CN107194161B - 基于用户需求分级的araim可用性预测方法及装置 - Google Patents
基于用户需求分级的araim可用性预测方法及装置 Download PDFInfo
- Publication number
- CN107194161B CN107194161B CN201710335112.6A CN201710335112A CN107194161B CN 107194161 B CN107194161 B CN 107194161B CN 201710335112 A CN201710335112 A CN 201710335112A CN 107194161 B CN107194161 B CN 107194161B
- Authority
- CN
- China
- Prior art keywords
- araim
- parameter
- availability
- determining
- acquiring
- 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
- 238000000034 method Methods 0.000 title claims abstract description 38
- 230000033001 locomotion Effects 0.000 claims description 41
- 238000012544 monitoring process Methods 0.000 claims description 26
- 238000004364 calculation method Methods 0.000 claims description 21
- 238000010276 construction Methods 0.000 claims description 5
- 210000002569 neuron Anatomy 0.000 description 34
- 210000000225 synapse Anatomy 0.000 description 29
- 239000011159 matrix material Substances 0.000 description 18
- 230000000946 synaptic effect Effects 0.000 description 12
- 238000010586 diagram Methods 0.000 description 11
- 230000009123 feedback regulation Effects 0.000 description 11
- 238000013507 mapping Methods 0.000 description 10
- 238000012360 testing method Methods 0.000 description 8
- 230000006870 function Effects 0.000 description 7
- 230000004913 activation Effects 0.000 description 5
- 238000012937 correction Methods 0.000 description 5
- 238000003062 neural network model Methods 0.000 description 5
- 238000013528 artificial neural network Methods 0.000 description 4
- 230000000739 chaotic effect Effects 0.000 description 4
- 230000007246 mechanism Effects 0.000 description 4
- 239000013598 vector Substances 0.000 description 4
- 238000004422 calculation algorithm Methods 0.000 description 3
- 230000001186 cumulative effect Effects 0.000 description 3
- 238000005315 distribution function Methods 0.000 description 3
- 238000005516 engineering process Methods 0.000 description 3
- 238000005259 measurement Methods 0.000 description 3
- 238000007781 pre-processing Methods 0.000 description 3
- 230000001427 coherent effect Effects 0.000 description 2
- 230000008569 process Effects 0.000 description 2
- 238000012545 processing Methods 0.000 description 2
- 230000001105 regulatory effect Effects 0.000 description 2
- 238000000926 separation method Methods 0.000 description 2
- 230000008859 change Effects 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 230000001939 inductive effect Effects 0.000 description 1
- 238000012821 model calculation Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 238000012549 training Methods 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
-
- G—PHYSICS
- G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
- G16Z—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS, NOT OTHERWISE PROVIDED FOR
- G16Z99/00—Subject matter not provided for in other main groups of this subclass
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- General Health & Medical Sciences (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Evolutionary Computation (AREA)
- Artificial Intelligence (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Health & Medical Sciences (AREA)
- Position Fixing By Use Of Radio Waves (AREA)
Abstract
本发明提供一种基于用户需求分级的ARAIM可用性预测方法及装置，预测方法包括：获取用户对导航精度的需求信息；根据所述需求信息，确定对所述ARAIM的可用性进行预测的预测方式；根据所述预测方式，计算得到所述ARAIM是否可用的判定参数；将所述判定参数与预设阈值进行比较，确定所述ARAIM的可用性。本发明根据用户需求信息采用不同预测方式对ARAIM的可用性进行预测，提高对ARAIM的可用性进行预测的效率以及准确性。
Description
技术领域
本发明涉及卫星导航领域，尤其涉及一种基于用户需求分级的ARAIM可用性预测方法及装置。
背景技术
