CN112232365A - 一种卫星数据融合方法、装置、存储介质和设备 - Google Patents
一种卫星数据融合方法、装置、存储介质和设备 Download PDFInfo
- Publication number
- CN112232365A CN112232365A CN202010911495.9A CN202010911495A CN112232365A CN 112232365 A CN112232365 A CN 112232365A CN 202010911495 A CN202010911495 A CN 202010911495A CN 112232365 A CN112232365 A CN 112232365A
- Authority
- CN
- China
- Prior art keywords
- satellite
- data
- sequence
- common
- time period
- 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
- 238000007500 overflow downdraw method Methods 0.000 title claims abstract description 16
- 230000002457 bidirectional effect Effects 0.000 claims abstract description 162
- 230000004927 fusion Effects 0.000 claims abstract description 63
- 230000005540 biological transmission Effects 0.000 claims abstract description 44
- 238000000034 method Methods 0.000 claims abstract description 25
- 239000000203 mixture Substances 0.000 claims description 57
- 230000006870 function Effects 0.000 claims description 13
- 230000028161 membrane depolarization Effects 0.000 claims description 10
- 238000012545 processing Methods 0.000 claims description 9
- 238000004891 communication Methods 0.000 claims description 4
- 238000001514 detection method Methods 0.000 claims description 4
- 238000004590 computer program Methods 0.000 claims description 2
- 230000008569 process Effects 0.000 description 8
- 238000005516 engineering process Methods 0.000 description 6
- 238000010586 diagram Methods 0.000 description 4
- 238000013508 migration Methods 0.000 description 3
- 230000003287 optical effect Effects 0.000 description 3
- 238000004364 calculation method Methods 0.000 description 2
- 238000007499 fusion processing Methods 0.000 description 2
- 230000005012 migration Effects 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 239000013307 optical fiber Substances 0.000 description 2
- 230000000644 propagated effect Effects 0.000 description 2
- 230000007704 transition Effects 0.000 description 2
- 238000004458 analytical method Methods 0.000 description 1
- 238000003491 array Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000004422 calculation algorithm Methods 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 230000003203 everyday effect Effects 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 239000004065 semiconductor Substances 0.000 description 1
