CN110174690A - 一种基于长短期记忆网络辅助的卫星定位方法 - Google Patents
一种基于长短期记忆网络辅助的卫星定位方法 Download PDFInfo
- Publication number
- CN110174690A CN110174690A CN201910463893.6A CN201910463893A CN110174690A CN 110174690 A CN110174690 A CN 110174690A CN 201910463893 A CN201910463893 A CN 201910463893A CN 110174690 A CN110174690 A CN 110174690A
- Authority
- CN
- China
- Prior art keywords
- satellite
- satellite positioning
- lstm
- neural network
- shot
- 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.)
- Pending
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
- G01S19/38—Determining a navigation solution using signals transmitted by a satellite radio beacon positioning system
- G01S19/39—Determining a navigation solution using signals transmitted by a satellite radio beacon positioning system the satellite radio beacon positioning system transmitting time-stamped messages, e.g. GPS [Global Positioning System], GLONASS [Global Orbiting Navigation Satellite System] or GALILEO
- G01S19/42—Determining position
- G01S19/43—Determining position using carrier phase measurements, e.g. kinematic positioning; using long or short baseline interferometry
-
- 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
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/044—Recurrent networks, e.g. Hopfield networks
-
- 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
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/045—Combinations of networks
-
- 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
- G06N3/08—Learning methods
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- General Health & Medical Sciences (AREA)
- General Engineering & Computer Science (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- Artificial Intelligence (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- Biomedical Technology (AREA)
- Life Sciences & Earth Sciences (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Health & Medical Sciences (AREA)
- Radar, Positioning & Navigation (AREA)
- Remote Sensing (AREA)
- Computer Networks & Wireless Communication (AREA)
- Position Fixing By Use Of Radio Waves (AREA)
Abstract
本发明公开了一种基于长短期记忆网络辅助的卫星定位方法,包括常规算法引擎、神经网络算法引擎,所述神经网络算法引擎的可用标志位,其特征在于,在卫星信号良好的情况下,采用常规算法引擎给出卫星定位结果,并利用卫星定位结果对神经网络进行训练和测试。当接收机处于复杂条件下,如果神经网络算法引擎已经训练完毕可以使用,则使用神经网络算法引擎对定位结果进行预测。本发明可以在常规算法引擎性能大幅下降时,利用训练完毕的神经网络对接收机坐标进行预测,从而提高卫星定位成功率。
