
<mrow>
<mi>k</mi>
<mo>=</mo>
<mn>1</mn>
</mrow>
<msub>
<mi>M</mi>
<mn>1</mn>
</msub>
</munderover>
<msub>
<mi>e</mi>
<mi>k</mi>
</msub>
<msubsup>
<mi>e</mi>
<mi>k</mi>
<mi>T</mi>
</msubsup>
<mo>)</mo>
</mrow>
</mrow>
<mrow>
<mi>t</mi>
<mi>r</mi>
<mrow>
<mo>(</mo>
<msub>
<mi>P</mi>
<mrow>
<mi>z</mi>
<mi>z</mi>
<mo>,</mo>
<mi>k</mi>
<mo>|</mo>
<mi>k</mi>
</mrow>
</msub>
<mo>)</mo>
</mrow>
</mrow>
</mfrac>
</mrow>
式中,Pzz,k|k为所述卡尔曼滤波器理论的协方差矩阵,ek为卡尔曼滤波器在第k个状态更新周期得到的新息,上标T表示矩阵转置,tr(·)为矩阵求迹函数,M1为所选取的状态更新周期个数。
4.如权利要求1所述载波环路自适应跟踪方法,其特征在于,所述卡尔曼滤波器为平方根容积卡尔曼滤波器。
5.如权利要求1所述载波环路自适应跟踪方法,其特征在于,所述时变噪声估计器为基于Sage-Husa算法的时变噪声估计器。
6.如权利要求1所述载波环路自适应跟踪方法,其特征在于,所述神经网络模型为核极限学习机模型。
7.如权利要求6所述载波环路自适应跟踪方法,其特征在于,所述核极限学习机模型的核函数为RBF核函数。
8.如权利要求1所述载波环路自适应跟踪方法,其特征在于,利用接收信号的载噪比或载波功率来衡量接收信号的强度。
9.一种自适应载波跟踪环路,包括:卡尔曼滤波器,用于对载波跟踪环路进行状态估计并根据状态估计结果进行状态补偿;时变噪声估计器,用于对载波跟踪环路的系统噪声和量测噪声进行在线估计,并利用估计出的系统噪声和量测噪声对卡尔曼滤波器的系统模型和量测模型进行更新;其特征在于,所述自适应载波跟踪环路还包括系统噪声修正模块,用于通过以下方法对卡尔曼滤波器的系统噪声进行修正:在跟踪过程中实时检测接收信号的强度,当接收信号的强度大于等于预设信号强度阈值时,以载体在状态补偿前后的载波频率导数的当前变化率以及卡尔曼滤波器更新周期新息协方差阵均值的当前精度作为输入,以时变噪声估计器在线估计出的系统噪声方差与卡尔曼滤波器当前的系统噪声方差之间的差值作为期望输出,对神经网络模型进行训练;当卡尔曼滤波器更新周期新息协方差阵均值的当前精度的绝对值大于一预设精度阈值时,将载体在状态补偿前后的载波频率导数的当前变化率以及卡尔曼滤波器更新周期新息协方差阵均值的当前精度输入所述神经网络模型,并用神经网络模型所输出的系统噪声差值对卡尔曼滤波器的当前系统噪声进行修正。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201610069165.3A CN105699993B (zh) | 2016-02-01 | 2016-02-01 | 载波环路自适应跟踪方法、自适应载波跟踪环路 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201610069165.3A CN105699993B (zh) | 2016-02-01 | 2016-02-01 | 载波环路自适应跟踪方法、自适应载波跟踪环路 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN105699993A CN105699993A (zh) | 2016-06-22 |
CN105699993B true CN105699993B (zh) | 2017-10-31 |
Family
ID=56228983
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201610069165.3A Active CN105699993B (zh) | 2016-02-01 | 2016-02-01 | 载波环路自适应跟踪方法、自适应载波跟踪环路 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN105699993B (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US12061982B2 (en) | 2022-10-07 | 2024-08-13 | Virginia Tech Intellectual Properties, Inc. | Learning radio signals using radio signal transformers |
Families Citing this family (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US10296831B2 (en) * | 2017-05-03 | 2019-05-21 | Virginia Tech Intellectual Properties, Inc. | Learning radio signals using radio signal transformers |
CN107659393B (zh) * | 2017-08-15 | 2020-06-09 | 东南大学 | 一种能有效减弱电离层闪烁效应的多pll载波跟踪环 |
CN112415412A (zh) * | 2019-08-23 | 2021-02-26 | 比亚迪股份有限公司 | 估算电池soc值的方法和装置及车辆、存储介质 |
CN112684481B (zh) * | 2019-10-18 | 2022-10-11 | 千寻位置网络有限公司 | 定位解算方法及装置、存储介质 |
CN112013849A (zh) * | 2020-09-03 | 2020-12-01 | 浙江傲宋智能科技有限公司 | 一种水面船自主定位方法及系统 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US7639181B2 (en) * | 2005-07-01 | 2009-12-29 | Sirf Technology Holdings, Inc. | Method and device for tracking weak global navigation satellite system (GNSS) signals |
CN101666650A (zh) * | 2009-09-30 | 2010-03-10 | 北京航空航天大学 | 一种sins/gps超紧致组合导航系统及实现方法 |
CN102096086A (zh) * | 2010-11-22 | 2011-06-15 | 北京航空航天大学 | 一种基于gps/ins组合导航系统不同测量特性的自适应滤波方法 |
