CN112558115A - 一种基于自适应bfo-pso改进粒子滤波的卫星raim监测方法 - Google Patents

一种基于自适应bfo-pso改进粒子滤波的卫星raim监测方法 Download PDF

Info

Publication number
CN112558115A
CN112558115A CN202011373383.9A CN202011373383A CN112558115A CN 112558115 A CN112558115 A CN 112558115A CN 202011373383 A CN202011373383 A CN 202011373383A CN 112558115 A CN112558115 A CN 112558115A
Authority
CN
China
Prior art keywords
particle
satellite
particles
pso
improved
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
Application number
CN202011373383.9A
Other languages
English (en)
Other versions
CN112558115B (zh
Inventor
刘灿
牟明
田莉蓉
陆敏敏
王闯
许政�
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Avic Airborne System General Technology Co Ltd
Original Assignee
Avic Airborne System General Technology Co Ltd
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Avic Airborne System General Technology Co Ltd filed Critical Avic Airborne System General Technology Co Ltd
Priority to CN202011373383.9A priority Critical patent/CN112558115B/zh
Publication of CN112558115A publication Critical patent/CN112558115A/zh
Application granted granted Critical
Publication of CN112558115B publication Critical patent/CN112558115B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

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
    • G01S19/23—Testing, monitoring, correcting or calibrating of receiver elements
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/004—Artificial life, i.e. computing arrangements simulating life
    • G06N3/006—Artificial life, i.e. computing arrangements simulating life based on simulated virtual individual or collective life forms, e.g. social simulations or particle swarm optimisation [PSO]
    • H—ELECTRICITY
    • H03—ELECTRONIC CIRCUITRY
    • H03H—IMPEDANCE NETWORKS, e.g. RESONANT CIRCUITS; RESONATORS
    • H03H17/00—Networks using digital techniques
    • H03H17/02—Frequency selective networks

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Radar, Positioning & Navigation (AREA)
  • Remote Sensing (AREA)
  • Theoretical Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Mathematical Physics (AREA)
  • Biophysics (AREA)
  • General Health & Medical Sciences (AREA)
  • Biomedical Technology (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Computational Linguistics (AREA)
  • Data Mining & Analysis (AREA)
  • Evolutionary Computation (AREA)
  • Artificial Intelligence (AREA)
  • Molecular Biology (AREA)
  • Computing Systems (AREA)
  • General Engineering & Computer Science (AREA)
  • Health & Medical Sciences (AREA)
  • Software Systems (AREA)
  • Computer Networks & Wireless Communication (AREA)
  • Computer Hardware Design (AREA)
  • Position Fixing By Use Of Radio Waves (AREA)

Abstract

本发明提出了一种基于自适应BFO‑PSO改进粒子滤波的卫星RAIM监测方法。首先采用基于粒子滤波的RAIM监测算法来保证对非高斯噪声的适应性；然后通过自适应BFO‑PSO对粒子滤波进行改进，来改善粒子退化问题，提升估计精度；同时在粒子群优化算法(PSO)中引入自适应惯性权重，以及混合细菌觅食算法(BFO)，能提升算法搜索效率；最后对改进粒子滤波状态的累加对数似然比(LLR)进行一致性检测，完成卫星故障监测。本发明基于粒子滤波的RAIM监测算法能有效处理非高斯噪声，然而粒子滤波算法却存在粒子退化的问题，影响滤波估计精度。利用PSO对粒子滤波器进行改进，能促使粒子向高可能的真实状态区域移动，从而提升粒子的有效性，改善粒子退化问题，提升估计精度。