- 238000012546 transfer Methods 0.000 description 1
- 230000000007 visual effect Effects 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/25—Fusion techniques
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
- G06F17/10—Complex mathematical operations
- G06F17/18—Complex mathematical operations for evaluating statistical data, e.g. average values, frequency distributions, probability functions, regression analysis
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Pure & Applied Mathematics (AREA)
- Mathematical Analysis (AREA)
- Evolutionary Biology (AREA)
- Mathematical Physics (AREA)
- Bioinformatics & Computational Biology (AREA)
- General Engineering & Computer Science (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Computational Mathematics (AREA)
- Mathematical Optimization (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Operations Research (AREA)
- Probability & Statistics with Applications (AREA)
- Artificial Intelligence (AREA)
- Algebra (AREA)
- Evolutionary Computation (AREA)
- Databases & Information Systems (AREA)
- Software Systems (AREA)
- Radio Relay Systems (AREA)
Abstract
本方案公开了一种卫星数据融合方法、装置、存储介质和设备，其中，该方法的步骤包括：在传输数据中同时存在卫星共视数据和卫星双向数据时，将当前时段的卫星共视数据序列向卫星双向数据序列迁移，获得当前时段的卫星双向数据与卫星共视数据的融合结果；在传输数据中仅存在卫星共视数据时，利用前一时段的卫星双向数据序列对当前时段的卫星双向数据序列进行预测，获得预测卫星双向数据序列；将当前时段的卫星共视数据序列向预测卫星双向数据序列迁移，获得当前时段的卫星双向数据与卫星共视数据的融合结果。本方案能够有效提高远程时间频率比对的稳定性、可靠性和时间比对精度。
Description
技术领域
本方案涉及数据技术领域。更具体地，涉及一种基于高斯混合模型的卫星双向数据和卫星共视数据融合的方法、装置、可读存储介质和设备。
背景技术
目前，国内外应用最广泛的两种远程时间传递技术为卫星双向时间传递技术和卫星共视时间传递技术，也是国际计量局进行国际原子时计算最主要的两种时间比对方式。卫星共视时间传递是指位于不同位置的两个观测站同时观测同一颗导航卫星，以实现两站之间的远程时间同步。卫星共视法可消除卫星钟差的影响，时间比对不确定度可达5ns，而且实现时所需设备简单、搭建成本低、可连续运行。卫星双向时间传递技术是位于不同位置的两个观测站利用通信卫星以既发又收的方式同时交换时间信息，传递链路完全对称，链路上的传播时延几乎可以完全抵消，时间比对不确定度小于1ns，不过卫星双向需要租赁通信卫星、运行成本高，因此，通常采用间断比对的方式，即在每天几个固定时段进行比对，并不连续比对。
发明内容
本方案目的在于提供一种基于高斯混合模型的卫星双向数据和卫星共视数据融合的方法、装置、可读存储介质和设备。
为达到上述目的，本方案如下：
第一方面，本方案提供一种数据融合方法，该方法的步骤包括：
在传输数据中同时存在卫星共视数据和卫星双向数据时，将当前时段的卫星共视数据序列向卫星双向数据序列迁移，获得当前时段的卫星双向数据与卫星共视数据的融合结果；
在传输数据中仅存在卫星共视数据时，利用前一时段的卫星双向数据序列对当前时段的卫星双向数据序列进行预测，获得预测卫星双向数据序列；将当前时段的卫星共视数据序列向预测卫星双向数据序列迁移，获得当前时段的卫星双向数据与卫星共视数据的融合结果。
在一种优选地实施例中，所述在传输数据中同时存在卫星共视数据和卫星双向数据时，将当前时段的卫星共视数据序列向卫星双向数据序列迁移，获得当前时段的卫星双向数据与卫星共视数据的融合结果的步骤包括：