目前，全球导航卫星系统(Global Navigation Satellite System,简称GNSS)技术在航空领域得到广泛的应用，为全世界各地的用户提供稳定的、精确的位置信息，但发送导航数据的卫星或星座均可能出现故障，导致确定的位置信息不够准确。此时，需要利用高级接收机自主完好性监测技术(Advanced Receiver Autonomous Integrity Monitoring,简称ARAIM)。ARAIM是新一代卫星导航完好性监测技术，通过ARAIM算法能够有效地检测故障和识别故障卫星，提高定位精度。在使用ARAIM进行导航定位之前，应先对ARAIM可用性进行预测，即判断通过ARAIM算法计算的保护级是在告警阈值以内。若保护级在告警阈值内，则允许使用全球导航卫星系统发送的导航数据，否则，放弃卫星导航使用其他导航设备。
现有技术在计算保护级时没有同时考虑用户对预测结果的实时性要求和精度模式，导致对实时性要求高的用户获取预测结果用时过长，而对于精度模式高的用户获取的预测结果误差较大，导致不能有效预测ARAIM可用性。因此，亟需一种基于用户需求分级的预测ARAIM可用性的方法。
发明内容
本发明提供一种基于用户需求分级的ARAIM可用性预测方法及装置，以解决现有技术中对ARAIM的可用性进行预测时没有考虑用户对导航精度的需求信息，造成预测效率低的缺陷。
本发明第一个方面提供一种基于用户需求分级的ARAIM可用性预测方法，包括：
获取用户对导航精度的需求信息；
根据所述需求信息，确定对所述ARAIM的可用性进行预测的预测方式；
根据所述预测方式，计算得到所述ARAIM是否可用的判定参数；
将所述判定参数与预设阈值进行比较，确定所述ARAIM的可用性。
本发明另一个方面提供一种基于用户需求分级的ARAIM可用性预测装置，包括：获取模块、确定模块、计算模块、比较模块；
其中，所述获取模块，用于获取用户对导航精度的需求信息；
所述确定模块，用于根据所述需求信息，确定对所述ARAIM的可用性进行预测的预测方式；
所述计算模块，用于根据所述预测方式，计算得到所述ARAIM是否可用的判定参数；
所述比较模块，用于将所述判定参数与预设阈值进行比较，确定所述ARAIM的可用性。
由上述技术方案可知，本发明提供一种基于用户需求分级的ARAIM可用性预测方法及装置，通过获取用户对导航精度的需求信息，根据所述需求信息，确定对所述ARAIM的可用性进行预测的预测方式，根据所述预测方式，计算得到所述ARAIM是否可用的判定参数，将所述判定参数与预设阈值进行比较，确定所述ARAIM的可用性。本发明根据用户需求信息采用不同预测方式对ARAIM的可用性进行预测，提高对ARAIM的可用性进行预测的效率以及准确性。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作一简单地介绍，显而易见地，下面描述中的附图是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动性的前提下，还可以根据这些附图获得其他的附图。
图1为本发明实施例一提供的一种基于用户需求分级的ARAIM可用性预测方法的流程示意图；
图2为本发明实施例二提供的一种基于用户需求分级的ARAIM可用性预测方法的流程示意图；
图3为本发明实施例三提供的一种基于用户需求分级的ARAIM可用性预测方法的流程示意图；
图4为本发明实施例四提供的一种基于用户需求分级的ARAIM可用性预测装置的结构示意图；
图5为本发明实施例五提供的一种基于用户需求分级的ARAIM可用性预测装置的结构示意图；
图6为本发明实施例六提供的一种基于用户需求分级的ARAIM可用性预测装置的结构示意图。
具体实施方式
为使本发明实施例的目的、技术方案和优点更加清楚，下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例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作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。
实施例一
图1为本发明实施例一提供的一种基于用户需求分级的ARAIM可用性预测方法的流程示意图，如图1所示，本实施例的方法可以包括：
步骤101：获取用户对导航精度的需求信息；
用户使用ARAIM进行导航定位前，首先需要对ARAIM可用性进行预测。用户对导航精度的需求信息不同时，就需要使用不同的预测方式对ARAIM的可用性进行预测。
在实际应用中，有的用户希望获取导航精度低的ARAIM的可用性预测结果，此时得到预测结果的用时短，以使用户及时预测ARAIM的可用性。有的用户希望获取导航精度很高的ARAIM的可用性预测结果，此时得到预测结果的用时相比获取导航精度略低的ARAIM的可用性预测结果较长。因此，根据不同用户对于导航精度的需求，用户对于导航精度的需求信息包括：低精度需求信息、高精度需求信息。
步骤102：根据需求信息，确定对ARAIM的可用性进行预测的预测方式；
若用户对导航精度的需求信息为低精度需求信息，即对运算结果的精度要求不高，则在对ARAIM的可用性进行预测时可以采用简化运算步骤、预先建立预测模型等预测方式，以加快计算和预测速度。
若用户对导航精度的需求信息为高精度需求信息，即对运算结果的精度要求很高，则可采用通过增加运算过程来消除预测误差的预测方式，以使用户获取的预测结果更加精确。
步骤103：根据预测方式，计算得到ARAIM是否可用的判定参数；
在实际应用中，ARAIM的可用性是通过计算ARAIM是否可用的判定参数来确定的，具体包括保护级(Protection Level，简称PL)。保护级用来表示导航卫星获取的卫星数据通过ARAIM算法计算出的位置信息偏离飞行器真实位置的偏离程度。不同的预测方式采用的计算原理和计算公式均有不同。
步骤104：将判定参数与预设阈值进行比较，确定ARAIM的可用性。
由于ARAIM是否可用的判定参数表示的是计算值与实际值的误差值，就需要判断误差值是否在可允许的范围内。若误差值在可允许范围内，则认为ARAIM系统可用；若误差值过大，则表明ARAIM系统不可用。具体来说，通过预设阈值来表示系统可允许的最大误差值，则将ARAIM是否可用的判定参数与预设阈值进行比较，以此确定ARAIM的可用性。
本实施例通过获取用户对导航精度的需求信息，根据所述需求信息，确定对所述ARAIM的可用性进行预测的预测方式，根据所述预测方式，计算得到所述ARAIM是否可用的判定参数，将所述判定参数与预设阈值进行比较，确定所述ARAIM的可用性。本实施例根据用户需求信息采用不同预测方式对ARAIM的可用性进行预测，提高对ARAIM的可用性进行预测的效率以及准确性。
实施例二
图2为本发明实施例二提供的一种基于用户需求分级的ARAIM可用性预测方法的流程示意图，如图2所示，本实施例的方法可以包括：
步骤201：获取用户对导航精度的需求信息；
用户使用ARAIM进行导航定位前，首先需要对ARAIM可用性进行预测。用户对导航精度的需求信息不同时，就需要使用不同的预测方式对ARAIM的可用性进行预测。
在实际应用中，有的用户希望获取导航精度低的ARAIM的可用性预测结果，此时得到预测结果的用时短，以使用户及时预测ARAIM的可用性。有的用户希望获取导航精度很高的ARAIM的可用性预测结果，此时得到预测结果的用时相比获取导航精度略低的ARAIM的可用性预测结果较长。因此，根据不同用户对于导航精度的需求，用户对于导航精度的需求信息包括：低精度需求信息、高精度需求信息。
步骤202：根据需求信息，确定对ARAIM的可用性进行预测的预测方式为第一预测方式；
若用户对导航精度的需求信息为低精度需求信息，即对运算结果的精度要求不高，则在对ARAIM的可用性进行预测时可以采用简化运算步骤、预先建立预测模型等预测方式，以加快计算和预测速度。此时，采用第一预测方式对ARAIM可用性进行预测。具体的，第一预测方式可以为预先建立ARAIM可用性预测模型的方式，其中，预测模型可以采用神经网络模型来实现。
神经网络是受到生物学启发而建立的一种计算结构，是由简单处理元构成的规模宏大的并行分布式处理器。神经网络有着各种各样的应用，例如信息分类、数据处理、时间序列建模和预测等。
本实施例利用神经网络任意函数的逼近特性，根据从中国民用航空局空中交通管理局网站得到历史星历数据建立神经网络模型并对神经网络模型进行训练，当训练满足条件后，得到最优的ARAIM可用性预测模型。
步骤203：获取用户的运动信息，根据运动信息确定判定参数的属性；
用户的运动状态不同，确定ARAIM是否可用的判定参数的属性也不同。