Description
技术领域
本发明涉及信息处理技术领域,尤其涉及一种基于长短期记忆网络辅助的卫星定位方法。
背景技术
全球导航卫星系统GNSS(global navigation satellite system)是一类导航系统的总称,这些导航系统使用在轨卫星发射无线电信号,进行被动测距定位。GNSS是一个自身定位系统,即在导航设备中来计算定位解,计算出的定位位置结果不需要发射任何信号。
20世纪60年代,美国建立了世界上第一个卫星导航系统--子午仪卫星导航系统,主要应用于船舶导航,并一直运行到1996年。接着俄罗斯也建立了类似的系统--圣卡达卫星导航系统。1978年,美国的全球定位系统(GPS)第一颗运行工作的卫星发射成功,向全世界展示了GPS系统的初始运行能力。我国的“北斗”卫星导航系统已于2012年完成第一、二阶段的运行,可对我国及周边国家区域提供局域的GNSS导航服务,计划到2020年完成第三阶段工作,届时将提供全球范围内的GNSS服务。
GNSS提供的基本定位精度可达米级,同时采用差分技术可以利用已知的基站来矫正导航误差,将定位精度进一步提高。然而,GNSS所具有的的是相对基本的定位模式,载波相位技术对干扰、信号中断和卫星几何分布更加敏感,因此如何减少定位精度误差,提高导航精度成为近年来各国广泛研究的重点问题。现有技术中,提出过各种卫星定位算法来提高导航精度。例如,最小二乘法、卡尔曼滤波器、LAMBDA算法等等。各种卫星算法各具特点,可以在不同的场合提高卫星导航精度。
然而,上述各种卫星算法都存在一个相同的问题,即导航数据的精准度都必须建立在信号接收良好的前提下。如果GNSS接收机处于复杂环境中,导致信号接收不佳时,信号数据的缺失将导致很严重的导航误差。
因此,本领域的技术人员致力于开发一种基于长短期记忆网络辅助的卫星定位方法,这种方法能够在GNSS接收机处于复杂环境中时,通过神经网络深度挖掘卫星载波测量值的数据特征和时间序列特征,提高GNSS接收机的定位率。
本发明基于的神经网络RNN(Recurrent Neural Network)是一类用于处理序列数据的神经网络。时间序列数据是指在不同时间点上收集到的数据,这类数据反映了某一事物、现象等随时间的变化状态或程度。序列数据有一个特点,后面的数据跟前面的数据有关系。神经网络包含输入层、隐含层、输出层,通过激活函数控制输出,层与层之间通过权值连接。激活函数是事先确定好的,那么神经网络模型通过训练“学“到的东西就蕴含在“权值“中。基础的神经网络只在层与层之间建立了权连接,RNN最大的不同之处就是在层之间的神经元之间也建立的权连接。
LSTM(Long Short-Term Memory)即长短期记忆网络,是一种时间循环神经网络,是RNN的一个重要分支。适合于处理和预测时间序列中间隔和延迟相对较长的重要事件。LSTM非常适合于处理和预测时间序列中间隔和延时非常长的重要事件。LSTM已经在科技领域有了多种应用。基于LSTM的系统可以学习翻译语言、控制机器人、图像分析、文档摘要、语音识别图像识别、手写识别、控制聊天机器人、预测疾病、点击率和股票、合成音乐等等任务。
本发明将基于卫星信号接收良好(有四颗以上卫星的卫星信号载噪比大于40)的条件下,利用接收到的时间序列数据对LSTM神经网络进行训练,而在接收机无法正常接收信号时,使用训练完成的LSTM神经网络对部分缺失的时间序列数据进行预测,以保证定位信息的准确性。
发明内容
有鉴于现有技术的上述缺陷,本发明所要解决的技术问题是,现有技术中的卫星定位算法能够正常起效的前提,是接收机处于开阔、卫星信号良好的环境中。而一旦接收机位于复杂环境中,卫星信号质量下降,就无法提供精准的定位信息的技术问题。
为实现上述目的,本发明提供了一种基于长短期记忆网络辅助的卫星定位方法,包括常规算法引擎、神经网络算法引擎,所述神经网络算法引擎的可用标志位,其特征在于,具体包括以下步骤:
步骤1、判断卫星信号质量,如所述卫星信号质量好,则执行以下步骤2、3,如所述卫星信号质量不好,则执行以下步骤4;
步骤2、由所述常规算法引擎给出第一卫星定位结果;
步骤3、利用步骤2中所述第一卫星定位结果对所述神经网络引擎中的神经网络进行训练和测试,然后执行步骤1;
步骤4、判断所述可用标志位,如所述可用标志位为“可用”,则执行步骤5,然后执行步骤1;如所述可用标志位为“不可用”,则执行步骤2,然后执行步骤1;
步骤5、由所述神经网络算法引擎给出第二卫星定位结果。
进一步地,步骤3中,所述神经网络为LSTM,包括遗忘门,输入门以及输出门。
进一步地,步骤2具体包括:
步骤2.1、对卫星信号的捕获、跟踪、帧同步、译码,以获取卫星星历;
步骤2.2、提取载波信号,获取载波相位测量值;
步骤2.3、根据所述卫星星历中的卫星的位置,开普勒轨道六参数、多普勒频移参数,利用最小二乘法实现对接收机天线位置的定位。
进一步地,步骤3中的对所述神经网络进行训练和测试,具体包括:
步骤3.1、将所述第一卫星定位结果作为训练数据进行数据预处理,形成训练集和测试集;
步骤3.2、利用所述训练集对所述LSTM进行训练;
步骤3.3、利用所述测试集对所述LSTM进行测试;
步骤3.4、如所述LSTM通过测试,则将所述可用标志位置为“可用”;如所述LSTM未通过测试,则将所述可用标志位置为“不可用”。
进一步地,步骤3.1具体包括以下步骤:
