CN111856525A - 一种基于lstm神经网络的周跳探测和修复方法 - Google Patents
一种基于lstm神经网络的周跳探测和修复方法 Download PDFInfo
- Publication number
- CN111856525A CN111856525A CN202010607441.3A CN202010607441A CN111856525A CN 111856525 A CN111856525 A CN 111856525A CN 202010607441 A CN202010607441 A CN 202010607441A CN 111856525 A CN111856525 A CN 111856525A
- Authority
- CN
- China
- Prior art keywords
- carrier phase
- cycle slip
- value
- neural network
- epoch
- 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.)
- Granted
Links
Images
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
- G01S19/35—Constructional details or hardware or software details of the signal processing chain
- G01S19/37—Hardware or software details of the signal processing chain
-
- 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
-
- 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)
- Remote Sensing (AREA)
- Radar, Positioning & Navigation (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- General Health & Medical Sciences (AREA)
- Mathematical Physics (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- Biophysics (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- Biomedical Technology (AREA)
- Computational Linguistics (AREA)
- Software Systems (AREA)
- Artificial Intelligence (AREA)
- Life Sciences & Earth Sciences (AREA)
- Health & Medical Sciences (AREA)
- Computer Networks & Wireless Communication (AREA)
- Signal Processing (AREA)
- Testing Electric Properties And Detecting Electric Faults (AREA)
Abstract
本发明提供一种基于LSTM神经网络的周跳探测和修复方法,通过长短时记忆网络(LSTM)对时序载波相位测量值的特征数据进行回归预测,并以多普勒信息进行辅助,实现了对GNSS载波相位测量值周跳的探测和修复。本发明包括以下步骤:(1)采集载波相位测量值和多普勒值,并对数据做预处理;(2)设计用于预测载波相位测量值的特征数据的LSTM神经网络;(3)使用LSTM神经网络处理数据集;(4)利用LSTM神经网络输出结果探测和修复周跳;(5)更新历元信息,并重复执行步骤(1)到步骤(4),直到处理完所有历元。最后得到周跳探测结果和周跳修复结果。经验证,本发明可以有效探测并修复大于0.3周的周跳。
Description
技术领域
本发明涉及一种基于LSTM神经网络的周跳探测和修复方法,属于卫星导航领域。
背景技术