举例来说，对于在地面上运动的用户来说，其在垂直方向上的移动并不明显，因此主要考虑确定ARAIM是否可用的判定参数在水平方向上的误差是否在允许范围内即可。而对于空中飞行的用户来说，同时需要考虑确定ARAIM是否可用的判定参数在垂直方向上的误差是否在允许范围内。更进一步地，对于空中飞行的用户来说，用户可以在进行导航定位时获取测距信息，即导航卫星到飞机接收机的距离。由于电离层延迟，测距信息会产生误差，而用户测距误差的大小影响着用户最终获取的导航信息的精度。为了进一步提高ARAIM可用性预测的精确度，需要考虑确定ARAIM是否可用的判定参数中的测距误差是否在允许范围内。
因此，对于水平方向运动的用户主要考虑预测水平保护级(HorizontalProtection Level，简称HPL)；对于在三维空间运动的用户，不仅要考虑HPL，更重要的是预测垂直保护级(Vertical Protection Level,简称VPL)。进一步地，对于在三维空间运动的用户，为了监测测距误差，同时提高ARAIM可用性预测的精确度，还可以预测有效监测阈值(Effective Monitor Threshold,简称EMT)。
本实施例中，用户的运动信息包括：水平方向运动信息、垂直方向运动信息、距离信息；判定参数的属性包括：水平保护级需求的参数、垂直保护级需求的参数、有效监测阈值需求的参数。
其中，若获取用户的运动信息为水平方向运动信息，则确定判定参数的属性为水平保护级需求的参数。具体的，水平方向运动信息指东、北、天坐标系中东方向上和北方向上的运动信息。
若获取用户的运动信息为垂直方向运动信息，则确定判定参数的属性为垂直保护级需求的参数。具体的，垂直方向运动信息指东、北、天坐标系中天方向上的运动信息。
若获取用户的运动信息为距离信息，则确定判定参数的属性为有效监测阈值需求的参数。
步骤204：根据判定参数的属性，确定获取历史星历数据的历史时长；
由于判定参数的属性不同，相应的计算判定参数的数据量也不同。根据判定参数的属性，预先在中国民用航空局空中交通管理局网站获取的半年至两年内的历史星历数据，作为建立预测模型的原始数据。其中，历史星历数据包括卫星轨道半径，轨道倾角，卫星钟差等参数。通过历史星历数据可以确定卫星轨道位置、卫星转速、飞行体位置、飞行体速度和所在位置的时间等信息。
作为一种可选的实施方式，若判定参数的属性为水平保护级需求的参数，则确定获取历史星历数据的历史时长为第一时长。其中，第一时长可以为距今半年内的历史星历数据。
作为另一种可选的实施方式，若判定参数的属性为垂直保护级需求的参数，则确定获取历史星历数据的历史时长为第二时长。其中，第二时长可以为距今一年内的历史星历数据。
作为又一种可选的实施方式，若判定参数的属性为有效监测阈值需求的参数，则确定获取历史星历数据的历史时长为第三时长。其中，第三时长可以为距今两年内的历史星历数据。
步骤205：根据获取到的历史时长内的星历数据，建立ARAIM可用性预测模型；
本实施例中，通过对获取的历史星历数据进行预处理，再输入神经网络模型的输入层与激活函数相乘后传输到隐藏层，隐藏层将处理后的数据传输到输出层，最后将输出值再与预设的目标值比较，得到误差。其中，激活函数为通过诱导局部域定义神经元输出的函数，即神经元的突触权值。使用误差修正调节神经网络模型中的神经元的突触权值，修正调节以一步步逼近的方式使得输出值靠近目标值，直到即神经元的突触权值稳定，即可停止学习，此时认为通过ARAIM可用性预测模型计算获取的ARAIM可用性预测判定参数的误差是最小的，即认为建立了最优的ARAIM可用性预测模型。
具体的，当确定所述判定参数的属性为水平保护级需求的参数时，相应根据第一时长内的星历数据，建立第一ARAIM可用性预测模型。
建立第一ARAIM可用性预测模型，具体包括：
将距今半年内的历史星历数据做预处理，获取伪距数据；
利用公式一计算伪距在水平方向上的标准差；
公式一：
其中，σq为伪距在水平方向上的标准差；G为可见卫星的几何矩阵；W为加权矩阵；q表示东北天坐标系中的水平方向；q＝1表示东北天坐标系中的东方向；q＝2表示东北天坐标系中的北方向。
利用公式二计算第一ARAIM可用性预测模型的输入层到隐藏层的激活函数，即神经元的突触权值；
公式二：
Kmd，q为初始的第一ARAIM可用性预测模型神经元的突触权值；Pr(HMIHOR-free)为危险误导信息概率在水平方向上的分量分配在各无故障卫星中的概率；Q表示零均值单位高斯累积分布函数；q表示东北天坐标系中的水平方向；q＝1表示东北天坐标系中的东方向，q＝2表示东北天坐标系中的北方向。此时，假设危险误导信息概率在水平方向上的分量平等地分配到星座中各个无故障卫星中，即认为每个卫星发生故障的概率是相同的，故其中，N表示星座中可见卫星的数量；Pr(HMIHOR)是危险误导信息概率在水平方向上的分量。
将伪距在水平方向上的标准差作为输入值，利用公式三计算判定参数的测试输出值；
公式三：
其中，HPLout1，q为判定参数的测试输出值；Kmd，q为初始的第一ARAIM可用性预测模型神经元的突触权值；σq为伪距在水平方向上的标准差；s表示伪距在水平方向上的映射矩阵；i为卫星标识；q表示东北天坐标系中的水平方向；q＝1表示东北天坐标系中的东方向；q＝2表示东北天坐标系中的北方向；bnom(i)表示卫星i的标称偏差。其中，S＝|(GTWG)-1GTW|；G为伪距的几何矩阵；W为伪距的加权矩阵。
获取与历史星历数据的时间对应的精密星历数据，其中，精密星历数据为全球播报星历的机构播报的精度极高的星历数据。本实施例就是利用精密星历数据的误差极小的特性，将精密星历数据作为判定参数的目标输出值。
将判定参数的输出值与判定参数的目标输出值比较，利用公式四计算误差数据，利用误差数据对神经元的突触权值作反馈调节，使得误差数据逐步减小，最终保持稳定。
公式四：HPLerror,q＝HPLout1,q-HPLexpect，q；
其中，HPLerror,q为判定参数的误差；HPLout1，q为判定参数的测试输出值；HPLexpect，q为判定参数的目标输出值；q表示东北天坐标系中的水平方向，q＝1表示东北天坐标系中的东方向，q＝2表示东北天坐标系中的北方向。
利用公式五对神经元的突触权值进行反馈调节；
公式五：
其中，Krep,q为反馈调节中的第一ARAIM可用性预测模型的神经元的突触权值；HPLerror,q为判定参数的误差；σq为伪距在水平方向上的标准差；q表示东北天坐标系中的水平方向，q＝1表示东北天坐标系中的东方向，q＝2表示东北天坐标系中的北方向。
继续将经过预处理的历史星历数据作为输入数据，将反馈调节后的神经元的突触权值代替公式三中的初始突触权值，得到相应的输出数据和误差数据，利用误差数据调节突触权值。不断重复以上步骤，通过误差数据对神经元的突触权值进行反复调节，一步步逼近最优模型直到突触权值的数值稳定，得到最优的第一ARAIM可用性预测模型的神经元的突触权值Kfinal,q，其中，q表示东北天坐标系中的水平方向，q＝1表示东北天坐标系中的东方向，q＝2表示东北天坐标系中的北方向。
则此时，采用公式六计算判定参数在东北天坐标系中东方向上和北方向上的输出值；
公式六：
其中，HPLout2，q为判定参数在水平方向上的输出值；Kfinal,q为最优的第一ARAIM可用性预测模型的神经元的突触权值；σq为伪距在水平方向上的标准差；s表示伪距在水平方向上的映射矩阵；i为卫星标识；q表示东北天坐标系中的水平方向；q＝1表示东北天坐标系中的东方向；q＝2表示东北天坐标系中的北方向；bnom(i)表示卫星i的标称偏差。其中，s＝|(GTWG)-1GTW|；G为伪距的几何矩阵；W为伪距的加权矩阵。
采用公式七建立得到第一ARAIM可用性预测模型；
公式七：
其中，HPLout为判定参数输出值；HPLout2,1为判定参数在东北天坐标系中的东方向的输出值；HPLout2,2为判定参数在东北天坐标系中的北方向的输出值。
上述实施方式中，由于初始的突触权值被认为是危险误导信息概率在水平方向上的分量被平均的分配在各无故障卫星中而计算出的。但实际应用中，每颗卫星发生故障的概率是不均等的。通过将判定参数的输出值与经过精密修正的精密星历数据比较，得到误差数据的大小，进而通过误差数据反复调节突触权值的数值，使其更加接近真实情况。通过获取误差更小的突触权值，减小了计算ARAIM可用性预测判定参数时的误差，从而精确地判断ARAIM可用性。
可选的，当确定所述判定参数的属性为垂直保护级需求的参数时，相应可以根据第二时长内的星历数据，建立第二ARAIM可用性预测模型。