Description

一种基于自适应BFO-PSO改进粒子滤波的卫星RAIM监测方法
技术领域
本发明属于卫星完好性监测领域，涉及一种基于自适应BFO-PSO改进粒子滤波的卫星RAIM监测方法。
背景技术
完好性是对导航系统所提供信息的准确性的可信程度的度量，包括系统向用户提供及时和有效的告警能力。民用航空领域对导航系统的完好性有着严格的要求，其直接关系到民机的安全飞行。接收机自主完好性监测(RAIM)是目前最常用的完好性监测方法，其利用接收机的冗余观测信息实现完好性监测的目的，而不依赖外界信息，因此对RAIM方法的研究具有巨大的应用价值。
传统的RAIM监测方法包括基于伪距冗余观测量的方法（如伪距残余检测法、最小二乘残差法等）及卡尔曼滤波算法等，然而这些方法不能有效处理非高斯噪声。粒子滤波算法对非高斯噪声具有很好的适应性，然而却存在粒子退化的问题，影响滤波估计精度。
发明内容
本发明的目的提出了一种综合权衡了PSO的全局和局部搜索性能，引入自适应惯性权重进行权重动态调整，能提升PSO的搜索效率的基于自适应BFO-PSO改进粒子滤波的卫星RAIM监测方法。
本发明的技术方案为：首先是采用基于粒子滤波的RAIM监测算法来保证对非高斯噪声的适应性；然后通过自适应BFO-PSO对粒子滤波进行改进，来改善粒子退化问题，提升估计精度；同时在粒子群优化算法(PSO)中引入自适应惯性权重，以及混合细菌觅食算法(BFO)，能提升算法搜索效率；最后对改进粒子滤波状态的累加对数似然比(LLR)进行一致性检测，完成卫星故障监测。
本发明具有以下有益效果：
（1）基于粒子滤波的RAIM监测算法能有效处理非高斯噪声，然而粒子滤波算法却存在粒子退化的问题，影响滤波估计精度。PSO是一种全局寻优算法，利用PSO对粒子滤波器进行改进，能促使粒子向高可能的真实状态区域移动，从而提升粒子的有效性，改善粒子退化问题，提升估计精度；
（2）PSO的惯性权重对其搜索能力具有明显的影响，本发明综合权衡了PSO的全局和局部搜索性能，引入自适应惯性权重进行权重动态调整，能提升PSO的搜索效率；
（3）PSO局部搜索能力相对较弱，容易陷入局部最优出现“早熟”的现象，因此引入了具有较强局部搜索能力的BFO算法对其进行改进，通过混合BFO的趋向和迁徙操作，能提升PSO的寻优能力，增加其跳出局部最优的可能，避免“早熟”。
附图说明
图1RAIM监测流程图；
图2卫星故障检测结构图。
具体实施方式
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。
本发明的关键点和欲保护点是利用自适应BFO-PSO改进粒子滤波的算法思想，及将该算法用于卫星RAIM监测的流程设计。
本发明提出了一种基于自适应BFO-PSO改进粒子滤波的卫星RAIM监测方法，该方法流程图如图1-2所示，步骤包括：
步骤1：建立卫星故障检测模型。对于N颗监测卫星，假设只有一颗卫星发生故障，其故障检测模型结构图如图2所示。将监测卫星按集合
Figure 100002_DEST_PATH_IMAGE002
依次编号，那么
Figure 100002_DEST_PATH_IMAGE004
表示对所有卫星的观测值，
Figure 100002_DEST_PATH_IMAGE006
表示剔除第d颗卫星后，对其余卫星的观测值。
步骤2：初始化参数，包括选择粒子数M，粒子趋向最大迭代次数
Figure 100002_DEST_PATH_IMAGE008
，趋向游动步长
Figure 100002_DEST_PATH_IMAGE010
，粒子迁徙概率
Figure 100002_DEST_PATH_IMAGE012
，PSO学习因子
Figure 100002_DEST_PATH_IMAGE014
、
Figure 100002_DEST_PATH_IMAGE016
，速度边界
Figure 100002_DEST_PATH_IMAGE018
、
Figure 100002_DEST_PATH_IMAGE020
，自适应惯性权重边界
Figure 100002_DEST_PATH_IMAGE022
、
Figure 100002_DEST_PATH_IMAGE024
，窗函数U，判决阈值
Figure 100002_DEST_PATH_IMAGE026
，有效粒子阈值
Figure 100002_DEST_PATH_IMAGE028
，以及初始化监测时刻k=1。
步骤3：初始化粒子集。首先，将粒子设定为
Figure 100002_DEST_PATH_IMAGE030
，其中
Figure 100002_DEST_PATH_IMAGE032
表示粒子编号；k表示时刻；
Figure 100002_DEST_PATH_IMAGE034