当前时段为初始时段；
以当前时段的卫星双向数据序列作为真值序列；
利用高斯模型，计算得到当前时段的卫星双向数据序列的高斯模型的均值和方差；
根据高斯混合模型与高斯模型之间均值和方差的关系模型，确定当前时段的卫星双向数据序列的高斯混合模型的均值和方差；
利用高斯模型，计算得到当前时段的卫星共视数据序列的高斯模型均值和方差；
将卫星共视数据序列向真值序列迁移，获得当前时段的卫星双向数据与卫星共视数据的融合结果。
在一种优选地实施例中，所述在传输数据中仅存在卫星共视数据时，利用前一时段的卫星双向数据序列对当前时段的卫星双向数据序列进行预测，获得预测卫星双向数据序列；将当前时段的卫星共视数据序列向预测卫星双向数据序列迁移，获得当前时段的卫星双向数据与卫星共视数据的融合结果的步骤包括：
当前时段为数据传输过程中的任一时段；
根据高斯混合模型与高斯模型之间均值和方差的关系模型，利用前一时段卫星双向数据序列的高斯模型均值和方差，以及高斯混合模型均值和方差，确定预测卫星双向数据序列的高斯混合模型的均值和方差；
将预测卫星双向数据序列作为真值序列；
利用高斯模型，计算得到当前时段的卫星共视数据序列的高斯模型均值和方差；
将卫星共视数据序列向真值序列迁移，获得当前时段的卫星双向数据与卫星共视数据的融合结果。
在一种优选地实施例中，所述高斯混合模型与高斯模型之间均值和方差的关系模型为：
其中，α为学习率，反映k时段数据序列融入历史数据的速率；
μk为k时段数据序列的高斯模型均值；
在一种优选地实施例中，所述卫星共视数据序列向真值序列迁移的步骤包括：
计算卫星共视数据序列的高斯均值与所述真值序列的高斯混合模型均值的偏差；
根据上一步骤中的偏差，对卫星共视数据序列进行去偏处理，获得去偏后的卫星共视数据序列，并计算其高斯模型均值和方差；
将去偏后的卫星共视数据序列的高斯模型方差向所述真值序列的高斯混合模型方差迁移，对去偏后的卫星共视数据序列进行降噪；
根据概率密度函数，分别计算去偏后的卫星共视数据序列和所述真值序列的概率密度值；
将去偏后的卫星共视数据序列的概率密度值向所述真值序列的概率密度值迁移，获得迁移后的卫星共视数据序列，并将该序列作为卫星双向数据与卫星共视数据的融合结果。
第二方面，本方案提供一种数据融合系统，该系统包括：
第一融合单元，在传输数据中同时存在卫星共视数据和卫星双向数据时，将当前时段的卫星共视数据序列向卫星双向数据序列迁移，获得当前时段的卫星双向数据与卫星共视数据的融合结果；
第二融合单元，在传输数据中仅存在卫星共视数据时，利用前一时段的卫星双向数据序列对当前时段的卫星双向数据序列进行预测，获得预测卫星双向数据序列；将当前时段的卫星共视数据序列向预测卫星双向数据序列迁移，获得当前时段的卫星双向数据与卫星共视数据的融合结果。
在一种优选地实施例中，该系统包括：检测单元，检测传输数据中包含的数据类型；
若同时存在卫星共视数据和卫星双向数据，则执行第一融合单元的融合步骤；
若仅存在卫星共视数据，则执行第二融合单元的融合步骤。
第三方面，本方案提供一种计算机可读存储介质，其上存储有计算机程序，该程序被处理器执行时实现上述数据融合方法的步骤。
第四方面，本方案提供一种设备，包括：存储器，一个或多个处理器；存储器与处理器通过通信总线相连；处理器被配置为执行存储器中的指令；所述存储介质中存储有用于执行上述数据融合方法中各个步骤的指令。
本方案的有益效果如下：
本方案以卫星双向数据作为真值，结合高斯模型和高斯混合模型，将卫星共视数据序列向卫星双向数据序列迁移获得融合结果，充分发挥卫星双向比对和卫星共视比对的优势，有效提高远程时间频率比对的稳定性、可靠性和时间比对精度。
附图说明
为了更清楚地说明本方案的实施，下面将对实施例描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本方案的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。
图1示出本方案所述数据融合方法的一个实例的示意图
图2示出本方案所述数据融合系统的一个实例的示意图；
图3示出本方案所述一种电子设备的示意图；
图4示出本方案实施例中数据传输过程的一种实例的示意图。
具体实施方式
下面将结合附图对本方案的实施方式作进一步地详细描述。显然，所描述的实施例仅是本方案的一部分实施例，而不是所有实施例的穷举。需要说明的是，在不冲突的情况下，本方案中的实施例及实施例中的特征可以相互组合。
经研究与分析，卫星双向技术和卫星共视技术最大的区别在于两点：第一点，卫星共视时间比对方式可不间断运行，比对数据连续；卫星双向时间比对方式通常只能分时段间断运行，比对数据不连续。第二点，卫星双向的时间比对不确定度明显小于卫星共视。可以看出，两种技术均有不足之处，对于远程时间频率比对的稳定性、可靠性和时间比对精度会有影响。
因此，本方案意在提供一种卫星双向数据和卫星共视数据的融合方法，将卫星双向和卫星共视两种比对方法相融合，从而能够有效提高远程时间频率比对的稳定性、可靠性和时间比对精度。本方法可以利用高斯混合模型思想来理解卫星双向数据的分布特点，可以认为在某一个时间段内，卫星双向数据是符合高斯分布的；而若将该时段之前的历史数据考虑在内，那么卫星双向数据是符合高斯混合分布的。同样的，某一时间段内的卫星共视数据也符合高斯分布。