建立第二ARAIM可用性预测模型，具体包括：
将距今一年内的历史星历数据做预处理，获取伪距数据；
利用公式八计算伪距在垂直方向上的标准差；
公式八：
其中，σ3为伪距在垂直方向上的标准差；G为可见卫星的几何矩阵；W为加权矩阵。
利用公式九计算第二ARAIM可用性预测模型的输入层到隐藏层的激活函数，即神经元的突触权值；
公式九：
Kmd，3为初始的第二ARAIM可用性预测模型的神经元的突触权值；Pr(HMIVERT_free)为危险误导信息概率在垂直方向上的分量分配在各无故障卫星中的概率；Q表示零均值单位高斯累积分布函数。此时，假设危险误导信息概率在垂直方向上的分量平等地分配到星座中各个无故障卫星中，即认为每个卫星发生故障的概率是相同的，故其中，N表示星座中可见卫星的数量；Pr(HMIVERT)是危险误导信息概率在垂直方向上的分量。
将伪距在垂直方向上的标准差作为输入值，利用公式十计算判定参数的测试输出值；
公式十：
其中，HPLout1为判定参数的测试输出值；Kmd，3为初始的第二ARAIM可用性预测模型的神经元的突触权值；σ3为伪距在垂直方向上的标准差；s(3,i)表示垂直方向上的映射矩阵；i为卫星标识；bnom(i)表示卫星i的标称偏差。
获取与历史星历数据的时间对应的精密星历数据，其中，精密星历数据为全球播报星历的机构播报的精度极高的星历数据。本实施例就是利用精密星历数据的误差极小的特性，将精密星历数据作为判定参数的目标输出值。
将判定参数的输出值与判定参数的目标输出值比较，利用公式十一计算误差数据，利用误差数据对神经元的突触权值作反馈调节，使得误差数据逐步减小，最终保持稳定。
公式十一：VPLerror＝VPLout1-VPLexpect；
其中，VPLerror为判定参数的误差；VPLout1为判定参数的测试输出值；VPLexpect为判定参数的目标输出值。
利用公式十二对神经元的突触权值进行反馈调节；
公式十二：
其中，Krep,3为反馈调节中的第二ARAIM可用性预测模型的神经元的突触权值；VPLerror为判定参数的误差；σ3为伪距在垂直方向上的标准差。
继续将经过预处理的历史星历数据作为输入数据，将反馈调节后的神经元的突触权值代替公式十中的初始突触权值，得到相应的输出数据和误差数据，利用误差数据调节突触权值。不断重复以上步骤，通过误差数据对神经元的突触权值进行反复调节，一步步逼近最优模型直到突触权值的数值稳定，得到最优的第二ARAIM可用性预测模型的神经元的突触权值Kfinal,3。
则此时采用公式十三建立得到第二ARAIM可用性预测模型；
公式十三：
其中，HPLout为判定参数输出值；Kfinal,3为最优的第二ARAIM可用性预测模型的神经元的突触权值；σ3为伪距在垂直方向上的标准差；s(3,i)表示垂直方向上的映射矩阵；i为卫星标识；bnom(i)表示卫星i的标称偏差。
上述实施方式中，由于初始的突触权值被认为是危险误导信息概率在垂直方向上的分量被平均的分配在各无故障卫星中而计算出的。但实际应用中，每颗卫星发生故障的概率是不均等的。通过将判定参数的输出值与经过精密修正的精密星历数据比较，得到误差数据的大小，进而通过误差数据反复调节突触权值的数值，使其更加接近真实情况。通过获取误差更小的突触权值，减小了计算ARAIM可用性预测判定参数时的误差，从而精确地判断ARAIM可用性。
进一步的，当确定所述判定参数的属性为有效监测阈值需求的参数,时，相应可以根据第三时长内的星历数据，建立第三ARAIM可用性预测模型。
建立第三ARAIM可用性预测模型，具体包括：
将距今两年内的历史星历数据做预处理，获取伪距数据；
利用公式十四计算全视图解和容错解差值在垂直方向上的标准差；
公式十四：
其中，σss，3为全视图解和容错解差值在垂直方向上的标准差；Cacc为伪距误差对角矩阵；为容错解在垂直方向上的映射矩阵；为全视图解在垂直方向上的映射矩阵。
利用公式十五计算第三ARAIM可用性预测模型的输入层到隐藏层的激活函数，即神经元的突触权值；
公式十五：
Kfa,3为初始的第三ARAIM可用性预测模型的神经元的突触权值；Q表示零均值单位高斯累积分布函数；PFA_VERT表示误警概率在垂直方向上的分量；N表示星座中可见卫星的数量。
将全视图解和容错解差值在垂直方向上的标准差作为输入值，采用公式十六计算判定参数的输出值；
公式十六：EMTout1＝max(Kfa,3σss,3)；
其中，EMTout1为判定参数的测试输出值；Kfa,3为初始的第三ARAIM可用性预测模型的神经元的突触权值；σss,3为全视图解和容错解差值在垂直方向上的标准差。
获取与历史星历数据的时间对应的精密星历数据，其中，精密星历数据为全球播报星历的机构播报的精度极高的星历数据。本实施例就是利用精密星历数据的误差极小的特性，将精密星历数据作为判定参数的目标输出值。
将判定参数的输出值与判定参数的目标输出值比较，采用公式十七计算误差数据，利用误差数据对神经元的突触权值作反馈调节，使得误差数据逐步减小，最终保持稳定。
公式十七：EMTerror＝EMThope-EMTout1；
其中，EMTerror为判定参数的误差；EMTout1为判定参数的测试输出值；EMThope为判定参数的目标输出值。
利用公式十八对神经元的突触权值进行反馈调节；
公式十八：
其中，Kre_fa,3为反馈调节中第三ARAIM可用性预测模型的神经元的突触权值；EMTerror为判定参数的误差；σss,3为全视图解和容错解差值在垂直方向上的标准差。
继续将经过预处理的历史星历数据作为输入数据，将反馈调节后的第三ARAIM可用性预测模型的神经元的突触权值代替公式十六中的初始突触权值，得到相应的输出数据和误差数据，利用误差数据调节突触权值。不断重复以上步骤，通过误差数据对神经元的突触权值进行反复调节，一步步逼近最优模型直到突触权值的数值稳定，得到最优的第三ARAIM可用性预测模型的神经元的突触权值Kfinal_fa,3。
则此时采用公式十九建立得到第三ARAIM可用性预测模型；
公式十九：EMTout＝max(Kfinal_fa,3σss,3)；
其中，EMTout为判定参数输出值；Kfinal_fa,3为最优的第三ARAIM可用性预测模型的神经元的突触权值；σss,3为全视图解和容错解差值在垂直方向上的标准差。
上述实施方式中，由于初始的突触权值被认为是误警概率在垂直方向上的分量被平均的分配在各无故障卫星中而计算出的。但实际应用中，每颗卫星发生故障的概率是不均等的。通过将判定参数的输出值与经过精密修正的精密星历数据比较，得到误差数据的大小，进而通过误差数据反复调节突触权值的数值，使其更加接近真实情况。通过获取误差更小的突触权值，减小了计算ARAIM可用性预测判定参数时的误差，从而精确地判断ARAIM可用性。
步骤206：获取用户的实时导航数据，将实时导航数据输入到ARAIM可用性预测模型中，计算得到ARAIM是否可用的判定参数；
根据经神经网络调节后获取的ARAIM可用性预测模型，将用户的实时导航数据直接输入预测模型，可以快速获取ARAIM是否可用的判定参数。
具体的，当确定判定参数的属性为水平保护级需求的参数时，相应的将实时导航数据输入到第一ARAIM可用性预测模型中，计算得到水平保护级参数。
当确定所述判定参数的属性为垂直保护级需求的参数时，相应的将实时导航数据输入到第二ARAIM可用性预测模型中，计算得到垂直保护级参数。
当确定所述判定参数的属性为有效监测阈值需求的参数时，相应的将实时导航数据输入到第三ARAIM可用性预测模型中，计算得到有效监测阈值参数。
可选的，当确定所述判定参数的属性为水平保护级需求和垂直保护级需求的参数时，将实时导航数据输入到第一ARAIM可用性预测模型和第二ARAIM可用性预测模型中，计算得到水平保护级参数和垂直保护级参数。
进一步的，当确定所述判定参数的属性为水平保护级需求、垂直保护级需求的参数和有效监测阈值需求的参数时，将实时导航数据输入到第一ARAIM可用性预测模型、第二ARAIM可用性预测模型和第三ARAIM可用性预测模型中，计算得到水平保护级参数、垂直保护级参数和有效监测阈值参数。
通过同时计算不同属性的ARAIM是否可用的判定参数，在满足不同用户需求的同时增强了预测ARAIM可用性的精确度。
步骤207：将判定参数与预设阈值进行比较，确定ARAIM的可用性。