载波相位测量值是由GNSS接收机跟踪环路载波NCO输出,在精密定位过程中起到关键作用。在接收机跟踪环路失所、卫星信号中断、低载噪比、高动态等因素影响下,会导致接收机跟踪换路波动,从而导致载波相位测量值不连续即“周跳”的现象,其会严重影响精密定位的精度,因此周跳的探测和修复成为GNSS精密定位数据处理中的一个重点研究的问题。传统的周跳探测和修复方法主要包括高次差法、积分多普勒法、电离层残差法、多项式拟合法等,其各有优缺点,例如电离层残差法不适用于单频数据,高次差法和多项式拟合法要求采样率较高,积分多普勒法难以检测小周跳等。目前将神经网络应用于周跳探测和修复的文献不多,如文献[1]吴栋、胡伍生.基于神经网络的GPS周跳探测的新方法[J].测绘工程.2008,17(6):67-70.其将BP神经网络应用于周跳探测,通过对载波相位测量值进行预测,并对比预测值来判断是否发生周跳,该方法直接对载波相位测量值进行处理,导致探测精度下降,且BP神经网络没有考虑到数据的时序特征;文献[2]伊廷华、李宏男、伊晓东等.基于小波与神经网络的GPS周跳探测与修复[J].传感技术学报.2007,20(4):897-902.其同样使用BP神经网络,并从载波相位提取小波特征,通过对特征进行预测的方法进行周跳的探测和修复,该方法虽然通过小波的方法提升了探测精度,但是同样存在没考虑数据时序性的问题。
LSTM神经网络是一种时间循环神经网络,由Hochreiter和Schmidhuber于1997年最早提出,它解决了一般的循环神经网络(RNN)存在的长期依赖问题,相比实时递归学习、时间反向传播、递归级联相关、Elman网络和神经序列分块,LSTM可以成功运行多次,学习速度也更快。本方法利用了多普勒值和载波相位测量值的相关性、LSTM神经网络的时序、多次学习等特点,将载波相位测量值进行特征提取,并预处理,然后使用LSTM神经网络对预处理结果进行处理,进而探测是否发生周跳,当处理结果出现周跳时用相应的多普勒值进行修正,以达到周跳的探测和修复的目的。
发明内容
本发明的目的是为了提供一种基于LSTM神经网络的周跳探测和修复方法,利用LSTM神经网络对载波相位观测量特征进行回归预测、并采用多普勒信息进行辅助,能有效的探测出大于0.3周的周跳现象以及对载波相位测量值进行修复,本方法具有实时处理的能力。
本发明的目的是这样实现的:步骤如下:
步骤一:采集载波相位测量值和多普勒值,并对数据做预处理。
步骤1.1采集载波相位测量值和多普勒值;
步骤1.2对载波相位测量值进行特征数据提取,并对特征数据进行预处理;
步骤1.3对载波相位测量值的预处理特征数据划分训练集和测试集。
步骤二:设计用于预测载波相位测量值的特征数据的LSTM神经网络。
步骤三:使用LSTM神经网络处理数据集。
步骤3.1使用步骤1.3中的训练集对LSTM神经网络进行训练;
步骤3.2使用步骤1.3中的测试集对LSTM神经网络进行测试,并输出预测结果;
步骤3.3计算LSTM神经网络输出误差。
步骤四:利用LSTM神经网络输出结果探测和修复周跳。
步骤4.1探测周跳位置和周跳大小;
步骤4.2若发生周跳则对周跳进行修复。
步骤4.3输出当前历元载波相位测量值。
步骤五:更新历元信息,并重复执行步骤(1)到步骤(4),直到处理完所有历元。最后得到周跳探测结果和周跳修复结果。
本发明还包括这样一些结构特征:
1.所述步骤1.1中,采集载波相位测量值和多普勒值方法:首先设定数据集大小m,以及当前处理历元n;然后以当前处理历元为结尾,向前采集m个历元的载波相位测量值和多普勒值,载波相位测量值和多普勒值在历元上一一对应。
所述步骤1.2中,对载波相位测量值进行特征数据提取方法:首先设定历元之间时间间隔Inte;然后以相邻历元载波相位测量值的微分量作为当前处理历元的特征值;最后对载波相位测量值的特征值进行归一化预处理。
所述步骤1.3中,对载波相位测量值的预处理特征数据划分训练集和测试集方法:将载波相位测量值的预处理特征数据前m-1个历元划分为训练部分;将载波相位测量值的预处理特征数据最后2个历元划分为测试部分。
2.所述步骤二中,设计用于预测载波相位测量值的特征数据的LSTM神经网络方法:输入层上一历元载波相位测量值的预处理特征数据xn-1;输出层当前历元载波相位测量值的预处理特征数据的回归预测值hn-1;隐藏层为单层,其节点个数设置为20个,包括遗忘门、输入门和输出门。
3.所述步骤3.1中,使用步骤1.3中的训练集对LSTM神经网络进行训练方法:首先将载波相位测量值的预处理特征数据划分标签,设定每次训练组数、训练次数、初始化学习率和梯度阈值;然后使用LSTN神经网络对步骤1.3中的训练训练集数据进行训练;最后对损失函数求导得到学习率,使之梯度下降到梯度阈值以内,训练完毕。