高斯混合模型(Gaussian Mixture Model，GMM)就是用高斯概率密度函数精确地量化事物，它是一个将事物分解为若干的基于高斯概率密度函数形成的模型。
以下，结合附图对本方案提出的一种卫星数据融合方法进行详细描述。该方法可以包括如下步骤：
步骤S1、检测传输数据中包含的数据类型；若同时存在卫星共视数据和卫星双向数据，则执行步骤S2；若仅存在卫星共视数据，则执行步骤S3；
步骤S2、在传输数据中同时存在卫星共视数据和卫星双向数据时，将当前时段的卫星共视数据序列向卫星双向数据序列迁移，获得当前时段的卫星双向数据与卫星共视数据的融合结果；
步骤S3、在传输数据中仅存在卫星共视数据时，利用前一时段的卫星双向数据序列对当前时段的卫星双向数据序列进行预测，获得预测卫星双向数据序列；将当前时段的卫星共视数据序列向预测卫星双向数据序列迁移，获得当前时段的卫星双向数据与卫星共视数据的融合结果。
本方案中可以将卫星双向数据序列作为真值序列，利用高斯混合分布的算法思想设计真值序列的概率密度函数，然后根据该函数将卫星共视数据向真值迁移，得到最终融合值。
因此，本方案中，需要先确定当前传输时段的传输数据中包含的数据类型，根据包含的数据类型采用不同的策略对卫星双向数据和卫星共视数据进行融合。
具体来说，检测当前时段的传输数据中同时存在卫星共视数据和卫星双向数据，则可以将卫星双向数据序列直接作为真值，将卫星共视数据序列向为卫星双向数据序列进行迁移，获得融合数据结果。检测当前时段的传输数据中仅存在卫星共视局，则需要对当前时段的卫星双向数据进行预测，之后将预测的卫星双向数据序列作为真值序列，再将卫星共视数据序列向预测的卫星双向数据序列进行迁移，获得融合数据结果。
在一种实施例中，当前时段为初始时刻，初始时刻没有历史数据，在当前时段内传输数据中同时包含卫星共视数据和卫星双向数据，则可以基于高斯模型、高斯混合模型和高斯混合模型与高斯模型之间均值和方差的关系模型，对卫星共视数据序列和卫星双向数据序列进行处理，将处理后的卫星共视数据序列向处理后的卫星双向数据序列迁移，获得融合结果。除了初始时刻所在时段外，其他数据传输时段中的某一时段的传输数据可以同时包含卫星共视数据和卫星双向数据，也可以进包含卫星共视数据。
在步骤S2中，由于在传输数据中同时存在卫星共视数据和卫星双向数据，因此，可以直接将卫星双向数据作为真值序列，基于高斯模型、高斯混合模型和高斯混合模型与高斯模型之间均值和方差的关系模型，对卫星共视数据序列和卫星双向数据序列进行处理，将处理后的卫星共视数据序列向处理后的卫星双向数据序列迁移，获得融合结果。
具体来说，以当前时段的卫星双向数据序列作为真值序列；利用高斯模型，计算得到当前时段的卫星双向数据序列的高斯模型的均值和方差；根据高斯混合模型与高斯模型之间均值和方差的关系模型，确定当前时段的卫星双向数据序列的高斯混合模型的均值和方差；利用高斯模型，计算得到当前时段的卫星共视数据序列的高斯模型均值和方差；将卫星共视数据序列向真值序列迁移，获得当前时段的卫星双向数据与卫星共视数据的融合结果。其中，同时具有卫星双向数据和卫星共视数据的时段可以为初始时段或数据传输过程中的任一时段。
在步骤S3中，由于在传输数据中仅存在卫星共视数据，因此，需要根据前一时段的卫星双向数据对当前时段的卫星双向数据进行预测，之后将预测的卫星双向数据序列作为真值序列，基于高斯模型、高斯混合模型和高斯混合模型与高斯模型之间均值和方差的关系模型，对卫星共视数据序列和预测的卫星双向数据序列进行处理，将处理后的卫星共视数据序列向处理后的预测卫星双向数据序列迁移，获得融合结果。
具体来说，根据高斯混合模型与高斯模型之间均值和方差的关系模型，利用前一时段卫星双向数据序列的高斯模型均值和方差，以及高斯混合模型均值和方差，确定预测卫星双向数据序列的高斯混合模型的均值和方差；将预测卫星双向数据序列作为真值序列；利用高斯模型，计算得到当前时段的卫星共视数据序列的高斯模型均值和方差；将卫星共视数据序列向真值序列迁移，获得当前时段的卫星双向数据与卫星共视数据的融合结果。此处需要注意的是，仅具有卫星双向数据时段可以为数据传输过程中的任一时段，但不能是初始时段。
本方案中，可以根据高斯混合分布来涉及真值序列的概率密度函数，该概率密度函数与高斯模型和高斯混合模型之间的均值和方差具有紧密关联。因此，本方案构建了高斯混合模型与高斯模型之间均值和方差的关系模型：
其中，α为学习率，反映k时段数据序列融入历史数据的速率；
μk为k时段数据序列的高斯模型均值；
利用高斯混合模型与高斯模型之间均值和方差的关系模型，可以在没有卫星双向数据的时段内，根据前一时段的卫星双向数据，对当前时段内的卫星双向数据进行预测。
本方案中，卫星共视数据序列向真值序列迁移的过程为：计算卫星共视数据序列的高斯均值与所述真值序列的高斯混合模型均值的偏差；根据上一步骤中的偏差，对卫星共视数据序列进行去偏处理，获得去偏后的卫星共视数据序列，并计算其高斯模型均值和方差；将去偏后的卫星共视数据序列的高斯模型方差向所述真值序列的高斯混合模型方差迁移，对去偏后的卫星共视数据序列进行降噪；根据概率密度函数，分别计算去偏后的卫星共视数据序列和所述真值序列的概率密度值；将去偏后的卫星共视数据序列的概率密度值向所述真值序列的概率密度值迁移，获得迁移后的卫星共视数据序列，并将该序列作为卫星双向数据与卫星共视数据的融合结果。