由于ARAIM是否可用的判定参数表示的是计算值与实际值的误差值，就需要判断误差值是否在可允许的范围内。若误差值在可允许范围内，则认为ARAIM系统可用；若误差值过大，则表明ARAIM系统不可用。具体来说，通过预设阈值来表示系统可允许的最大误差值，则将ARAIM是否可用的判定参数与预设阈值进行比较，以此确定ARAIM的可用性。
本实施例中，判定参数可以包括：水平保护级参数、垂直保护级参数、有效监测阈值参数。
其中，水平保护级参数的预设阈值可以设置为40米，垂直保护级参数的预设阈值可以设置为35米，有效监测阈值参数的预设阈值可以设置为不超过15米。将判定参数与预设阈值进行比较，若判定参数大于预设阈值则表示ARAIM不可用；若判定参数小于预设阈值则表示ARAIM可用。同时在判定参数小于预设阈值情况下，判定参数值越小，表示ARAIM可用性越高。
本实施例通过获取用户对导航精度的需求信息，根据所述需求信息，确定对所述ARAIM的可用性进行预测的预测方式为建立ARAIM可用性预测模型的预测方式。通过获取用户的运动信息，根据所述运动信息确定所述判定参数的属性；根据所述判定参数的属性，确定获取历史星历数据的历史时长；根据获取到的所述历史时长内的星历数据，建立ARAIM可用性预测模型；将所述实时导航数据输入到所述ARAIM可用性预测模型中，计算得到所述ARAIM是否可用的判定参数。将所述判定参数与预设阈值进行比较，确定所述ARAIM的可用性。本实施例根据将实时导航数据输入预先建立的ARAIM可用性预测模型，可以快速获取ARAIM是否可用的判定参数，提高对ARAIM的可用性进行预测的效率以及准确性。
实施例三
图3为本发明实施例三提供的一种基于用户需求分级的ARAIM可用性预测方法的流程示意图，如图3所示，本实施例的方法可以包括：
步骤301：获取用户对导航精度的需求信息；
用户使用ARAIM进行导航定位前，首先需要对ARAIM可用性进行预测。用户对导航精度的需求信息不同时，就需要使用不同的预测方式对ARAIM的可用性进行预测。
在实际应用中，有的用户希望获取导航精度低的ARAIM的可用性预测结果，此时得到预测结果的用时短，以使用户及时预测ARAIM的可用性。有的用户希望获取导航精度很高的ARAIM的可用性预测结果，此时得到预测结果的用时相比获取导航精度略低的ARAIM的可用性预测结果较长。因此，根据不同用户对于导航精度的需求，用户对于导航精度的需求信息包括：低精度需求信息、高精度需求信息。
步骤302：根据需求信息，确定预测方式为第二预测方式；
若用户对导航精度的需求信息为高精度需求信息，即对运算结果的精度要求很高，则可采用通过增加运算过程来消除预测误差的预测方式，以使用户获取的预测结果更加精确。
此时，采取第二预测方式对ARAIM可用性进行预测。
具体地，第二预测方式可以为相空间重构预测方式。
相空间重构基本原理为：卫星播报的星历数据是满足混沌非线性的时间序列，通过在高维相空间中恢复混沌吸引子，在一批仅仅与时间有关的混沌数据中提取和恢复出系统原来的规律，这种规律就是高维空间下的一种轨迹。混沌吸引子作为混沌系统的特征之一，体现着混沌系统的规律性。也就是说，由一个混沌系统产生的轨迹，经过一定时期的变化后，最终会做一种有规律的运动，产生一种规则的、有形的轨迹。通过相空间重构找到星历数据的规律性，就能准确地进行星历预测。
具体的，本实施例中使用的相空间重构的方法可以理解为在历史上寻找情况最相近的点。利用相空间中轨迹的最后一点作为所需的中心点，把离中心点最近的一些轨迹点作为其相干点，然后对这些相干点进行拟合，再根据拟合结果估计下一点的走向，最后从预测出的轨迹点走向的坐标中分离出预测值。
步骤303：根据用户的实时导航数据，确定获取精密星历数据的历史时长；
实时导航数据是与时间一一对应的，根据获取实时导航数据的时刻，确定获取精密星历数据的历史时长为该时刻之前的两年内。
步骤304：根据获取到的历史时长内的精密星历数据，建立相空间重构序列；
本实施例的精密星历数据采用全球播报星历的机构播报的精度极高的星历数据，利用精密星历数据的误差极小的特性，将精密星历数据作为建立相空间重构序列的原始数据。根据精密星历数据建立相空间重构序列时，不同时刻的精密星历数据在相空间重构序列中的预测权重是不同的。
首先，对于精密星历数据进行加权处理；考虑到卫星在越短的时间段内移动的距离不大，因此在建立相空间重构序列可以优先选取与待预测时刻相距较近的时刻的精密星历数据。即时间越近，精密星历数据与待预测时刻的星历数据越相近。
因此对于一组精密星历，其最新观察值将会比早期观察值有更加多的信息，为了处理给定的星历数据中的不等的信息量，本实施例中将首先对于精密星历数据进行加权处理。与待预测时刻相距越近，精密星历数据星历其权重越大，在预测中起到的作用也就越大。本实施例中精密星历数据的权重取值为相应的星历数据误差的标准差的倒数。精密星历数据的误差越小，其所对应的权重值也就越大。精密星历数据主要包括位置坐标信息和卫星钟差信息。因此选取若干加权之后的精密星历数据得到的输入序列包括：坐标信息序列和卫星钟差序列。具体地，坐标信息序列包括：东北天坐标系中东方向的坐标序列、东北天坐标系中北方向的坐标序列、东北天坐标系中天方向的坐标序列。
建立如公式二十所示的相空间重构序列；
公式二十：X(n)＝[X(n),X(n+τ),…,X(n+(m-1)τ)]；
其中，X(n)为相空间重构序列中的空间轨迹点；m为嵌入维度；τ为延迟时间。
在相空间重构序列中选取一个空间轨迹中心点XM，通常选取与待预测时刻相距最近的时刻对应的空间轨迹点。同时计算相空间重构序列中多个空间轨迹领域点到空间轨迹中心点的欧式距离。
步骤305：根据相空间重构序列，获取实时导航数据的预测星历数据；
采用公式二十一获取待预测的空间轨迹点的预测星历数据；
公式二十一：
其中，X(M+1)为待预测的空间轨迹点；XM为空间轨迹中心点；n为空间轨迹领域点的个数；di为空间轨迹邻域点到空间轨迹中心点的欧式空间距离；dm为空间轨迹邻域点到空间轨迹中心点的最小距离；A为可调参数，通常情况下A≥1。
将精密星历数据中的坐标信息序列和卫星钟差序列代入公式二十一，计算相应的预测星历数据。
具体的，将精密星历数据中东北天坐标系中东方向的坐标序列{xi,i＝1,2,…n}代入公式二十一，计算得到预测星历数据在东北天坐标系中东方向的预测星历数据xpre；
将精密星历数据中东北天坐标系中北方向的坐标序列{yi,i＝1,2,…n}代入公式二十一，计算得到预测星历数据在东北天坐标系中北方向的预测星历数据ypre；
将精密星历数据中东北天坐标系中天方向的坐标序列{zi,i＝1,2,…n}代入公式二十一，计算得到预测星历数据在东北天坐标系中天方向的预测星历数据zpre；
将精密星历数据中的卫星钟差序列{ti,i＝1,2,…n}代入公式二十一，计算得到预测星历数据的预测卫星钟差tpre。
步骤306：根据预测星历数据计算得到ARAIM是否可用的判定参数。
根据预测卫星钟差，采用公式二十二修正伪距；
公式二十二：ρc＝r+cδtu＝ρ-I-T-ερ+ctpre；
其中，ρc为修正后的伪距；r为卫星与接收机间的真实距离；δtu为接收机时钟误差；ρ为伪距；I为电离层误差；T为对流层误差；c为光速；ερ为由多径、接收机噪声等引起的多种误差；tpre为预测卫星钟差。
根据多组对应的修正后的伪距数据和预测星历数据，采用方程组一计算接收机的位置信息：
方程组一：
其中，为修正后的伪距，δtu为接收机时钟误差；c为光速；xpre (n)、ypre (n)、zpre (n)分别预测星历数据在东北天坐标系中东、北、天三个方向上的预测星历数据；x、y、z分别表示接收机在东、北、天三个方向上坐标分量。
根据计算得到的接收机的位置信息(x，y，z)，令表示接收机坐标向量。
根据接收机坐标向量采用公式二十三计算容错定位解和全视图解的映射矩阵：
公式二十三：
其中，为接收机在容错定位解的坐标向量；为接收机在全视图解的坐标向量；S(k)和S(0)分别表示容错定位解和全视图解的映射矩阵；Y为伪距测量值减去卫星位置和定位解之间的测量值。
根据容错解和全视图解在垂直方向上的映射矩阵，采用公式二十四计算全视图解和容错定位解的差值的标准差；
公式二十四:
其中，为全视图解和容错定位解的差值的标准差；Cacc是用于精度和连续性的伪距误差对角矩阵；和分别表示容错解和全视图解在垂直方向上的映射矩阵。
根据全视图解和容错定位解的差值的标准差，采用公式二十五计算解分离的监测阈值；
公式二十五：
其中，Kfa,q为导航卫星的误警概率系数；为全视图解和容错定位解的差值的标准差；q表示东北天坐标系中的水平方向，q＝1表示东北天坐标系中的东方向，q＝2表示东北天坐标系中的北方向。