所述步骤3.2中,使用步骤1.3中的测试集输入LSTM神经网络进行预测方法:首先以上一历元的载波相位测量值的预测特征值为输入,预测当前历元载波相位测量值的预测特征值;然后对预测特征反归一化得到当前载波相位测量值的特征值。
4.所述步骤4.1中,探测周跳位置和周跳大小方法:首先以载波相位侧量值的特征值误差errn作为周跳检测量;然后设定周跳判定阈值H;当载波相位侧量值的特征值误差errn绝对值大于判定阈值,即|errn|>Hh时,判定为发生周跳,并记录周跳位置,否则未发生周跳;若发生周跳,则计算周跳大小,否则跳过此步骤。由预测误差errn得到周跳大小Cycn,周跳大小计算方程为:Cycn=errn*Inte。
与现有技术相比,本发明的有益效果是:本发明能够有效的探测出载波相位测量值的周跳现象,并能够有效的对周跳进行修复;本发明中LSTM神经网络考虑了数据的时序性,并能够准确根据前一历元对当前历元进行预测,从而准确探测出周跳现象;本发明可以对GNSS接收机输出的载波相位观测量进行实时处理;本发明用多普勒信息对周跳进行辅助修复,而非直接使用预测值,从而避免了预测误差累积,即使某时刻预测误差较大,也不会影响对周跳的修复精度,一定程度上增强了稳定性;本发明中LSTM神经网络处理多个历元训练一次,降低训练频率,提高了整体处理效率。
附图说明
图1为本发明所述周跳探测和修复整体流程图。
图2为LSTM神经网络结构图。
图3为LSTM神经网络拓扑图。
图4为G04原始载波相位测量值。
图5为G04原始多普勒测量值。
图6为G04均方根误差RMES。
图7为G04预测误差ERR。
图8为G04周跳探测结果。
图9为G04修复后均方根误差RMES。
图10为G04修复后的预测误差。
图11为G04修复后再次周跳探测结果。
图12(a)为G04 n=321历元处修复结果。
图12(b)为G04 n=453历元处修复结果。
图12(c)为G04 n=624历元处修复结果。
具体实施方式
下面结合附图与具体实施方式对本发明作进一步详细描述。
本发明步骤如下:
(1)采集载波相位测量值和多普勒值,并对数据做预处理。
首先设定数据集大小;然后采集载波相位测量值和多普勒值,并对对载波相位测量值进行特征提取;最后对载波相位测量值的特征做预处理,得到数据集。
假设数据集大小为m,当前处理历元为n(n>m),历元之间的时间间隔为Inte。
以当前处理历元n为结尾,向前采集m个历元的载波相位测量值[φn-m+1,φn-m+2,…,φn]和多普勒值[fn-m+1,fn-m+2,…,fn],载波相位测量值和多普勒值在历元上一一相对应;
由于:理论上,多普勒值的积分结果为载波相位测量值,两者相互关系可以表示为:
式中,φ1是t1时刻载波相位测量值;φ2是t2时刻载波相位测量值;f(i)为载波NCO输出的多普勒频移;TPLL为载波环路积分时间;为载波环第i个更新周期相位误差;m为t1到t2时间内载波更新周期TPLL的个数,即m=(t2-t1)/TPLL。
但是,实际GNSS接收机中载波相位测量值是直接通过载波NCO整周计数和小数部分输出,并不是由理论上的多普勒值积分计算而来,因此GNSS接收机输出的多普勒值和载波相位测量值的微分结果变化趋势相同、数值相近,但并非完全相同;另外,由于当前历元多普勒值与上一历元多普勒值无关,即两历元之间发生周跳后,不会影响当前历元的多普勒值;而载波相位测量值是累计得来,因此当前历元和上一历元之间某时刻发生周跳会影响之后所有历元的载波相位测量值,其当前历元的微分结果也会发生跳变。
因此,以载波相位测量值的微分结果作为其特征信息,并对特征数据进行处理用于探测周跳,相应历元的多普勒值作为参考修正信息。
对m个载波相位观测量进行特征提取得到特征[Tn-m+1,Tn-m+2,…,Tn],其表达式为:
其中,Li、Li-1分别为第i个历元和地i-1个历元的载波相位测量值;Inte为历元之间时间间隔;Ti为第i个历元的载波现相位测量值的特征。
以载波相位测量值的特征[Tn-m+1,Tn-m+2,…,Tn]作为数据集,对其进行Z-score标准归一化预处理,得到预处理后的数据集[xn-m+1,xn-m+2,…,xn],其表达式为:
反归一化表达式为:
将数据集进行划分为训练部分和测试部分:将数据集前m-1个历元划为训练部分Xtrain=[xn-m+1,xn-m+2,…,xn-1];
将数据集最后2个历元划分为测试部分Ytrain=[xn-1,xn]。
(2)设计用于预测载波相位测量值的特征数据的LSTM神经网络。
LSTM神经网络为输入层、输出层和隐藏层,如图1所示。
输入层维度为1,即以上一历元载波相位测量值的特征数据xn-1作为1维输入信息;