本方案以卫星双向数据作为真值，结合高斯模型和高斯混合模型，将卫星共视数据序列向卫星双向数据序列迁移获得融合结果，充分发挥卫星双向比对和卫星共视比对的优势，有效提高远程时间频率比对的稳定性、可靠性和时间比对精度。
如图2所示，本方案进一步提供了配合上述数据融合方法实施的数据融合系统，该系统包括：
检测单元101，检测传输数据中包含的数据类型；若同时存在卫星共视数据和卫星双向数据，则执行第一融合单元的融合步骤；若仅存在卫星共视数据，则执行第二融合单元的融合步骤；
第一融合单元102，在传输数据中同时存在卫星共视数据和卫星双向数据时，将当前时段的卫星共视数据序列向卫星双向数据序列迁移，获得当前时段的卫星双向数据与卫星共视数据的融合结果；
第二融合单元103，在传输数据中仅存在卫星共视数据时，利用前一时段的卫星双向数据序列对当前时段的卫星双向数据序列进行预测，获得预测卫星双向数据序列；将当前时段的卫星共视数据序列向预测卫星双向数据序列迁移，获得当前时段的卫星双向数据与卫星共视数据的融合结果。
数据融合系统在工作时，先利用检测单元101对当前时段传输数据中包含的数据类型进行判断，若同时存在卫星共视数据和卫星双向数据，则利用第一融合单元102将当前时段的卫星共视数据序列向卫星双向数据序列迁移，获得当前时段的卫星双向数据与卫星共视数据的融合结果。若仅存在卫星共视数据，则利用第二融合单元103根据前一时段的卫星双向数据序列对当前时段的卫星双向数据序列进行预测，获得预测卫星双向数据序列；将当前时段的卫星共视数据序列向预测卫星双向数据序列迁移，获得当前时段的卫星双向数据与卫星共视数据的融合结果。
在上述卫星数据融合方法实施方式的基础上，本方案进一步提供一种计算机可读存储介质。该计算机可读存储介质用于实现上述数据采集方法的程序产品，其可以采用便携式紧凑盘只读存储器(CD-ROM)并包括程序代码，并可以在设备，例如个人电脑上运行。然而，本发明的程序产品不限于此，在本文件中，可读存储介质可以是任何包含或存储程序的有形介质，该程序可以被指令执行系统、装置或者器件使用或者与其结合使用。
所述程序产品可以采用一个或多个可读介质的任意组合。可读介质可以是可读信号介质或者可读存储介质。可读存储介质例如可以为但不限于电、磁、光、电磁、红外线、或半导体的系统、装置或器件，或者任意以上的组合。可读存储介质的更具体的例子(非穷举的列表)包括：具有一个或多个导线的电连接、便携式盘、硬盘、随机存取存储器(RAM)、只读存储器(ROM)、可擦式可编程只读存储器(EPROM或闪存)、光纤、便携式紧凑盘只读存储器(CD-ROM)、光存储器件、磁存储器件、或者上述的任意合适的组合。
计算机可读存储介质可以包括在基带中或者作为载波一部分传播的数据信号，其中承载了可读程序代码。这种传播的数据信号可以采用多种形式，包括但不限于电磁信号、光信号或上述的任意合适的组合。可读信号介质还可以是可读存储介质以外的任何可读介质，该可读介质可以发送、传播或者传输用于由指令执行系统、装置或者器件使用或者与其结合使用的程序。
计算机可读存储介质上包含的程序代码可以用任何适当的介质传输，包括但不限于无线、有线、光缆、RF等等，或者上述的任意合适的组合。
可以以一种或多种程序设计语言的任意组合来编写用于执行本方案操作的程序代码，所述程序设计语言包括面向对象的程序设计语言-诸如Java、C++等，还包括常规的过程式程序设计语言-诸如"C"语言或类似的程序设计语言。程序代码可以完全地在用户计算设备上执行、部分在用户计算设备上部分在远程计算设备上执行、或者完全在远程计算设备或服务器上执行。在涉及远程计算设备的情形中，远程计算设备可以通过任意种类的网络，包括局域网(LAN)或广域网(WAN)，连接到用户计算设备，或者，可以连接到外部计算设备(例如利用因特网服务提供商来通过因特网连接)。
在上述卫星数据融合方法实施方式的基础上，本方案进一步提供一种电子设备。图3所示电子设备仅仅是一个示例，不应对本方案实施例的功能和使用范围带来任何限制。
如图3所示，电子设备201以通用计算设备的形式表现。电子设备201的组件可以包括但不限于：至少一个存储单元202、至少一个处理单元203、显示单元204和用于连接不同系统组件的总线205。
其中，所述存储单元202存储有程序代码，所述程序代码可以被所述处理单元203执行，使得所述处理单元203执行上述数据采集方法中描述的各种示例性实施方式的步骤。例如，所述处理单元203可以执行如图1中所示的步骤。
存储单元202可以包括易失性存储单元，例如随机存取存储单元(RAM)和/或高速缓存存储单元，还可以进一步包括只读存储单元(ROM)。
存储单元202还可以包括具有程序模块的程序/实用工具，这样的程序模块包括但不限于：操作系统、一个或者多个应用程序、其它程序模块以及程序数据，这些示例中的每一个或某种组合中可能包括网络环境的实现。
总线205可以包括数据总线、地址总线和控制总线。
电子设备201也可以与一个或多个外部设备207(例如键盘、指向设备、蓝牙设备等)通信，这种通信可以通过输入/输出(I/O)接口206进行。应当明白，尽管图中未示出，可以结合电子设备201使用其它硬件和/或软件模块，包括但不限于：微代码、设备驱动器、冗余处理单元、外部磁盘驱动阵列、RAID系统、磁带驱动器以及数据备份存储系统等。