联合采用公式二十六、公式二十七计算水平保护级参数；
公式二十六：
其中，HPLq为水平保护级参数在水平方向上的分量；为容错解的标称偏差；为全视图解的标称偏差；为容错解的标准差；为全视图解的标准差；Pfault,k为导航卫星的先验故障概率；Tk,q为解分离的监测阈值；PHMIHOR为危险信息误导概率在水平方向上的分量；q表示东北天坐标系中的水平方向；q＝1表示东北天坐标系中的东方向，q＝2表示东北天坐标系中的北方向。
公式二十七：
其中，HPL为水平保护级参数；HPL1为水平保护级参数在东北天坐标系中的东方向的分量；HPL2为水平保护级参数在东北天坐标系中的东方向的分量。
可选的，采用公式二十八计算垂直保护级参数；
公式二十八：
其中，VPL为垂直保护级参数；为容错解垂直方向上的的标称偏差；为全视图解垂直方向上的标称偏差；为容错解的标准差；为全视图解的标准差；Tk,3为解分离的监测阈值；Pfault,k为导航卫星先验故障概率；PHMIVERT为危险信息误导概率在垂直方向上的分量；Psat,notmonitored为未监测的卫星故障概率；Pconst,notmonitored为未监测的星座故障概率
进一步的，采用公式二十九计算有效监测阈值参数；
公式二十九：
其中，EMT为有效监测阈值参数，Tk,3为解分离的监测阈值，Kmd,EMT,K为导航卫星的漏检概率系数，为全视图解和容错解差值的标准差。
步骤307：将判定参数与预设阈值进行比较，确定ARAIM的可用性。
由于ARAIM是否可用的判定参数表示的是计算值与实际值的误差值，就需要判断误差值是否在可允许的范围内。若误差值在可允许范围内，则认为ARAIM系统可用；若误差值过大，则表明ARAIM系统不可用。具体来说，通过预设阈值来表示系统可允许的最大误差值，则将ARAIM是否可用的判定参数与预设阈值进行比较，以此确定ARAIM的可用性。
本实施例中，判定参数可以包括：水平保护级参数、垂直保护级参数、有效监测阈值参数。
其中，水平保护级参数的预设阈值可以设置为40米，垂直保护级参数的预设阈值可以设置为35米，有效监测阈值参数的预设阈值可以设置为不超过15米。将判定参数与预设阈值进行比较，若判定参数大于预设阈值则表示ARAIM不可用；若判定参数小于预设阈值则表示ARAIM可用。同时在判定参数小于预设阈值情况下，判定参数值越小，表示ARAIM可用性越高。
本实施例通过获取用户对导航精度的需求信息，根据所述需求信息，确定对所述ARAIM的可用性进行预测的预测方式为通过预测星历计算ARAIM是否可用的判定参数的预测方式。通过根据所述用户的实时导航数据，确定获取精密星历数据的历史时长；根据获取到的所述历史时长内的精密星历数据，建立相空间重构序列；根据所述相空间重构序列，获取所述实时导航数据的预测星历数据；根据所述预测星历数据计算得到所述ARAIM是否可用的判定参数。将所述判定参数与预设阈值进行比较，确定所述ARAIM的可用性。本实施例根据所述预测星历数据计算得到所述ARAIM是否可用的判定参数，提高对ARAIM的可用性进行预测的准确性。
实施例四
图4为本发明实施例四提供的一种基于用户需求分级的ARAIM可用性预测装置示意图，如图4所示，本实施例的装置可以包括：获取模块41、确定模块42、计算模块43、比较模块44；
其中，获取模块41，用于获取用户对导航精度的需求信息；
确定模块42，用于根据需求信息，确定对ARAIM的可用性进行预测的预测方式；
计算模块43，用于根据预测方式，计算得到ARAIM是否可用的判定参数；
比较模块44，用于将判定参数与预设阈值进行比较，确定ARAIM的可用性。
关于本实施例中的装置，其中各个模块执行操作的具体方式已经在有关该方法的实施例中进行了详细描述，此处将不做详细阐述说明。
本实施例通过获取用户对导航精度的需求信息，根据所述需求信息，确定对所述ARAIM的可用性进行预测的预测方式，根据所述预测方式，计算得到所述ARAIM是否可用的判定参数，将所述判定参数与预设阈值进行比较，确定所述ARAIM的可用性。本实施例根据用户需求信息采用不同预测方式对ARAIM的可用性进行预测，提高对ARAIM的可用性进行预测的效率以及准确性。
实施例五
图5为本发明实施例五提供的一种基于用户需求分级的ARAIM可用性预测装置示意图，如图5所示，本实施例的装置可以包括：获取模块51、确定模块52、计算模块53、比较模块54；
其中，获取模块51，用于获取用户对导航精度的需求信息；
确定模块52，用于根据需求信息，确定对ARAIM的可用性进行预测的预测方式；
计算模块53，用于根据预测方式，计算得到ARAIM是否可用的判定参数；
比较模块54，用于将判定参数与预设阈值进行比较，确定ARAIM的可用性。
可选的，确定模块52，具体用于：确定对预测方式为第一预测方式；
相应的，计算模块53包括：获取单元531、确定单元532、构建单元533、计算单元534；
其中，获取单元531，用于获取用户的运动信息，根据运动信息确定判定参数的属性；
确定单元532，用于根据判定参数的属性，确定获取历史星历数据的历史时长；
构建单元533，用于根据获取到的历史时长内的星历数据，建立ARAIM可用性预测模型；
计算单元534，用于获取用户的实时导航数据，将实时导航数据输入到ARAIM可用性预测模型中，计算得到ARAIM是否可用的判定参数。
进一步的，获取单元531，具体用于：获取水平方向运动信息，并确定判定参数的属性为水平保护级需求的参数；
相应的，确定单元532，用于根据水平保护级需求的参数，确定获取历史星历数据的历史时长为第一时长；
相应的，构建单元533，用于根据第一时长内的星历数据，建立第一ARAIM可用性预测模型；
相应的，计算单元534，用于获取用户的实时导航数据，将实时导航数据输入到第一ARAIM可用性预测模型中，计算得到水平保护级参数。
作为另一种可选的实施方式，获取单元531还用于：获取垂直方向运动信息，并确定判定参数的属性为垂直保护级需求的参数；
相应的，确定单元532还用于，根据垂直保护级需求的参数，确定获取历史星历数据的历史时长为第二时长；
相应的，构建单元533还用于，根据第二时长内的星历数据，建建立第二ARAIM可用性预测模型；
相应的，计算单元534还用于，获取用户的实时导航数据，将实时导航数据输入到第二ARAIM可用性预测模型中，计算得到垂直保护级参数。
作为又一种可选的实施方式，获取单元531还用于：获取距离信息，并确定判定参数的属性为有效监测阈值需求的参数；
相应的，确定单元532还用于，根据有效监测阈值需求的参数，确定获取历史星历数据的历史时长为第三时长；
相应的，构建单元533还用于，根据第三时长内的星历数据，建立第三ARAIM可用性预测模型；
相应的，计算单元534还用于，获取用户的实时导航数据，将实时导航数据输入到第三ARAIM可用性预测模型中，计算得到有效监测阈值参数。
关于本实施例中的装置，其中各个模块执行操作的具体方式已经在有关该方法的实施例中进行了详细描述，此处将不做详细阐述说明。
本实施例通过获取用户对导航精度的需求信息，根据所述需求信息，确定对所述ARAIM的可用性进行预测的预测方式为建立ARAIM可用性预测模型的预测方式。通过获取用户的运动信息，根据所述运动信息确定所述判定参数的属性；根据所述判定参数的属性，确定获取历史星历数据的历史时长；根据获取到的所述历史时长内的星历数据，建立ARAIM可用性预测模型；将所述实时导航数据输入到所述ARAIM可用性预测模型中，计算得到所述ARAIM是否可用的判定参数。将所述判定参数与预设阈值进行比较，确定所述ARAIM的可用性。本实施例根据将实时导航数据输入预先建立的ARAIM可用性预测模型，可以快速获取ARAIM是否可用的判定参数，提高对ARAIM的可用性进行预测的效率以及准确性。
实施例六
图6为本发明实施例六提供的一种基于用户需求分级的ARAIM可用性预测装置示意图，如图6所示，本实施例的装置可以包括：获取模块61、确定模块62、计算模块63、比较模块64；
其中，获取模块61，用于获取用户对导航精度的需求信息；
确定模块62，用于根据需求信息，确定对ARAIM的可用性进行预测的预测方式；
计算模块63，用于根据预测方式，计算得到ARAIM是否可用的判定参数；
比较模块64，用于将判定参数与预设阈值进行比较，确定ARAIM的可用性。
可选的，确定模块62，具体用于：确定预测方式为第二预测方式；
相应的，计算模块63包括：确定单元631、构建单元632、预测单元633、计算单元634；