表示接收机位置坐标；
Figure 100002_DEST_PATH_IMAGE036
表示接收机时钟钟差。然后，以先验概率
Figure 100002_DEST_PATH_IMAGE038
随机产生M个主BFPSO-PF初始粒子集
Figure 100002_DEST_PATH_IMAGE040
。之后对任意的第d颗卫星，通过对主BFPSO-PF初始粒子集进行复制，生成对应的辅BFPSO-PF初始粒子集
Figure 100002_DEST_PATH_IMAGE042
，即满足
Figure 100002_DEST_PATH_IMAGE044
。
步骤4：状态预测。将主BFPSO-PF和辅BFPSO-PF粒子集分别带入下列卫星状态方程(1)，获得粒子状态预测值集合
Figure 100002_DEST_PATH_IMAGE046
和
Figure 100002_DEST_PATH_IMAGE048
：
Figure 100002_DEST_PATH_IMAGE050
(1)
其中，
Figure 100002_DEST_PATH_IMAGE052
是状态转移矩阵，
Figure 100002_DEST_PATH_IMAGE054
是过程噪声。
步骤5：提取卫星导航电文数据，计算卫星坐标
Figure 100002_DEST_PATH_IMAGE056
，相关误差以及延时。然后将粒子状态预测值
Figure 100002_DEST_PATH_IMAGE058
和
Figure 100002_DEST_PATH_IMAGE060
分别代入下列卫星伪距测量方程(2)，计算任意第i个粒子对第j颗卫星的预测伪距测量值
Figure 100002_DEST_PATH_IMAGE062
，同时计算接收机对每颗卫星实际测量到的伪距测量值
Figure 100002_DEST_PATH_IMAGE064
：
Figure 100002_DEST_PATH_IMAGE066
(2)
其中，
Figure 808285DEST_PATH_IMAGE064
表示第j颗卫星到接收机的伪距，
Figure 100002_DEST_PATH_IMAGE068
表示光速，
Figure 100002_DEST_PATH_IMAGE070
分别表示电离层延时、对流层延时、星历误差、测量噪声。
步骤6：选择粒子适应度函数
Figure 100002_DEST_PATH_IMAGE072
，其中
Figure 100002_DEST_PATH_IMAGE074
表示测量噪声均方差。将粒子集
Figure 100002_DEST_PATH_IMAGE076
和
Figure 100002_DEST_PATH_IMAGE078
作为粒子种群，分别按照下列自适应PSO算法公式更新粒子速度和位置：
Figure 100002_DEST_PATH_IMAGE080
(3)
Figure 100002_DEST_PATH_IMAGE082
(4)
其中，
Figure 130287DEST_PATH_IMAGE014
、
Figure 356695DEST_PATH_IMAGE016
是非负学习因子；
Figure 100002_DEST_PATH_IMAGE084
、
Figure 100002_DEST_PATH_IMAGE086
是服从[0,1]均匀分布的随机数；
Figure 100002_DEST_PATH_IMAGE088
是第i个粒子的个体极值对应位置，
Figure 100002_DEST_PATH_IMAGE090
是种群的全局极值对应位置，这些极值通过寻找最大的适应度值获得。另外对于初始时刻的
Figure 100002_DEST_PATH_IMAGE092
，分别取初始时刻的粒子位置以及种群最大适应度值对应的位置；
Figure 100002_DEST_PATH_IMAGE094
是惯性权重，其大小能明显影响PSO的搜索能力。
Figure 112423DEST_PATH_IMAGE094
越大则PSO的全局搜索能力越强，
Figure 661216DEST_PATH_IMAGE094
越小则局部搜索能力越强。因此本发明综合衡量PSO的搜索能力，采用如下非线性自适应惯性权重
Figure 421362DEST_PATH_IMAGE094
进行动态调整：
Figure 100002_DEST_PATH_IMAGE096
(5)
其中，
Figure 100002_DEST_PATH_IMAGE098
分别表示种群粒子适应度的最小值和平均值。
步骤7：计算粒子适应度并寻找种群最大适应度，若粒子出现更优的个体适应度，则更新个体极值及位置；若种群最大适应度值大于全局极值，则更新全局极值及位置。