步骤3.1.1、将所述第一卫星定位结果中明显偏离接收机坐标的数据和所述载波相位测量值剔除;
步骤3.1.2、所述载波相位测量值的整数部分舍去,只保留小数部分;
步骤3.1.3、将当前历元中,对卫星词向量中没有所述载波相位测量值的部分做零填充操作;
步骤3.1.4、对标签集合进行零均值规范化,将标签的3个维度的全部数据计算其均值和方差;
步骤3.1.5、对所述标签集合中的每个标签数据进行转换操作,满足如下公式:
其中,为转换后的标签数据;x为转换前的标签数据;u为均值;δ为方差。
进一步地,步骤3中,所述遗忘门是决定从细胞状态中丢弃什么信息,满足如下公式:
ft=σ(Wf·[ht-1,xt]+bf)
其中,ft为需要丢弃的信息;σ为sigmoid函数;Wf为遗忘门权重;ht-1为上一个细胞的输出;xt为当前细胞的输入;bf为遗忘门偏置。
进一步地,步骤3中,所述输出门为决定所述LSTM的输出状态,满足以下公式:
ot=σ(Wo·[Ht-1,xt]+bo)
ht=ot·tanh(Ct)
其中,ot为输出门输出信息;σ为sigmoid函数;Wo为遗忘门权重;Ht-1为上一个细胞的输出;xt为当前细胞的输入;bo为输出门偏置;ht为更新后细胞输出;Ct为更新后的细胞状态。
进一步地,所述LSTM的隐含层宽度为128,激活层使用的激活函数为sigmoid,递归激活函数为hard sigmoid,核心采用L2正则化,系数为0.002。
进一步地,所述LSTM的隐含层与多层感知机的连接方式采用全连接。
进一步地,所述多层感知机与所述LSTM直接相连的全连接层宽度为64。
本发明针对卫星定位提出一种新的LSTM辅助定位方法,通过将载波相位测量值向量映射为词向量,利用LSTM能够很好学习时间序列的特点,对测量值的时间序列信息进行提取,挖掘出深层信息。当接收机处在复杂环境中时,常规算法引擎性能大幅下降时,利用训练好的神经网络对接收机坐标进行预测,从而提高卫星定位成功率。
以下将结合附图对本发明的构思、具体结构及产生的技术效果作进一步说明,以充分地了解本发明的目的、特征和效果。
附图说明
图1是本发明的一个较佳实施例的逻辑流程图;
图2是发明的一个较佳实施例的LSTM的神经网络结构图;
图3是本发明的一个较佳实施例的载波测量值向量映射词示意图。
具体实施方式
以下参考说明书附图介绍本发明的一个优选实施例,使其技术内容更加清楚和便于理解。本发明可以通过许多不同形式的实施例来得以体现,本发明的保护范围并非仅限于文中提到的实施例。
如图1所示,为本发明的一个较佳实施例的逻辑流程图。本发明提出的一种基于长短期记忆网络辅助的卫星定位方法,具体包括以下步骤:
步骤1、判断卫星信号质量。
步骤2、如卫星信号质量较好,则由常规算法引擎给出定位结果,并利用高质量卫星信号得到的定位结果,对神经网络进行训练和测试。
步骤3、如卫星信号质量不好,且神经网络已经完成训练可以使用,则由训练完毕的神经网络对定位结果进行预测。如神经网络还未完成训练,则继续采用常规引擎进行定位,并等待卫星信号回复正常,以对神经网络继续进行训练。
本实施例中,采用LSTM(Long Short-Term Memory)即长短期记忆网络作为待训练和使用的神经网络。LSTM是为了解决长期以来的问题而专门设计的神经网络。所有的神经网络都具有一种重复神经网络模块的链式形式。在标准神经网络中,这个重复的结构模块只有一个非常简单的结构,例如一个tanh层。LSTM同样是这样的结构,但不同于单一神经网络层,LSTM有四个神经网络层,以一种特殊的方式进行交互。LSTM属于门控神经网络,它通过在网络中设置一些门控,来实现信息的选择与传递,以实现对长期信息的保存。LSTM的基本组成单元为遗忘门,输入门,输出门。
LSTM的第一步是决定从细胞状态中丢弃什么信息。这个决定通过的门称为遗忘门。公式如下:
ft=σ(Wf·[ht-1,xt]+bf)
其中,ft为需要丢弃的信息;σ为sigmoid函数;Wf为遗忘门权重;ht-1为上一个细胞的输出;xt为当前细胞的输入;bf为遗忘门偏置。
LSTM的第二步是决定将多少新的信息加入到细胞状态中。实现这个需求包括两个步骤:首先,一个叫做输入门层的sigmoid层决定哪些信息需要更新;一个tanh层生成一个向量,也就是备选的用来更新的内容然后,把这两部分联合起来,对细胞状态进行更新。更新满足以下公式:
it=σ(Wi·[Ht-1,xt]+bi)
其中,it为需要更新的信息内容;σ为sigmoid函数;Wi为输入门权重;Ht-1为上一个细胞的输出;xt为当前细胞的输入;bi为输入门偏置;为备选的用来更新的内容;WC为备选更新权重;ht-1为上一个细胞的输出;bC为备选更新偏置。
LSTM的第三步是进行细胞状态更新,将Ct-1更新为Ct。将旧状态与ft相乘,丢弃掉确定需要丢弃的信息。接着加上结果就是新的候选值,根据决定更新每个状态的程度进行变化。满足以下公式:
其中,Ct为更新后的细胞状态;ft为需要丢弃的信息;Ct-1上一个细胞的细胞状态;it为需要更新的信息内容;为备选的用来更新的内容。
LSTM的最后一步是输出,决定LSTM的输出状态。首先,信息通过一个sigmoid层来确定细胞状态的哪个部分被输出出去。接着,细胞状态通过tanh进行处理将将状态变换到-1到1之间的值并将它和sigmoid门的输出相乘,生成最后需要输出的部分。输出内容满足以下公式:
ot=σ(Wo·[Ht-1,xt]+bo)
ht=ot·tanh(Ct)