CN102253396A (zh) * | 2011-06-08 | 2011-11-23 | 东南大学 | 一种高动态gps载波环跟踪方法 |
CN102540216A (zh) * | 2011-11-14 | 2012-07-04 | 北京航空航天大学 | 一种自适应跟踪环路及实现方法 |
-
2016
- 2016-02-01 CN CN201610069165.3A patent/CN105699993B/zh active Active
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US7639181B2 (en) * | 2005-07-01 | 2009-12-29 | Sirf Technology Holdings, Inc. | Method and device for tracking weak global navigation satellite system (GNSS) signals |
CN101666650A (zh) * | 2009-09-30 | 2010-03-10 | 北京航空航天大学 | 一种sins/gps超紧致组合导航系统及实现方法 |
CN102096086A (zh) * | 2010-11-22 | 2011-06-15 | 北京航空航天大学 | 一种基于gps/ins组合导航系统不同测量特性的自适应滤波方法 |
CN102253396A (zh) * | 2011-06-08 | 2011-11-23 | 东南大学 | 一种高动态gps载波环跟踪方法 |
CN102540216A (zh) * | 2011-11-14 | 2012-07-04 | 北京航空航天大学 | 一种自适应跟踪环路及实现方法 |
Non-Patent Citations (2)
Title |
---|
"Neural Network Aided Adaptive Kalman Filtering for";Dah-Jing Jwo etc.;《IEEE》;20041231;3686-3691 * |
"基于自适应扩展卡尔曼滤波的载波跟踪算法";李理敏等;《航空学报》;20120725;第33卷(第7期);1319-1328 * |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US12061982B2 (en) | 2022-10-07 | 2024-08-13 | Virginia Tech Intellectual Properties, Inc. | Learning radio signals using radio signal transformers |
Also Published As
Publication number | Publication date |
---|---|
CN105699993A (zh) | 2016-06-22 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN105699993B (zh) | 载波环路自适应跟踪方法、自适应载波跟踪环路 | |
CN102540216B (zh) | 一种自适应跟踪环路及实现方法 | |
CN106291645B (zh) | 适于高维gnss/ins深耦合的容积卡尔曼滤波方法 | |
CN103033186B (zh) | 一种用于水下滑翔器的高精度组合导航定位方法 | |
CN102508278B (zh) | 一种基于观测噪声方差阵估计的自适应滤波方法 | |
CN101711369B (zh) | 位置跟踪设备和方法 | |
CN110779518B (zh) | 一种具有全局收敛性的水下航行器单信标定位方法 | |
Zhang et al. | Hybrid algorithm based on MDF-CKF and RF for GPS/INS system during GPS outages (April 2018) | |
CN107515414B (zh) | 一种电离层闪烁下基于矢量跟踪的自适应卡尔曼滤波方法 | |
Orabi et al. | A machine learning approach for GPS code phase estimation in multipath environments | |
CN103926603A (zh) | Gnss接收机极弱信号的跟踪方法 | |
CN102323602A (zh) | 一种基于自适应二阶卡尔曼滤波器的载波跟踪环路及其滤波方法 | |
CN104020480A (zh) | 一种带自适应因子的交互式多模型ukf的卫星导航方法 | |
Bai et al. | A novel progressive Gaussian approximate filter for tightly coupled GNSS/INS integration | |
CN103592662A (zh) | 一种gps信号接收机的载波跟踪方法及环路 | |
CN102608631A (zh) | 基于模糊逻辑的自适应强跟踪ukf定位滤波算法 | |
CN102749633A (zh) | 一种卫星导航接收机的动态定位解算方法 | |
CN104062667A (zh) | 基于i/q支路相关积分观测滤波的gps弱信号跟踪系统 | |
CN104062672A (zh) | 基于强跟踪自适应Kalman滤波的SINSGPS组合导航方法 | |
Jwo et al. | A novel design for the ultra-tightly coupled GPS/INS navigation system | |
CN104076373A (zh) | 一种基于多信息融合辅助的载波跟踪方法与系统 | |
Havyarimana et al. | Toward accurate intervehicle positioning based on GNSS pseudorange measurements under non-Gaussian generalized errors | |
Cooper et al. | A frequency response method for multi-sensor high-speed navigation systems | |
CN102944888B (zh) | 一种基于二阶扩展卡尔曼的低运算量gps定位方法 | |
Liu et al. | An efficient estimator for source localization using TD and AOA measurements in MIMO radar systems |
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 |