输出层维度为1,即以当前历元载波相位测量值的特征数据的回归预测值hn为1维输出信息;
隐藏层为单层,其节点个数设置为20个,包括遗忘门、输入门和输出门。
其中遗忘门通过一个sigmod激活函数单元处理,其输出值gn表示上一历元细胞状态Cn-1中信息保留或者丢弃多少,其表达式如下:
gn=sig(Wg·[hn-1,xn]+bg)
式中,xn为当前历元载波相位测量值的特征;hn-1为上个历元处理结果;gn为遗忘门输出;Wg为遗忘参数矩阵;bg为遗忘偏置。
输入门利用上一历元输出结果hn-1和当前历元输入xn和一个tanh激活函数单元,以及遗忘门输出结果gn得到当前历元新的细胞信息Cn,其表达式如下:
式中,xn为当前历元载波相位测量值的特征;hn-1为上个历元处理结果;Cn、Cn-1、分别为当前历元细胞状态、上一历元细胞状态、当前历元预测细胞状态;gn为遗忘门输出;in为输入门sigmod激活函数输出;Wi、WC为输入门参数矩阵;bi、bC为输入门偏置。
输出门利用上一历元输出hn-1和当前历元输入xn以及一个判断输出那些状态的sigmod激活函数单元,并通过一个tanh激活函数单元得到输出结果,其表达式如下:
式中,xn为当前历元载波相位测量值的特征;hn为当前历元处理结果;Cn为当前历元细胞状态;on为输出门sigmod激活函数输出;Wo为输出门参数矩阵;bo为输出门偏置。
(3)使用LSTM神经网络处理数据集。
使用步骤(2)中所设计的LSTM神经网络对步骤(1)中的载波相位测量值特征数据的预处理结果进行处理。
首先对步骤(2)中所设计的LSTM神经网络进行训练。为了提高效率,设定LSTM神经网络训练间隔为p,即处理p个历元训练一次。
首先将步骤(1)中用于训练的数据Xtrain=[xn-m+1,xn-m+2,…,xn-1]进行划分标签,设置每次训练的历元数量batch_size;然后设置训练次数empoch、然后初始学习率IniLearnRate和梯度阈值GradientThreshold,用划分好标签的训练集对步骤(2)中的LSTM神经网络进行训练,通过反向传播调节LSTM神经网络权值参数,所用损失函数loss为均方误差(MSE)损失函数,其表达式如下:
对损失函数求导得到学习率,使之梯度下降到梯度阈值以内,训练完毕。
然后对步骤(1)中测试数据Ytrain=[xn-1,xn]进行测试。即通过输入前一历元载波相位测量值的特征xn-1,来预测当前时刻载波相位测量值的特征(上一时刻的输出值,即为当前时刻的预测值)hn-1(xn的预测值)。
式中,n0为起始预测历元,n为当前预测历元。
(4)利用LSTM神经网络输出结果探测和修复周跳。
探测周跳并确定周跳位置和大小。首先确定周跳检测量:以载波相位侧量值的微分特征值误差errn作为周跳检测量,由于载波相位测量值和其特征值的关系式为:
设置周跳判定阈值H。则换算为载波相位侧量值的特征值预测误差阈值为Hh,其表达式为:
式中,H为载波相位测量值周跳判定阈值;Hx为对应微分特征的周跳判定阈值;Inte为历元间时间间隔。
周跳判定:当载波相位侧量值的微分特征值误差errn绝对值大于判定阈值,即|errn|>Hh时,判定为发生周跳;否则未发生周跳。记录周跳位置。
周跳大小:若发生周跳,则计算周跳大小;否则跳过此步骤。由载波相位侧量值和其特征值的关系,可以由预测误差errn得到周跳大小Cycn,其表达式为:
Cycn=errn*Inte
记录周跳大小。
周跳修复:若发生周跳,则对跳变位置进行修复;否则跳过此步骤。由于当前历元和上一历元间的周跳现象不会影响当前历元多普勒值,并且当前历元多普勒值和载波相位测量值的微分特征值在理论上一致。因此,当前历元探测出周跳时,用步骤(1)中对应当前历元的多普勒值fn代替当前历元载波相位测量值的微分特征值Tn。更新载波相位补偿量其表达式为:
(5)更新历元信息,并重复执行步骤(1)到步骤(4),直到处理完所有历元。得到周跳探测结果和周跳修复后的载波相位测量值。
结合具体数值给出本发明的实施例如下:
主要处理步骤:
步骤1:采集载波相位测量值和多普勒值,并对数据做预处理。
步骤2:设计用于预测载波相位测量值的特征数据的LSTM神经网络。
步骤3:使用LSTM神经网络处理数据集。
步骤4:利用LSTM神经网络输出结果探测和修复周跳。
步骤5:更新历元信息,并重复执行步骤1到步骤4,直到处理完所有历元。
本发明以GPS接收机输出的观测量数据为例,对具体处理过程进行详细的说明。数据中周跳为人为添加,该数据具体信息如表1所示。
表1 GPS数据基本信息