其中,ot为输出门输出信息;σ为sigmoid函数;Wo为输出门权重;Ht-1为上一个细胞的输出;xt为当前细胞的输入;bo为输出门偏置;ht更新后细胞输出;Ct为更新后的细胞状态。
在本实施例中,采用的LSTM的结构如图2所示,神经网络的结构参数具体为:
设训练样本集中样本总数为O,每个样本为L个连续的观测数据组成的时间序列Xt=[x1,x2,...,xt],对于每个样本中的xi是一个向量,长度为N,对应于接收机支持的卫星定位系统的卫星在轨运行数目N。
LSTM的输入层参数为(L,N),输入次数为L,输入层数据宽度同样为N。
LSTM的隐含层宽度为128,激活层使用的激活函数为sigmoid,递归激活函数为hard sigmoid,核心采用L2正则化,系数为0.002。
LSTM的隐含层与多层感知机的连接方式采用全连接。多层感知机与LSTM直接相连的全连接层宽度为64,激活层采用的激活函数采用tanh,核心采用L2正则化,系数为0.002,紧接连一层Dropout(随机失活)层,Dropout的权重筛选的概率为20%。Dropout层下一层连接宽度为16的全连接层,最后连接一个宽度为3的全连接层作为输出层,激活层采用的激活函数为linear函数。
为了对神经网络进行训练,输入神经网络的数据是要做规范化的。在机器学习中,我们可能要处理不同种类的资料,例如,音讯和图片上的像素值,这些资料可能是高维度的,资料标准化后会使每个特征中的数值平均变为0(将每个特征的值都减掉原始资料中该特征的平均)、标准差变为1,这个方法被广泛的使用在许多机器学习算法中(例如:支持向量机、逻辑回归和类神经网络)。归一化/标准化实质是一种线性变换,线性变换有很多良好的性质,这些性质决定了对数据改变后不会造成“失效”,反而能提高数据的表现,这些性质是归一化/标准化的前提。比如有一个很重要的性质:线性变换不会改变原始数据的数值排序。在使用梯度下降的方法求解最优化问题时,归一化/标准化后可以加快梯度下降的求解速度,即提升模型的收敛速度。未标准化时形成的等高线偏椭圆,迭代时很有可能走“之”字型路线(垂直长轴),从而导致迭代很多次才能收敛。而对两个特征进行了归一化,对应的等高线就会变圆,在梯度下降进行求解时能较快的收敛。
在本实施例中,是在卫星信号良好(有四颗以上卫星的卫星信号载噪比大于40)的前提下,使用常规算法引擎得到的定位结果,经过数据处理形成训练集和测试集,对LSTM进行训练和测试。同样地,首先要对常规算法引擎的数据进行预处理。
常规算法引擎得到定位结果的步骤包括,卫星信号的捕获,跟踪,帧同步,译码等步骤获取卫星星历,并通过提取载波信号,获取载波相位测量值。根据卫星星历中的卫星的位置,开普勒轨道六参数,以及多普勒频移等参数,利用最小二乘法、卡尔曼滤波等算法可以实现对接收机天线位置的定位。对常规算法引擎的数据进行预处理,具体步骤为:
1、将定位结果中明显偏离接收机坐标的数据和载波相位测量信息剔除。
2、将训练样本集中的载波相位观测值的整数部分舍去,只保留小数部分。
3、将当前历元中,卫星词向量中没有载波相位观测值的部分做零填充操作。
4、对标签集合进行零均值规范化,将标签的3个维度的全部数据计算其均值和方差。
5、对标签集合中的每个数据进行转换操作,满足如下公式:
其中,为转换后的标签数据;x为转换前的标签数据;u为均值;δ为方差。
由于LSTM处理的是时序序列信息,因此需要将数据预处理成为时序序列的形式。LSTM最常用来处理自然语言处理的问题。一句话就是一个典型的时序序列。一句话的长度通常被定义为time step,即时间窗口长度。LSTM的结构是一种静态结构,LSTM的结构需要一开始就定义好。而输入的语句长度通常是不确定的,所以需要设置一个最大长度的时间窗口长度,对于长度短于这个语句的输入,需要做补零操作。本发明将多颗卫星的载波相位测量值组成的向量的每一个元素对应于LSTM长短期记忆网络用于文本分析的词向量,如图3所示,一个词向量对应一句话中的一个单词,将短时连续观测历元数对应于文本分析的语句长度,或称时间窗口长度。输入的测量数据包括当前时刻接收到的卫星载波相位测量值和前一个时间窗口内保存的卫星载波相位测量值。接收机支持的卫星定位系统的卫星在轨运行数目为N,则设定词向量的长度为N,词向量的序号1到N,对应卫星的序号。对应卫星的载波相位测量值放入此词向量的对应位置。时间窗口长度为L,对应于每一句话有L个词向量。将数据组合在一起成为(L,N)的矩阵。M个时刻的观测值累计起来,形成的训练样本集是一个(M,L,N)的三维张量。这里的每个维度对应到LSTM输入中,第一维对应样品,一个序列是一个样本,批次样本由一个或多个样本组成。时间窗口长度代表样本中的观察点的个数。一个特征是在一个单位时间窗口长度的观测得到。在本实施例中,一个特征就是一个历元的观测数据组成的词向量。每一条训练样本集中的训练样本对应一个正确的3维坐标值。所有时刻的标签组合在一起形成(M,3)的标签集合。
在本实施例中,数据经过粗差剔除、归一化、零填充、时间序列化等处理后将生成多维数据,从而生成神经网络训练样本集。将训练样本划分为训练集和测试集。