下面通过实例对本方案做进一步说明。
如图4所示，为一种数据传输实例的示意图。图中数据传输过程以初始时段T0开始，随后，卫星双向数据以间隔时段的方式出现传输数据中。
本实施例中，利用高斯混合分布来设计真值序列的概率密度函数时，主要确定其中的两个参数，分别为均值
和方差
其中，α——学习率，反映k时段数据序列融入历史数据的速率；
μk——k时段数据序列的高斯模型均值；
基于上述关系模型，卫星共视数据和卫星双向数据的融合过程如下：
第一阶段：在T0时间段内，共视数据与卫星双向数据同时存在。
以卫星双向数据序列
为真值，序列D0,双向的高斯模型均值μ0,双向和方差
分别为
其中，ρi,双向为xi在D0,双向中的概率。
由于T0时间段为初始时段，此时没有历史数据，根据公式(1)，得出序列D0,双向的高斯混合模型均值
和方差
分别为
该时段卫星共视数据序列为
认为其符合高斯分布，高斯模型均值μ0,共视和方差
分别为
其中，ρi,共视为yi在D0,共视中的概率。
将卫星共视数据D0,共视向真值迁移的过程如下：
1)计算原始共视序列D0,共视高斯均值与真值序列D0,双向高斯混合均值的偏差
2)对序列D0,共视做去偏处理，即将D0,共视的所有数据点减去Δμ0，得到去偏后的共视数据序列
序列
的高斯均值为
高斯方差为
3)将序列
的高斯方差向真值序列D0,双向的高斯混合方差迁移，该过程是对共视数据进行降噪的过程。
符合高斯分布，根据概率密度函数
计算序列
中每个数据值
的概率
根据真值序列的均值
和方差
可知真值序列的概率密度函数
设去偏的共视数据
向真值迁移后的值为
去偏的共视数据序列
向真值迁移后的数据序列为
序列
中每个数据点
的概率值
应与序列
中每个数据点
的概率值
相等，即
联合公式(7)、(9)、(10)，可计算得到
进而得到数据序列
该序列即为T0时间段卫星双向数据与卫星共视数据的融合结果。
第二阶段，在T1时间段内，共视数据存在，卫星双向数据中断。
在此时间段内，需要先预测真值的分布情况，然后再将共视数据向真值迁移。
由于T1时间段缺少卫星双向数据序列D1,双向，无法得到其真实的高斯模型均值μ1,双向与方差
因此利用T0时间段的历史数据序列D0,双向的高斯模型对其进行预测，即
那么利用公式(1)可以计算得到T1时间段真值序列的高斯混合模型均值
与方差
T1时间段内卫星共视数据序列为
符合高斯分布，高斯模型均值为μ1,共视，方差为
两者的计算过程参见公式(4)。
将卫星共视数据D1,共视向真值迁移，过程与T0时间段的迁移过程相同，从而得到T1时间段卫星双向数据与卫星共视数据的融合结果
第三阶段，在T2时间段内，共视数据和卫星双向数据再次同时存在。
首先，以卫星双向数据序列
为真值，参照公式(2)计算序列D2,双向的高斯模型均值μ2,双向和方差
并利用公式(1)高斯混合模型均值
和方差
然后，T2时间段内卫星共视数据序列为
参照公式(4)计算序列D2,共视的高斯模型均值μ1,共视和方差。
最后，将卫星共视数据序列D2,共视向真值迁移，迁移过程与T0时间段相同，从而得到T2时间段卫星双向数据与卫星共视数据的融合结果
依次类推，之后的各时间段内，数据融合处理过程均按照上述步骤完成，此处不再赘述。
显然，本发明的上述实施例仅仅是为清楚地说明本发明所作的举例，而并非是对本发明的实施方式的限定，对于所属领域的普通技术人员来说，在上述说明的基础上还可以做出其它不同形式的变化或变动，这里无法对所有的实施方式予以穷举，凡是属于本发明的技术方案所引伸出的显而易见的变化或变动仍处于本发明的保护范围之列。
Claims (9)
1.一种卫星数据融合方法，其特征在于，该方法的步骤包括：
在传输数据中同时存在卫星共视数据和卫星双向数据时，将当前时段的卫星共视数据序列向卫星双向数据序列迁移，获得当前时段的卫星双向数据与卫星共视数据的融合结果；
在传输数据中仅存在卫星共视数据时，利用前一时段的卫星双向数据序列对当前时段的卫星双向数据序列进行预测，获得预测卫星双向数据序列；将当前时段的卫星共视数据序列向预测卫星双向数据序列迁移，获得当前时段的卫星双向数据与卫星共视数据的融合结果。
2.根据权利要求1所述的卫星数据融合方法，其特征在于，所述在传输数据中同时存在卫星共视数据和卫星双向数据时，将当前时段的卫星共视数据序列向卫星双向数据序列迁移，获得当前时段的卫星双向数据与卫星共视数据的融合结果的步骤包括：
当前时段为初始时段或数据传输过程中的任一时段；
以当前时段的卫星双向数据序列作为真值序列；
利用高斯模型，计算得到当前时段的卫星双向数据序列的高斯模型的均值和方差；
根据高斯混合模型与高斯模型之间均值和方差的关系模型，确定当前时段的卫星双向数据序列的高斯混合模型的均值和方差；
利用高斯模型，计算得到当前时段的卫星共视数据序列的高斯模型均值和方差；
将卫星共视数据序列向真值序列迁移，获得当前时段的卫星双向数据与卫星共视数据的融合结果。
3.根据权利要求1所述的卫星数据融合方法，其特征在于，所述在传输数据中仅存在卫星共视数据时，利用前一时段的卫星双向数据序列对当前时段的卫星双向数据序列进行预测，获得预测卫星双向数据序列；将当前时段的卫星共视数据序列向预测卫星双向数据序列迁移，获得当前时段的卫星双向数据与卫星共视数据的融合结果的步骤包括：
当前时段为数据传输过程中的任一时段；