G04卫星1000个历元的原始载波相位和多普勒值变化趋势如图4和图5所示;
步骤1中,数据集设置为m=10,用前9个历元数据预测第10个历元;
起始处理历元为第n=10个历元;
历元间隔Inte=0.1s;
步骤1处理结果如表2所示,其中训练部分Xtrain=[xn-m+1,xn-m+2,…,xn-1],测试部分Ytrain=[xn-1,xn]。
表2 n=11时步骤1处理结果
步骤2中,LSTM神经网络结构如图2所示,其输入层维度为1,即以上一历元载波相位测量值的特征数据xn-1作为1维输入信息;输出层维度为1,即以当前历元载波相位测量值的特征数据的回归预测值hn为1维输出信息;隐藏层为单层,其节点个数设置为15个,包括遗忘门、输入门和输出门。
步骤3中,将训练间隔设置为p=20,即LSTM神经网络每处理15个历元训练一次;
每次训练的历元数量batch_size=8;
训练次数empoch=250;
初始学习率IniLearnRate=0.005;
梯度阈值GradientThreshold=1;
输出结果:xn=0.588725805282593
计算得到当前历元误差errn=-0.169895370211634
计算得到当前时刻均方根误差remsn=0.169895370211634
步骤4中,将周跳判定阈值H设定为0.3周,即检测大于0.3周的周跳;
周跳判定:|errn|>Hh时,判定为发生周跳;否则未发生周跳。记录周跳位置。(n=11历元未发生周跳)
周跳大小:若发生周跳,则计算周跳大小;否则跳过此步骤。
周跳大小Cycn=errn*Inte,记录周跳大小。(n=11历元未发生周跳)
周跳修复:若发生周跳,则对跳变位置进行修复;否则跳过此步骤。
步骤5更新历元信息n=n+1,循环处理完所有历元。
所有历元均方根误差RMES如图6所示;
所有历元预测误差ERR如图7所示,其中周跳处:
在n=321历元,err321=-7.9784;
在n=453历元,err453=50.2232;
在n=624历元,err624=-5.0369;
周跳探测结果如表3所示,所有历元探测结果如图8所示。
表3 G04号卫星周跳探测结果
周跳修复结果如表4所示。
表4 G04号卫星周跳修复结果
修复均方根误差如图9所示;
修复后预测误差如图10所示;
修复后再次进行周跳探测,结果如图11所示;
修复后载载波相位跳变位置局部对比如图12(a)、图12(b)、图12(c)所示。
由周跳探测结果和周跳修复结果可知,本发明可以有效探测并修复大于0.3周的周跳。
此外,由于北斗卫星导航系统、GPS卫星导航系统、伽利略卫星导航系统等载波周跳原理相同,因此本发明对GNSS具有通用性。
综上,本发明涉及的是一种GNSS周跳探测和修复方法。载波相位测量值是由GNSS接收机跟踪环路载波NCO输出,在精密定位过程中起关键作用,载波相位测量值发生周跳后会严重影响精密定位的精度。针对GNSS载波相位测量值的周跳现象,提出了基于LSTM神经网络的周跳探测和修复方法,通过长短时记忆网络(LSTM)对时序载波相位测量值的特征数据进行回归预测,并以多普勒信息进行辅助,实现了对GNSS载波相位测量值周跳的探测和修复。本发明包括以下步骤:(1)采集载波相位测量值和多普勒值,并对数据做预处理;(2)设计用于预测载波相位测量值的特征数据的LSTM神经网络;(3)使用LSTM神经网络处理数据集;(4)利用LSTM神经网络输出结果探测和修复周跳;(5)更新历元信息,并重复执行步骤(1)到步骤(4),直到处理完所有历元。最后得到周跳探测结果和周跳修复结果。经验证,本发明可以有效探测并修复大于0.3周的周跳。
Claims (8)
1.一种基于LSTM神经网络的周跳探测和修复方法,其特征在于:步骤如下:
步骤一:采集载波相位测量值和多普勒值,并对数据做预处理;
步骤二:设计用于预测载波相位测量值的特征数据的LSTM神经网络;
步骤三:使用LSTM神经网络处理数据集;
步骤四:利用LSTM神经网络输出结果探测和修复周跳;
步骤五:更新历元信息,并重复执行步骤一到步骤四,直到处理完所有历元,最后得到周跳探测结果和周跳修复结果。
2.根据权利要求1所述的一种基于LSTM神经网络的周跳探测和修复方法,其特征在于:步骤一包括:
步骤1.1:采集载波相位测量值和多普勒值;
步骤1.2:对载波相位测量值进行特征数据提取,并对特征数据进行预处理;
步骤1.3:对载波相位测量值的预处理特征数据划分训练集和测试集。