用训练集对LSTM进行训练,训练的准则为最小均方误差。训练采用Adam算法,设置一个训练目标阈值,每次循环训练后,采用测试集对LSTM进行测试,记录LSTM在测试集上的均方误差。当均方误差小于阈值时,表示LSTM训练完毕,将LSTM的可用标志位置为可用状态。Adam算法能够根据损失函数对每个参数的梯度的一阶矩估计和二阶矩估计和动态调整针对于每个参数的学习速率,以实现更快更好的训练效果。在本实施例中,为了避免本实施例中LSTM在数据量较小情况下的过拟合现象。网络结构中添加了dropout层。dropout是对具有深度结构的人工神经网络进行优化的方法,在学习过程中通过将隐含层的部分权重或输出随机归零,降低节点间的相互依赖性从而实现神经网络的正则化,降低其结构风险。在本实施例中,除了添加dropout层,在LSTM层和多层感知机层还添加了L2正则化,进一步避免学习过程中的过拟合现象,提升网络的泛化性能。
本实施例中,利用LSTM对时间片段数据对时间序列特征捕捉接收机天线的运动模式,利用多层感知机对测量数据的数据特征进行提取。将时间特征和数据特征进行揉合使得提取的卫星信号测量值的数据特征丰富多样。利用LSTM能够很好学习时间序列的特点,对测量值的时间序列信息进行提取,挖掘出深层信息。当接收机处在复杂环境中时,常规算法引擎性能大幅下降时,利用训练完毕的神经网络对接收机坐标进行预测,从而提高卫星定位成功率。
以上详细描述了本发明的较佳具体实施例。应当理解,本领域的普通技术无需创造性劳动就可以根据本发明的构思作出诸多修改和变化。因此,凡本技术领域中技术人员依本发明的构思在现有技术的基础上通过逻辑分析、推理或者有限的实验可以得到的技术方案,皆应在由权利要求书所确定的保护范围内。
Claims (10)
1.一种基于长短期记忆网络辅助的卫星定位方法,包括常规算法引擎、神经网络算法引擎,所述神经网络算法引擎的可用标志位,其特征在于,具体包括以下步骤:
步骤1、判断卫星信号质量,如所述卫星信号质量好,则执行以下步骤2、3,如所述卫星信号质量不好,则执行以下步骤4;
步骤2、由所述常规算法引擎给出第一卫星定位结果;
步骤3、利用步骤2中所述第一卫星定位结果对所述神经网络引擎中的神经网络进行训练和测试,然后执行步骤1;
步骤4、判断所述可用标志位,如所述可用标志位为“可用”,则执行步骤5,然后执行步骤1;如所述可用标志位为“不可用”,则执行步骤2,然后执行步骤1;
步骤5、由所述神经网络算法引擎给出第二卫星定位结果。
2.如权利要求1所述的基于长短期记忆网络辅助的卫星定位方法,其特征在于,步骤3中,所述神经网络为LSTM,包括遗忘门,输入门以及输出门。
3.如权利要求2所述的基于长短期记忆网络辅助的卫星定位方法,其特征在于,步骤2具体包括:
步骤2.1、对卫星信号的捕获、跟踪、帧同步、译码,以获取卫星星历;
步骤2.2、提取载波信号,获取载波相位测量值;
步骤2.3、根据所述卫星星历中的卫星的位置,开普勒轨道六参数、多普勒频移参数,利用最小二乘法实现对接收机天线位置的定位。
4.如权利要求3所述的基于长短期记忆网络辅助的卫星定位方法,其特征在于,步骤3中的对所述神经网络进行训练和测试,具体包括:
步骤3.1、将所述第一卫星定位结果作为训练数据进行数据预处理,形成训练集和测试集;
步骤3.2、利用所述训练集对所述LSTM进行训练;
步骤3.3、利用所述测试集对所述LSTM进行测试;
步骤3.4、如所述LSTM通过测试,则将所述可用标志位置为“可用”;如所述LSTM未通过测试,则将所述可用标志位置为“不可用”。
5.如权利要求4所述的基于长短期记忆网络辅助的卫星定位方法,其特征在于,步骤3.1具体包括以下步骤:
步骤3.1.1、将所述第一卫星定位结果中明显偏离接收机坐标的数据和所述载波相位测量值剔除;
步骤3.1.2、所述载波相位测量值的整数部分舍去,只保留小数部分;
步骤3.1.3、将当前历元中,对卫星词向量中没有所述载波相位测量值的部分做零填充操作;
步骤3.1.4、对标签集合进行零均值规范化,将标签的3个维度的全部数据计算其均值和方差;
步骤3.1.5、对所述标签集合中的每个标签数据进行转换操作,满足如下公式:
其中,为转换后的标签数据;x为转换前的标签数据;u为均值;δ为方差。
6.如权利要求5所述的基于长短期记忆网络辅助的卫星定位方法,其特征在于,步骤3中,所述遗忘门是决定从细胞状态中丢弃什么信息,满足如下公式:
ft=σ(Wf·[ht-1,xt]+bf)
其中,ft为需要丢弃的信息;σ为sigmoid函数;Wf为遗忘门权重;ht-1为上一个细胞的输出;xt为当前细胞的输入;bf为遗忘门偏置。
7.如权利要求5所述的基于长短期记忆网络辅助的卫星定位方法,其特征在于,步骤3中,所述输出门为决定所述LSTM的输出状态,满足以下公式:
ot=σ(Wo·[ht-1,xt]+bo)
ht=ot·tanh(Ct)
其中,ot为输出门输出信息;σ为sigmoid函数;Wo为输出门权重;ht-1为上一个;xt为当前细胞的输入;bo为输出门偏置;ht为更新后细胞的输出;Ct为更新后的细胞状态。
8.如权利要求5所述的基于长短期记忆网络辅助的卫星定位方法,其特征在于,所述LSTM的隐含层宽度为128,激活层使用的激活函数为sigmoid,递归激活函数为hardsigmoid,权重矩阵采用L2正则化,系数为0.002。
9.如权利要求5所述的基于长短期记忆网络辅助的卫星定位方法,其特征在于,所述LSTM的隐含层与多层感知机的连接方式采用全连接。