步骤8：判断上述步骤7中全局极值是否更新，若更新则进入步骤9执行粒子趋向操作；否则进入步骤13执行粒子迁徙操作。
步骤9：执行粒子趋向操作，初始化趋向迭代次数
Figure 100002_DEST_PATH_IMAGE100
。
步骤10：按如下公式对所有粒子进行随机翻转：
Figure 100002_DEST_PATH_IMAGE102
(6)
其中
Figure 100002_DEST_PATH_IMAGE104
是趋向游动步长；
Figure 100002_DEST_PATH_IMAGE106
是单位向量，表示随机游动方向。
步骤11：若翻转后能获得更优的全局极值，则粒子按式(6)的翻转方向进行游动；否则粒子保持原状。
步骤12：若
Figure 100002_DEST_PATH_IMAGE108
，则增加趋向迭代次数
Figure 100002_DEST_PATH_IMAGE110
，并返回步骤10；否则完成粒子趋向操作，进入步骤14。
步骤13：执行粒子迁徙操作。将种群中所有粒子按适应度大小进行排序，将其中适应度较小的半数粒子以概率
Figure 439128DEST_PATH_IMAGE012
重新初始化，完成粒子迁徙。
步骤14：获取优化完成后的新粒子
Figure 827908DEST_PATH_IMAGE058
和
Figure 168891DEST_PATH_IMAGE060
。通过自适应BFO-PSO优化，能促使粒子向高可能的真实状态区域移动，从而提升粒子的有效性，改善粒子退化问题，增加粒子的估计精度。
步骤15：通过下列公式(7)计算粒子权重
Figure 100002_DEST_PATH_IMAGE112
和
Figure 100002_DEST_PATH_IMAGE114
，然后按照公式(8)计算归一化权重
Figure 100002_DEST_PATH_IMAGE116
和
Figure 100002_DEST_PATH_IMAGE118
：
Figure 100002_DEST_PATH_IMAGE120
(7)
Figure 100002_DEST_PATH_IMAGE122
(8)
步骤16：计算每个辅BFPSO-PF的累加对数似然比(LLR)：
Figure 100002_DEST_PATH_IMAGE124
(9)
步骤17：计算判定函数
Figure 100002_DEST_PATH_IMAGE126
，其中集合
Figure 100002_DEST_PATH_IMAGE128
，
Figure 100002_DEST_PATH_IMAGE130
是从过去到当前时刻的窗函数。
步骤18：若
Figure 100002_DEST_PATH_IMAGE132
，则检测到卫星故障，进行故障警报并记录当前时刻
Figure 100002_DEST_PATH_IMAGE134
，然后进入步骤19识别故障卫星；否则没有检测到故障，进入步骤20。
步骤19：识别故障卫星。在
Figure 100002_DEST_PATH_IMAGE136
的情况下，寻找累加LLR最大的卫星，也就是
Figure 100002_DEST_PATH_IMAGE138
对应的卫星即为故障卫星。然后对故障卫星进行隔离，并返回步骤1对剩余卫星重新开始RAIM监测。
步骤20：通过公式
Figure 100002_DEST_PATH_IMAGE140
分别计算粒子集
Figure 504799DEST_PATH_IMAGE046
和
Figure 931232DEST_PATH_IMAGE048
的有效粒子数。若相应的有效粒子数
Figure 100002_DEST_PATH_IMAGE142
，则进行粒子重采样，重采样后的粒子权重更新为
Figure 100002_DEST_PATH_IMAGE144
，然后进入步骤21进行状态更新；否则直接进入步骤21。
步骤21：粒子状态更新为
Figure 100002_DEST_PATH_IMAGE146
，然后令
Figure 100002_DEST_PATH_IMAGE148
，返回步骤4。
在本说明书的描述中，参考术语“一个实施例”、“一些实施例”、“示意性实施例”、“示例”、“具体示例”、或“一些示例”等的描述意指结合该实施例或示例描述的具体特征、结构、材料或者特点包含于本发明的至少一个实施例或示例中。在本说明书中，对上述术语的示意性表述不一定指的是相同的实施例或示例。而且，描述的具体特征、结构、材料或者特点可以在任何的一个或多个实施例或示例中以合适的方式结合。
尽管已经示出和描述了本发明的实施例，本领域的普通技术人员可以理解 ：在不脱离本发明的原理和宗旨的情况下可以对这些实施例进行多种变化、修改、替换和变型，本发明的范围由权利要求及其等同物限定。