3.根据权利要求2所述的一种基于LSTM神经网络的周跳探测和修复方法,其特征在于:所述步骤1.1中,采集载波相位测量值和多普勒值方法:首先设定数据集大小m,以及当前处理历元n;然后以当前处理历元为结尾,向前采集m个历元的载波相位测量值和多普勒值,载波相位测量值和多普勒值在历元上一一对应;所述步骤1.2中,对载波相位测量值进行特征数据提取方法:首先设定历元之间时间间隔Inte;然后以相邻历元载波相位测量值的微分量作为当前处理历元的特征值;最后对载波相位测量值的特征值进行归一化预处理;所述步骤1.3中,对载波相位测量值的预处理特征数据划分训练集和测试集方法:将载波相位测量值的预处理特征数据前m-1个历元划分为训练部分;将载波相位测量值的预处理特征数据最后2个历元划分为测试部分。
4.根据权利要求1或2或3所述的一种基于LSTM神经网络的周跳探测和修复方法,其特征在于:所述步骤二中设计用于预测载波相位测量值的特征数据的LSTM神经网络方法为:输入层上一历元载波相位测量值的预处理特征数据xn-1;输出层当前历元载波相位测量值的预处理特征数据的回归预测值hn-1;隐藏层为单层,其节点个数设置为20个,包括遗忘门、输入门和输出门。
5.根据权利要求4所述的一种基于LSTM神经网络的周跳探测和修复方法,其特征在于:步骤三包括:
步骤3.1:使用步骤1.3中的训练集对LSTM神经网络进行训练;
步骤3.2:使用步骤1.3中的测试集对LSTM神经网络进行测试,并输出预测结果;
步骤3.3:计算LSTM神经网络输出误差。
6.据权利要求5所述的一种基于LSTM神经网络的周跳探测和修复方法,其特征在于:所述步骤3.1中,使用步骤1.3中的训练集对LSTM神经网络进行训练方法:首先将载波相位测量值的预处理特征数据划分标签,设定每次训练组数、训练次数、初始化学习率和梯度阈值;然后使用LSTN神经网络对步骤1.3中的训练训练集数据进行训练;最后对损失函数求导得到学习率,使之梯度下降到梯度阈值以内,训练完毕;
所述步骤3.2中,使用步骤1.3中的测试集输入LSTM神经网络进行预测方法:首先以上一历元的载波相位测量值的预测特征值为输入,预测当前历元载波相位测量值的预测特征值;然后对预测特征反归一化得到当前载波相位测量值的特征值;
7.根据权利要求5或6所述的一种基于LSTM神经网络的周跳探测和修复方法,其特征在于:步骤四包括:
步骤4.1:探测周跳位置和周跳大小;
步骤4.2:若发生周跳则对周跳进行修复;
步骤4.3:输出当前历元载波相位测量值。
8.根据权利要求7所述的一种基于LSTM神经网络的周跳探测和修复方法,其特征在于:所述步骤4.1中,探测周跳位置和周跳大小方法:首先以载波相位侧量值的特征值误差errn作为周跳检测量;然后设定周跳判定阈值H;当载波相位侧量值的特征值误差errn绝对值大于判定阈值,即|errn|>Hh时,判定为发生周跳,并记录周跳位置,否则未发生周跳;若发生周跳,则计算周跳大小,否则跳过此步骤;由预测误差errn得到周跳大小Cycn,周跳大小计算方程为:Cycn=errn*Inte;
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010607441.3A CN111856525B (zh) | 2020-06-29 | 2020-06-29 | 一种基于lstm神经网络的周跳探测和修复方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010607441.3A CN111856525B (zh) | 2020-06-29 | 2020-06-29 | 一种基于lstm神经网络的周跳探测和修复方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN111856525A true CN111856525A (zh) | 2020-10-30 |
CN111856525B CN111856525B (zh) | 2023-01-03 |
Family
ID=72988130
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010607441.3A Active CN111856525B (zh) | 2020-06-29 | 2020-06-29 | 一种基于lstm神经网络的周跳探测和修复方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111856525B (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112946697A (zh) * | 2021-01-29 | 2021-06-11 | 合肥工业大学智能制造技术研究院 | 一种基于深度学习的卫星信号周跳探测与修复方法 |