10.如权利要求9所述的基于长短期记忆网络辅助的卫星定位方法,其特征在于,所述多层感知机与所述LSTM直接相连的全连接层宽度为64。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910463893.6A CN110174690A (zh) | 2019-05-30 | 2019-05-30 | 一种基于长短期记忆网络辅助的卫星定位方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910463893.6A CN110174690A (zh) | 2019-05-30 | 2019-05-30 | 一种基于长短期记忆网络辅助的卫星定位方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN110174690A true CN110174690A (zh) | 2019-08-27 |
Family
ID=67696781
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910463893.6A Pending CN110174690A (zh) | 2019-05-30 | 2019-05-30 | 一种基于长短期记忆网络辅助的卫星定位方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN110174690A (zh) |
Cited By (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111369142A (zh) * | 2020-03-04 | 2020-07-03 | 中国电子科技集团公司第五十四研究所 | 一种自主遥感卫星任务生成方法 |
CN111541500A (zh) * | 2020-04-10 | 2020-08-14 | 东南大学 | 基于用户行为预测的基站天线动态开关方法 |
CN111582560A (zh) * | 2020-04-22 | 2020-08-25 | 空间信息产业发展股份有限公司 | 一种基于循环神经网络的水稻产量预测方法 |
CN111680848A (zh) * | 2020-07-27 | 2020-09-18 | 中南大学 | 基于预测模型融合的电池寿命预测方法及存储介质 |
CN114563763A (zh) * | 2022-01-21 | 2022-05-31 | 青海师范大学 | 基于归零神经动力学的水下传感器网络节点测距定位方法 |
CN115327653A (zh) * | 2022-08-15 | 2022-11-11 | 自然资源部国土卫星遥感应用中心 | 一种基于张量不变理论的卫星引力梯度粗差探测方法 |
CN116227561A (zh) * | 2023-02-17 | 2023-06-06 | 电子科技大学 | 一种基于数字孪生和容器技术的卫星轨道误差预测方法 |
CN116482717A (zh) * | 2023-01-17 | 2023-07-25 | 北京航空航天大学 | 一种基于长短时记忆网络的智能终端gnss干扰检测算法 |
Citations (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101377542A (zh) * | 2008-09-19 | 2009-03-04 | 北京航空航天大学 | 一种gnss反射信号参数估计的方法和装置 |
CN102253399A (zh) * | 2011-05-05 | 2011-11-23 | 哈尔滨工程大学 | 一种利用载波相位中心值的多普勒差分补偿测速方法 |
US9508340B2 (en) * | 2014-12-22 | 2016-11-29 | Google Inc. | User specified keyword spotting using long short term memory neural network feature extractor |
CN107396322A (zh) * | 2017-08-28 | 2017-11-24 | 电子科技大学 | 基于路径匹配与编码译码循环神经网络的室内定位方法 |
CN107507054A (zh) * | 2017-07-24 | 2017-12-22 | 哈尔滨工程大学 | 一种基于循环神经网络的推荐算法 |
CN107688871A (zh) * | 2017-08-18 | 2018-02-13 | 中国农业大学 | 一种水质预测方法和装置 |
CN108304960A (zh) * | 2017-12-29 | 2018-07-20 | 中车工业研究院有限公司 | 一种轨道交通设备故障诊断方法 |
CN108446324A (zh) * | 2018-02-11 | 2018-08-24 | 重庆邮电大学 | 一种基于长短时记忆网络lstm的gps数据重构方法 |
CN108957502A (zh) * | 2018-06-04 | 2018-12-07 | 安徽理工大学 | 基于深度学习lstm的gnss多系统多路径误差实时削弱方法 |
CN109001722A (zh) * | 2018-05-30 | 2018-12-14 | 武汉理工大学 | 一种基于lstm模型的船舶航迹数据融合方法 |
-
2019
- 2019-05-30 CN CN201910463893.6A patent/CN110174690A/zh active Pending