根据高斯混合模型与高斯模型之间均值和方差的关系模型，利用前一时段卫星双向数据序列的高斯模型均值和方差，以及高斯混合模型均值和方差，确定预测卫星双向数据序列的高斯混合模型的均值和方差；
将预测卫星双向数据序列作为真值序列；
利用高斯模型，计算得到当前时段的卫星共视数据序列的高斯模型均值和方差；
将卫星共视数据序列向真值序列迁移，获得当前时段的卫星双向数据与卫星共视数据的融合结果。
4.根据权利要求2或3所述的卫星数据融合方法，其特征在于，所述高斯混合模型与高斯模型之间均值和方差的关系模型为：
其中，α为学习率，反映k时段数据序列融入历史数据的速率；
μk为k时段数据序列的高斯模型均值；
5.根据权利要求1至3任一项所述的卫星数据融合方法，其特征在于，所述卫星共视数据序列向真值序列迁移的步骤包括：
计算卫星共视数据序列的高斯均值与所述真值序列的高斯混合模型均值的偏差；
根据上一步骤中的偏差，对卫星共视数据序列进行去偏处理，获得去偏后的卫星共视数据序列，并计算其高斯模型均值和方差；
将去偏后的卫星共视数据序列的高斯模型方差向所述真值序列的高斯混合模型方差迁移，对去偏后的卫星共视数据序列进行降噪；
根据概率密度函数，分别计算去偏后的卫星共视数据序列和所述真值序列的概率密度值；
将去偏后的卫星共视数据序列的概率密度值向所述真值序列的概率密度值迁移，获得迁移后的卫星共视数据序列，并将该序列作为卫星双向数据与卫星共视数据的融合结果。
6.一种卫星数据融合系统，其特征在于，该系统包括：
第一融合单元，在传输数据中同时存在卫星共视数据和卫星双向数据时，将当前时段的卫星共视数据序列向卫星双向数据序列迁移，获得当前时段的卫星双向数据与卫星共视数据的融合结果；
第二融合单元，在传输数据中仅存在卫星共视数据时，利用前一时段的卫星双向数据序列对当前时段的卫星双向数据序列进行预测，获得预测卫星双向数据序列；将当前时段的卫星共视数据序列向预测卫星双向数据序列迁移，获得当前时段的卫星双向数据与卫星共视数据的融合结果。
7.根据权利要求6所述的数据融合系统，其特征在于，该系统包括：检测单元，检测传输数据中包含的数据类型；
若同时存在卫星共视数据和卫星双向数据，则执行第一融合单元的融合步骤；
若仅存在卫星共视数据，则执行第二融合单元的融合步骤。
8.一种计算机可读存储介质，其上存储有计算机程序，其特征在于，该程序被处理器执行时实现如权利要求1至5任一项所述方法的步骤。
9.一种设备，其特征在于，包括：存储器，一个或多个处理器；存储器与处理器通过通信总线相连；处理器被配置为执行存储器中的指令；所述存储介质中存储有用于执行如权利要求1至5任一项所述方法中各个步骤的指令。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202010911495.9A CN112232365B (zh) | 2020-09-02 | 2020-09-02 | 一种卫星数据融合方法、装置、存储介质和设备 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202010911495.9A CN112232365B (zh) | 2020-09-02 | 2020-09-02 | 一种卫星数据融合方法、装置、存储介质和设备 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN112232365A true CN112232365A (zh) | 2021-01-15 |
| CN112232365B CN112232365B (zh) | 2023-12-01 |
Family
ID=74115831
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202010911495.9A Active CN112232365B (zh) | 2020-09-02 | 2020-09-02 | 一种卫星数据融合方法、装置、存储介质和设备 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN112232365B (zh) |
Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20140206367A1 (en) * | 2000-06-13 | 2014-07-24 | Comcast Cable Communications, Llc | Method and apparatus for optimization of wireless multipoint electromagnetic communication networks |
| CN107037470A (zh) * | 2017-05-04 | 2017-08-11 | 南京康帕斯导航科技有限公司 | 基于逆向rtd和行人航位推算融合的米级定位方法及系统 |
| CN107579794A (zh) * | 2017-08-21 | 2018-01-12 | 中国科学院国家授时中心 | 一种基于北斗geo导航卫星的精密共视时间频率传递方法 |
| CN110808803A (zh) * | 2019-10-16 | 2020-02-18 | 北京航空航天大学 | 一种高可靠性、高性能的基准参考时钟系统 |