CN112946698A (zh) * | 2021-01-29 | 2021-06-11 | 合肥工业大学智能制造技术研究院 | 一种基于强化学习的卫星信号周跳探测方法 |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102565821A (zh) * | 2011-12-22 | 2012-07-11 | 浙江大学 | 多普勒频偏辅助的卫星导航信号载波周跳实时探测与修复的方法 |
CN103698785A (zh) * | 2013-12-13 | 2014-04-02 | 合肥工业大学 | 基于贯序极限学习机的卫星信号周跳探测与修复方法 |
CN106772478A (zh) * | 2016-11-11 | 2017-05-31 | 哈尔滨工程大学 | 一种基于历元‑星间差分约束的定位方法 |
CN108415042A (zh) * | 2018-01-19 | 2018-08-17 | 武汉大学 | 改善gnss接收机载波相位连续性的相位预测方法及系统 |
CN109765589A (zh) * | 2019-02-21 | 2019-05-17 | 哈尔滨工程大学 | 一种基于无电离层组合的三频gnss实时周跳固定技术 |
EP3665510A1 (en) * | 2018-10-31 | 2020-06-17 | Mitsubishi Electric Corporation | Positioning system, positioning method and storage medium |
-
2020
- 2020-06-29 CN CN202010607441.3A patent/CN111856525B/zh active Active
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102565821A (zh) * | 2011-12-22 | 2012-07-11 | 浙江大学 | 多普勒频偏辅助的卫星导航信号载波周跳实时探测与修复的方法 |
CN103698785A (zh) * | 2013-12-13 | 2014-04-02 | 合肥工业大学 | 基于贯序极限学习机的卫星信号周跳探测与修复方法 |
CN106772478A (zh) * | 2016-11-11 | 2017-05-31 | 哈尔滨工程大学 | 一种基于历元‑星间差分约束的定位方法 |
CN108415042A (zh) * | 2018-01-19 | 2018-08-17 | 武汉大学 | 改善gnss接收机载波相位连续性的相位预测方法及系统 |
EP3665510A1 (en) * | 2018-10-31 | 2020-06-17 | Mitsubishi Electric Corporation | Positioning system, positioning method and storage medium |
CN109765589A (zh) * | 2019-02-21 | 2019-05-17 | 哈尔滨工程大学 | 一种基于无电离层组合的三频gnss实时周跳固定技术 |
Non-Patent Citations (4)
Title |
---|
JIA PEI-ZHANG: "An Algorithm for Detecting and Estimating Cycle Slips in Single-frequency GPS", 《CHINESE ASTRONOMY AND ASTROPHYSICS》, 31 January 2001 (2001-01-31) * |
王坚 等: "北斗三频观测值强电离层条件下的周跳探测与修复", 《中国惯性技术学报》, vol. 25, no. 1, 28 February 2017 (2017-02-28) * |
程建华 等: "一种有效的GPS周跳探测与修复方法研究", 《传感器与微系统》, vol. 29, no. 9, 31 December 2010 (2010-12-31) * |