Patent Citations (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101377542A (zh) * | 2008-09-19 | 2009-03-04 | 北京航空航天大学 | 一种gnss反射信号参数估计的方法和装置 |
CN102253399A (zh) * | 2011-05-05 | 2011-11-23 | 哈尔滨工程大学 | 一种利用载波相位中心值的多普勒差分补偿测速方法 |
US9508340B2 (en) * | 2014-12-22 | 2016-11-29 | Google Inc. | User specified keyword spotting using long short term memory neural network feature extractor |
CN107507054A (zh) * | 2017-07-24 | 2017-12-22 | 哈尔滨工程大学 | 一种基于循环神经网络的推荐算法 |
CN107688871A (zh) * | 2017-08-18 | 2018-02-13 | 中国农业大学 | 一种水质预测方法和装置 |
CN107396322A (zh) * | 2017-08-28 | 2017-11-24 | 电子科技大学 | 基于路径匹配与编码译码循环神经网络的室内定位方法 |
CN108304960A (zh) * | 2017-12-29 | 2018-07-20 | 中车工业研究院有限公司 | 一种轨道交通设备故障诊断方法 |
CN108446324A (zh) * | 2018-02-11 | 2018-08-24 | 重庆邮电大学 | 一种基于长短时记忆网络lstm的gps数据重构方法 |
CN109001722A (zh) * | 2018-05-30 | 2018-12-14 | 武汉理工大学 | 一种基于lstm模型的船舶航迹数据融合方法 |
CN108957502A (zh) * | 2018-06-04 | 2018-12-07 | 安徽理工大学 | 基于深度学习lstm的gnss多系统多路径误差实时削弱方法 |
Non-Patent Citations (3)
Title |
---|
安鹏: "基于LSTM 循环神经网络的储层物性参数预测方法研究", 《地球物理学进展》 * |
张小红: "单站GPS测速在实时地震监测中的应用", 《地球物理学报》 * |
胥爱欢: "LSTM理论基础", 《南方金融》 * |
Cited By (12)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111369142A (zh) * | 2020-03-04 | 2020-07-03 | 中国电子科技集团公司第五十四研究所 | 一种自主遥感卫星任务生成方法 |
CN111369142B (zh) * | 2020-03-04 | 2023-04-18 | 中国电子科技集团公司第五十四研究所 | 一种自主遥感卫星任务生成方法 |
CN111541500A (zh) * | 2020-04-10 | 2020-08-14 | 东南大学 | 基于用户行为预测的基站天线动态开关方法 |
CN111582560A (zh) * | 2020-04-22 | 2020-08-25 | 空间信息产业发展股份有限公司 | 一种基于循环神经网络的水稻产量预测方法 |
CN111582560B (zh) * | 2020-04-22 | 2023-05-23 | 空间信息产业发展股份有限公司 | 一种基于循环神经网络的水稻产量预测方法 |
CN111680848A (zh) * | 2020-07-27 | 2020-09-18 | 中南大学 | 基于预测模型融合的电池寿命预测方法及存储介质 |
CN114563763A (zh) * | 2022-01-21 | 2022-05-31 | 青海师范大学 | 基于归零神经动力学的水下传感器网络节点测距定位方法 |
US11658752B1 (en) | 2022-01-21 | 2023-05-23 | Qinghai Normal University | Node positioning method for underwater wireless sensor network (UWSN) based on zeroing neural dynamics (ZND) |
CN115327653A (zh) * | 2022-08-15 | 2022-11-11 | 自然资源部国土卫星遥感应用中心 | 一种基于张量不变理论的卫星引力梯度粗差探测方法 |
CN116482717A (zh) * | 2023-01-17 | 2023-07-25 | 北京航空航天大学 | 一种基于长短时记忆网络的智能终端gnss干扰检测算法 |
CN116227561A (zh) * | 2023-02-17 | 2023-06-06 | 电子科技大学 | 一种基于数字孪生和容器技术的卫星轨道误差预测方法 |
CN116227561B (zh) * | 2023-02-17 | 2023-09-12 | 电子科技大学 | 一种基于数字孪生和容器技术的卫星轨道误差预测方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110174690A (zh) | 一种基于长短期记忆网络辅助的卫星定位方法 | |