-
2020
- 2020-09-02 CN CN202010911495.9A patent/CN112232365B/zh active Active
Patent Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20140206367A1 (en) * | 2000-06-13 | 2014-07-24 | Comcast Cable Communications, Llc | Method and apparatus for optimization of wireless multipoint electromagnetic communication networks |
| CN107037470A (zh) * | 2017-05-04 | 2017-08-11 | 南京康帕斯导航科技有限公司 | 基于逆向rtd和行人航位推算融合的米级定位方法及系统 |
| CN107579794A (zh) * | 2017-08-21 | 2018-01-12 | 中国科学院国家授时中心 | 一种基于北斗geo导航卫星的精密共视时间频率传递方法 |
| CN110808803A (zh) * | 2019-10-16 | 2020-02-18 | 北京航空航天大学 | 一种高可靠性、高性能的基准参考时钟系统 |
Non-Patent Citations (1)
| Title |
|---|
| 张虹; 广伟; 袁海波; 张继海: "《 TWSTFT与北斗共视数据融合算法研究》", 《中国会议》, pages 1 - 4 * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN112232365B (zh) | 2023-12-01 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN111145076B (zh) | 数据并行化处理方法、系统、设备及存储介质 | |
| US11073396B2 (en) | Integrated positioning method and system | |
| EP3859678A1 (en) | Method and apparatus for generating 3d joint point regression model | |
| CN111340220B (zh) | 用于训练预测模型的方法和装置 | |
| CN113029129B (zh) | 车辆的定位信息的确定方法、装置及存储介质 | |
| CN114297475A (zh) | 一种对象推荐方法、装置、电子设备及存储介质 | |
| CN110703758A (zh) | 一种路径规划方法和装置 | |
| CN112528995A (zh) | 用于训练目标检测模型的方法、目标检测方法及装置 | |
| US9460243B2 (en) | Selective importance sampling | |
| CN113901341A (zh) | 导航信息提示方法、装置、介质及程序产品 | |
| US20210303162A1 (en) | Method, electronic device, and computer program product for recovering data | |
| CN113050643A (zh) | 无人车路径规划方法、装置、电子设备和计算机可读介质 | |
| CN112232365B (zh) | 一种卫星数据融合方法、装置、存储介质和设备 | |
| CN115817515B (zh) | 车辆控制方法、装置、电子设备和计算机可读介质 | |
| CN115567896A (zh) | 应用于车辆的通信方法、装置、电子设备、介质及车辆 | |
| CN113970754A (zh) | 一种自主可行驶设备的定位方法和装置 | |
| US20170308489A1 (en) | Speculative and iterative execution of delayed data flow graphs | |
| CN110033088B (zh) | 估计gps数据的方法和装置 | |
| CN111897903A (zh) | 船舶位置预测方法、装置、电子设备和计算机可读介质 | |
| CN110647519B (zh) | 对测试样本中的缺失属性值进行预测的方法及装置 | |
| CN110633707A (zh) | 预测速度的方法和装置 | |
| CN115840016B (zh) | 色谱分析系统的备份还原方法、装置、设备和计算机介质 | |
| CN115048621B (zh) | 空间飞行器的跟踪测量方法、装置、电子设备及介质 | |
| CN114792258B (zh) | 信息生成方法、装置、电子设备和计算机可读介质 | |
| CN111308997B (zh) | 用于生成行驶路径的方法和装置 |
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 |