高杨: "BDS载波相位定位中周跳探测与修复方法的研究", 《中国优秀硕士学位论文全文数据库信息科技辑》, 31 December 2017 (2017-12-31) * |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112946697A (zh) * | 2021-01-29 | 2021-06-11 | 合肥工业大学智能制造技术研究院 | 一种基于深度学习的卫星信号周跳探测与修复方法 |
CN112946698A (zh) * | 2021-01-29 | 2021-06-11 | 合肥工业大学智能制造技术研究院 | 一种基于强化学习的卫星信号周跳探测方法 |
CN112946698B (zh) * | 2021-01-29 | 2023-08-29 | 合肥工业大学智能制造技术研究院 | 一种基于强化学习的卫星信号周跳探测方法 |
Also Published As
Publication number | Publication date |
---|---|
CN111856525B (zh) | 2023-01-03 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Ruwali et al. | Implementation of hybrid deep learning model (LSTM-CNN) for ionospheric TEC forecasting using GPS data | |
CN111856525B (zh) | 一种基于lstm神经网络的周跳探测和修复方法 | |
CN110988948B (zh) | 一种基于动对动相对定位场景中完好性分析方法 | |
CN103698785A (zh) | 基于贯序极限学习机的卫星信号周跳探测与修复方法 | |
CN112946698A (zh) | 一种基于强化学习的卫星信号周跳探测方法 | |
CN110727000B (zh) | 一种基于gnss高采样率数据的小周跳修复方法 | |
CN110673175A (zh) | 一种基于gnss广播星历的高轨卫星高精度自主定轨方法 | |
CN104076373A (zh) | 一种基于多信息融合辅助的载波跟踪方法与系统 | |
Liu et al. | A vehicular GPS error prediction model based on data smoothing preprocessed LSTM | |
CN105388496A (zh) | 基于gps的交通应用脆弱性检测系统及其方法 | |
CN110118979B (zh) | 基于广义互熵的改进差分进化算法估计多径参数的方法 | |
Farhad et al. | Fully adaptive smart vector tracking of weak GPS signals | |
CN112946697B (zh) | 一种基于深度学习的卫星信号周跳探测与修复方法 | |
CN108226976B (zh) | 一种RTK用自适应渐消Kalman滤波算法 | |
CN116010770A (zh) | 一种基于网络应用的时钟钟差估计预测方法 | |
CN107255824B (zh) | 一种误差与非误差建模相结合的高动态gnss矢量跟踪方法 | |
CN107015251B (zh) | 一种全球导航卫星系统伪距单点定位误差改正的方法 | |
CN115856963A (zh) | 基于深度神经网络学习的高精度定位算法 | |
Yao et al. | Effect of selection of combined observations on cycle-slip repair success rate for BDS triple-frequency signals | |
CN111641471B (zh) | 一种原子钟信号组合控制中预测的权重设计方法 | |
CN103940424A (zh) | 一种x射线脉冲星导航信号整周模糊度检测与估计方法 | |
CN111239785A (zh) | 一种无人驾驶定位测姿的载波相位周跳探测及修复方法 | |
CN118277879A (zh) | 一种基于融合预测模型的卫星钟差预报方法 | |
CN115826006B (zh) | 一种bds双频周跳探测组合方法 | |
Du et al. | A method for PPP ambiguity resolution based on Bayesian posterior probability |
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 |