Zhang et al. | Prediction on the urban GNSS measurement uncertainty based on deep learning networks with long short-term memory | |
Chen et al. | A hybrid prediction method for bridging GPS outages in high-precision POS application | |
Sun et al. | GPS signal reception classification using adaptive neuro-fuzzy inference system | |
CN109313268A (zh) | 具有宽巷偏差校正值和窄巷偏差校正值的导航卫星的轨道和低延时时钟的确定 | |
CN110954132A (zh) | Grnn辅助自适应卡尔曼滤波进行导航故障识别的方法 | |
CN109154664A (zh) | 具有低延时时钟校正值的导航卫星轨道和时钟的确定 | |
CN109219762A (zh) | 导航卫星宽巷偏差的确定和超范围调整系统和方法 | |
CN106772498A (zh) | 一种gps位置时间序列噪声模型建立方法 | |
CN106093849A (zh) | 一种基于测距和神经网络算法的水下定位方法 | |
KR102248963B1 (ko) | 해무 예측 방법 및 그 장치 | |
CN108957502A (zh) | 基于深度学习lstm的gnss多系统多路径误差实时削弱方法 | |
CN114459477B (zh) | 一种基于改进的pso-anfis辅助的sins/dvl紧组合导航方法 | |
CN116643293A (zh) | Gnss定位方法及装置、设备、存储介质 | |
CN115902866A (zh) | 一种船用光电多源目标融合探测处理方法 | |
Yang et al. | An approach to ship behavior prediction based on AIS and RNN optimization model | |
CN116719062A (zh) | 卫星的信号质量评估方法及装置、设备、存储介质 | |
CN111413719B (zh) | 一种基于神经网络的北斗实时精密时钟预测方法 | |
CN114742265B (zh) | 一种vhf信号传播路径误差预测方法及系统 | |
CN115856963A (zh) | 基于深度神经网络学习的高精度定位算法 | |
CN116026325A (zh) | 一种基于神经过程与卡尔曼滤波的导航方法及相关装置 | |
CN113703025B (zh) | 一种面向gnss多种失效状态的车辆定位误差智能预测方法 | |
CN113093225B (zh) | 一种广域、局域融合的高精度电离层闪烁模型建立方法 | |
Xie et al. | A Convolution Neural Network-based Method for Sea Ice Remote Sensing using GNSS-R Data | |
Natras et al. | Machine learning ensemble approach for ionosphere and space weather forecasting with uncertainty quantification |
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 | ||
TA01 | Transfer of patent application right |
Effective date of registration: 20200820 Address after: Room 101, building 1, No. 901, Tashan street, Wuyang street, Deqing County, Huzhou City, Zhejiang Province (Moganshan national high tech Zone) Applicant after: Zhejiang Rongxin Navigation Technology Co.,Ltd. Address before: 310053 Room 1001, Innovation Building, 3850 Jiangnan Avenue, Gaoxin (Binjiang) District, Hangzhou City, Zhejiang Province Applicant before: HANGZHOU ZHONGKE MICROELECTRONICS Co.,Ltd. |
|
TA01 | Transfer of patent application right | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20190827 |
|
RJ01 | Rejection of invention patent application after publication |