其中，确定单元631，用于根据用户的实时导航数据，确定获取精密星历数据的历史时长；
构建单元632，用于根据获取到的历史时长内的精密星历数据，建立相空间重构序列；
预测单元633，用于根据相空间重构序列，获取实时导航数据的预测星历数据；
计算单元634，用于根据预测星历数据计算得到ARAIM是否可用的判定参数。
关于本实施例中的装置，其中各个模块执行操作的具体方式已经在有关该方法的实施例中进行了详细描述，此处将不做详细阐述说明。
本实施例通过获取用户对导航精度的需求信息，根据所述需求信息，确定对所述ARAIM的可用性进行预测的预测方式为通过预测星历计算ARAIM是否可用的判定参数的预测方式。通过根据所述用户的实时导航数据，确定获取精密星历数据的历史时长；根据获取到的所述历史时长内的精密星历数据，建立相空间重构序列；根据所述相空间重构序列，获取所述实时导航数据的预测星历数据；根据所述预测星历数据计算得到所述ARAIM是否可用的判定参数。将所述判定参数与预设阈值进行比较，确定所述ARAIM的可用性。本实施例根据所述预测星历数据计算得到所述ARAIM是否可用的判定参数，提高对ARAIM的可用性进行预测的准确性。
本领域普通技术人员可以理解：实现上述方法实施例的全部或部分步骤可以通过程序指令相关的硬件来完成，前述的程序可以存储于一计算机可读取存储介质中，该程序在执行时，执行包括上述方法实施例的步骤；而前述的存储介质包括：ROM、RAM、磁碟或者光盘等各种可以存储程序代码的介质。
最后应说明的是：以上实施例仅用以说明本发明的技术方案，而非对其限制；尽管参照前述实施例对本发明进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分技术特征进行等同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本发明各实施例技术方案的范围。
Claims (8)
1.一种基于用户需求分级的ARAIM可用性预测方法，其特征在于，包括：
获取用户对导航精度的需求信息；
根据所述需求信息，确定对所述ARAIM的可用性进行预测的预测方式；
根据所述预测方式，计算得到所述ARAIM是否可用的判定参数；
将所述判定参数与预设阈值进行比较，确定所述ARAIM的可用性；
其中，所述预测方式为第一预测方式，则所述根据所述预测方式，计算得到所述ARAIM是否可用的判定参数，包括：
获取用户的运动信息，根据所述运动信息确定所述判定参数的属性；
根据所述判定参数的属性，确定获取历史星历数据的历史时长；
根据获取到的所述历史时长内的星历数据，建立ARAIM可用性预测模型；
获取所述用户的实时导航数据，将所述实时导航数据输入到所述ARAIM可用性预测模型中，计算得到所述ARAIM是否可用的判定参数。
2.根据权利要求1所述的方法，其特征在于，所述获取用户的运动信息，根据所述运动信息确定所述判定参数的属性，包括：
所述运动信息为水平方向运动信息，则确定所述判定参数的属性为水平保护级需求的参数；
相应的，所述根据所述判定参数的属性，确定获取历史星历数据的历史时长，包括：
根据所述水平保护级需求的参数，确定获取历史星历数据的历史时长为第一时长；
相应的，所述根据获取到的所述历史时长内的星历数据，建立ARAIM可用性预测模型，包括：
根据所述第一时长内的星历数据，建立第一ARAIM可用性预测模型；
相应的，所述获取所述用户的实时导航数据，将所述实时导航数据输入到所述ARAIM可用性预测模型中，计算得到所述ARAIM是否可用的判定参数，包括：
获取所述用户的实时导航数据，将所述实时导航数据输入到所述第一ARAIM可用性预测模型中，计算得到水平保护级参数。
3.根据权利要求1所述的方法，其特征在于，所述获取用户的运动信息，根据所述运动信息确定所述判定参数的属性，包括：
所述运动信息为垂直方向运动信息，则确定所述判定参数的属性为垂直保护级需求的参数；
相应的，所述根据所述判定参数的属性，确定获取历史星历数据的历史时长，包括：
根据所述垂直保护级需求的参数，确定获取历史星历数据的历史时长为第二时长；
相应的，所述根据获取到的所述历史时长内的星历数据，建立ARAIM可用性预测模型，包括：
根据所述第二时长内的星历数据，建立第二ARAIM可用性预测模型；
相应的，所述获取所述用户的实时导航数据，将所述实时导航数据输入到所述ARAIM可用性预测模型中，计算得到所述ARAIM是否可用的判定参数，包括：
获取所述用户的实时导航数据，将所述实时导航数据输入到所述第二ARAIM可用性预测模型中，计算得到垂直保护级参数。
4.根据权利要求1所述的方法，其特征在于，所述获取用户的运动信息，根据所述运动信息确定所述判定参数的属性，包括：
所述运动信息为距离信息，则确定所述判定参数的属性为有效监测阈值需求的参数；
相应的，所述根据所述判定参数的属性，确定获取历史星历数据的历史时长，包括：
根据所述有效监测阈值需求的参数，确定获取历史星历数据的历史时长为第三时长；
相应的，所述根据获取到的所述历史时长内的星历数据，建立ARAIM可用性预测模型，包括：
根据所述第三时长内的星历数据，建立第三ARAIM可用性预测模型；
相应的，所述获取所述用户的实时导航数据，将所述实时导航数据输入到所述ARAIM可用性预测模型中，计算得到所述ARAIM是否可用的判定参数，包括：
获取所述用户的实时导航数据，将所述实时导航数据输入到所述第三ARAIM可用性预测模型中，计算得到有效监测阈值参数。
5.一种基于用户需求分级的ARAIM可用性预测方法，其特征在于，包括：
获取用户对导航精度的需求信息；
根据所述需求信息，确定对所述ARAIM的可用性进行预测的预测方式；
根据所述预测方式，计算得到所述ARAIM是否可用的判定参数；
将所述判定参数与预设阈值进行比较，确定所述ARAIM的可用性；
其中，所述预测方式为第二预测方式，则所述根据所述预测方式，计算得到所述ARAIM是否可用的判定参数，包括：
根据所述用户的实时导航数据，确定获取精密星历数据的历史时长；
根据获取到的所述历史时长内的精密星历数据，建立相空间重构序列；
根据所述相空间重构序列，获取所述实时导航数据的预测星历数据；
根据所述预测星历数据计算得到所述ARAIM是否可用的判定参数。
6.一种基于用户需求分级的ARAIM可用性预测装置，其特征在于，包括：获取模块、确定模块、计算模块、比较模块；
其中，所述获取模块，用于获取用户对导航精度的需求信息；
所述确定模块，用于根据所述需求信息，确定对所述ARAIM的可用性进行预测的预测方式；
所述计算模块，用于根据所述预测方式，计算得到所述ARAIM是否可用的判定参数；
所述比较模块，用于将所述判定参数与预设阈值进行比较，确定所述ARAIM的可用性；其中，所述确定模块，具体用于：确定所述预测方式为第一预测方式；
相应的，所述计算模块包括：获取单元、确定单元、构建单元、计算单元；
其中，所述获取单元，用于获取用户的运动信息，根据所述运动信息确定所述判定参数的属性；
所述确定单元，用于根据所述判定参数的属性，确定获取历史星历数据的历史时长；
所述构建单元，用于根据获取到的所述历史时长内的星历数据，建立ARAIM可用性预测模型；
所述计算单元，用于获取所述用户的实时导航数据，将所述实时导航数据输入到所述ARAIM可用性预测模型中，计算得到所述ARAIM是否可用的判定参数。
7.根据权利要求6所述的装置，其特征在于，所述获取单元，具体用于：获取水平方向运动信息，并确定所述判定参数的属性为水平保护级需求的参数；
相应的，所述确定单元，用于根据所述水平保护级需求的参数，确定获取历史星历数据的历史时长为第一时长；
相应的，所述构建单元，用于根据所述第一时长内的星历数据，建立第一ARAIM可用性预测模型；
相应的，所述计算单元，用于获取所述用户的实时导航数据，将所述实时导航数据输入到所述第一ARAIM可用性预测模型中，计算得到水平保护级参数。
8.一种基于用户需求分级的ARAIM可用性预测装置，其特征在于，包括：获取模块、确定模块、计算模块、比较模块；
其中，所述获取模块，用于获取用户对导航精度的需求信息；
所述确定模块，用于根据所述需求信息，确定对所述ARAIM的可用性进行预测的预测方式；
所述计算模块，用于根据所述预测方式，计算得到所述ARAIM是否可用的判定参数；
所述比较模块，用于将所述判定参数与预设阈值进行比较，确定所述ARAIM的可用性；
其中，所述确定模块，具体用于：确定所述预测方式为第二预测方式；
相应的，所述计算模块包括：确定单元、构建单元、预测单元、计算单元；
其中，所述确定单元，用于根据所述用户的实时导航数据，确定获取精密星历数据的历史时长；
所述构建单元，用于根据获取到的所述历史时长内的精密星历数据，建立相空间重构序列；
所述预测单元，用于根据所述相空间重构序列，获取所述实时导航数据的预测星历数据；
所述计算单元，用于根据所述预测星历数据计算得到所述ARAIM是否可用的判定参数。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201710335112.6A CN107194161B (zh) | 2017-05-12 | 2017-05-12 | 基于用户需求分级的araim可用性预测方法及装置 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201710335112.6A CN107194161B (zh) | 2017-05-12 | 2017-05-12 | 基于用户需求分级的araim可用性预测方法及装置 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN107194161A CN107194161A (zh) | 2017-09-22 |
| CN107194161B true CN107194161B (zh) | 2018-10-16 |
Family
ID=59873610
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201710335112.6A Active CN107194161B (zh) | 2017-05-12 | 2017-05-12 | 基于用户需求分级的araim可用性预测方法及装置 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN107194161B (zh) |
Families Citing this family (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN108761498B (zh) * | 2018-03-13 | 2021-08-10 | 南京航空航天大学 | 一种针对高级接收机自主完好性监测的位置估计优化方法 |
| CN109600162A (zh) * | 2018-12-12 | 2019-04-09 | 国网山西省电力公司大同供电公司 | 一种变电站工控网络实时数据传输方法 |
| CN112230251B (zh) * | 2020-12-10 | 2021-04-13 | 辽宁天衡智通防务科技有限公司长沙分公司 | 一种外推星历与实时星历不间断切换方法 |
Family Cites Families (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN105954768B (zh) * | 2016-04-25 | 2018-03-30 | 北京航空航天大学 | 基于araim风险分配优化的ads‑b可用性预测方法和装置 |
| CN106125101A (zh) * | 2016-08-17 | 2016-11-16 | 北京航空航天大学 | 基于北斗的araim可用性的评估处理方法及装置 |
-
2017
- 2017-05-12 CN CN201710335112.6A patent/CN107194161B/zh active Active
Also Published As
| Publication number | Publication date |
|---|---|
| CN107194161A (zh) | 2017-09-22 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| WO2021022251A1 (en) | System and method for gaussian process enhanced gnss corrections generation | |
| CN113515881B (zh) | 一种面向araim应用的低轨卫星增强系统星座配置优化方法 | |
| CN110007317B (zh) | 一种选星优化的高级接收机自主完好性监测方法 | |
| CN109061683B (zh) | 一种优化水平保护级的h-araim系统 | |
| AU2007260332B2 (en) | Calculation method for network-specific factors in a network of reference stations for a satellite-based positioning system | |
| CN107194161B (zh) | 基于用户需求分级的araim可用性预测方法及装置 | |
| WO2023134666A1 (zh) | 终端定位方法、装置、设备以及介质 | |
| CN110990756B (zh) | 基于可拓型逐层分析的空中目标航迹质量评估方法 | |
| CN102096075A (zh) | 基于Galileo系统完好性概念的多模用户完好性评估方法 | |
| CN109308518B (zh) | 一种基于概率神经网络的监测系统及其平滑参数优化方法 | |
| Arana et al. | Efficient integrity monitoring for kf-based localization | |
| CN112902989A (zh) | 数据误差标定方法、装置、电子设备和存储介质 | |
| CN116184442A (zh) | 轨道、钟差改正数评估方法和装置、设备及存储介质 | |
| Mosavi | Error reduction for GPS accurate timing in power systems using Kalman filters and neural networks | |
| CN112230247A (zh) | 一种用于城市复杂环境下gnss完好性监测方法 | |
| CN115343744A (zh) | 空中运动目标的光学单双星联合星上定位方法及系统 | |
| CN112198533A (zh) | 一种多假设下的地基增强系统完好性评估系统及方法 | |
| CN113866732B (zh) | 一种单部雷达短弧测轨能力的计算方法 | |
| CN115134016A (zh) | 一种基于麻雀搜索算法的araim子集优化方法 | |
| CN112327317B (zh) | 一种基于卷积神经网络的空间非合作目标角速度测量方法 | |
| CN110907953B (zh) | 一种卫星故障识别方法、装置及软件接收机 | |
| King | The GPS contribution to the error budget of surface elevations derived from airborne LIDAR | |
| CN112764059A (zh) | 接收机自主完好性监测方法及装置 | |
| Karlsson et al. | A data-driven generative model for GPS sensors for autonomous driving | |
| Grof et al. | Voting based navigation system fault detection for aircraft position information during final approach |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| PB01 | Publication | ||
| PB01 | Publication | ||
| SE01 | Entry into force of request for substantive examination | ||
| SE01 | Entry into force of request for substantive examination | ||
| GR01 | Patent grant | ||
| GR01 | Patent grant |