Claims (2)

1.一种基于自适应BFO-PSO改进粒子滤波的卫星RAIM监测方法，其特征在于，包括以下步骤：首先采用基于粒子滤波的RAIM监测算法来保证对非高斯噪声的适应性；然后通过自适应BFO-PSO对粒子滤波进行改进，来改善粒子退化问题；同时在粒子群优化算法PSO中引入自适应惯性权重，以及混合细菌觅食算法BFO，能提升算法搜索效率；最后对改进粒子滤波状态的累加对数似然比LLR进行一致性检测，完成卫星故障监测。
2.根据权利要求1所述的一种基于自适应BFO-PSO改进粒子滤波的卫星RAIM监测方法，其特征在于，具体过程为：
步骤1：建立卫星故障检测模型，对于N颗监测卫星，假设只有一颗卫星发生故障，将监测卫星按集合
Figure DEST_PATH_IMAGE002
依次编号，那么
Figure DEST_PATH_IMAGE004
表示对所有卫星的观测值，
Figure DEST_PATH_IMAGE006
表示剔除第d颗卫星后，对其余卫星的观测值；
步骤2：初始化参数，包括选择粒子数M，粒子趋向最大迭代次数
Figure DEST_PATH_IMAGE008
，趋向游动步长
Figure DEST_PATH_IMAGE010
，粒子迁徙概率
Figure DEST_PATH_IMAGE012
，PSO学习因子
Figure DEST_PATH_IMAGE014
、
Figure DEST_PATH_IMAGE016
，速度边界
Figure DEST_PATH_IMAGE018
、
Figure DEST_PATH_IMAGE020
，自适应惯性权重边界
Figure DEST_PATH_IMAGE022
、
Figure DEST_PATH_IMAGE024
，窗函数U，判决阈值
Figure DEST_PATH_IMAGE026
，有效粒子阈值
Figure DEST_PATH_IMAGE028
，以及初始化监测时刻k=1；
步骤3：初始化粒子集；首先，将粒子设定为
Figure DEST_PATH_IMAGE030
，其中
Figure DEST_PATH_IMAGE032
表示粒子编号；k表示时刻；
Figure DEST_PATH_IMAGE034
表示接收机位置坐标；
Figure DEST_PATH_IMAGE036
表示接收机时钟钟差，然后，以先验概率
Figure DEST_PATH_IMAGE038
随机产生M个主BFPSO-PF初始粒子集
Figure DEST_PATH_IMAGE040
，之后对任意的第d颗卫星，通过对主BFPSO-PF初始粒子集进行复制，生成对应的辅BFPSO-PF初始粒子集
Figure DEST_PATH_IMAGE042
，即满足
Figure DEST_PATH_IMAGE044
；
步骤4：状态预测：将主BFPSO-PF和辅BFPSO-PF粒子集分别带入下列卫星状态方程(1)，获得粒子状态预测值集合
Figure DEST_PATH_IMAGE046
和
Figure DEST_PATH_IMAGE048
：
Figure DEST_PATH_IMAGE050
(1)
其中，
Figure DEST_PATH_IMAGE052
是状态转移矩阵，
Figure DEST_PATH_IMAGE054
是过程噪声；
步骤5：提取卫星导航电文数据，计算卫星坐标
Figure DEST_PATH_IMAGE056
，相关误差以及延时，然后将粒子状态预测值
Figure DEST_PATH_IMAGE058
和
Figure DEST_PATH_IMAGE060
分别代入下列卫星伪距测量方程(2)，计算任意第i个粒子对第j颗卫星的预测伪距测量值
Figure DEST_PATH_IMAGE062
，同时计算接收机对每颗卫星实际测量到的伪距测量值
Figure DEST_PATH_IMAGE064
：
Figure DEST_PATH_IMAGE066
(2)
其中，
Figure 700822DEST_PATH_IMAGE064
表示第j颗卫星到接收机的伪距，
Figure DEST_PATH_IMAGE068
表示光速，
Figure DEST_PATH_IMAGE070
分别表示电离层延时、对流层延时、星历误差、测量噪声；
步骤6：选择粒子适应度函数
Figure DEST_PATH_IMAGE072
，其中
Figure DEST_PATH_IMAGE074
表示测量噪声均方差：将粒子集
Figure DEST_PATH_IMAGE076
和
Figure DEST_PATH_IMAGE078
作为粒子种群，分别按照下列自适应PSO算法公式更新粒子速度和位置：
Figure DEST_PATH_IMAGE080
(3)
Figure DEST_PATH_IMAGE082
(4)
其中，
Figure 801371DEST_PATH_IMAGE014
、
Figure 217833DEST_PATH_IMAGE016
是非负学习因子；
Figure DEST_PATH_IMAGE084
、
Figure DEST_PATH_IMAGE086
是服从[0,1]均匀分布的随机数；
Figure DEST_PATH_IMAGE088
是第i个粒子的个体极值对应位置，
Figure DEST_PATH_IMAGE090
是种群的全局极值对应位置，这些极值通过寻找最大的适应度值获得，另外对于初始时刻的
Figure DEST_PATH_IMAGE092
，分别取初始时刻的粒子位置以及种群最大适应度值对应的位置；
Figure DEST_PATH_IMAGE094
是惯性权重，其大小能明显影响PSO的搜索能力，
Figure 380830DEST_PATH_IMAGE094
越大则PSO的全局搜索能力越强，
Figure 390374DEST_PATH_IMAGE094
越小则局部搜索能力越强，因此本发明综合衡量PSO的搜索能力，采用如下非线性自适应惯性权重
Figure 955217DEST_PATH_IMAGE094
进行动态调整：
Figure DEST_PATH_IMAGE096
(5)
其中，
Figure DEST_PATH_IMAGE098
分别表示种群粒子适应度的最小值和平均值；
步骤7：计算粒子适应度并寻找种群最大适应度，若粒子出现更优的个体适应度，则更新个体极值及位置；若种群最大适应度值大于全局极值，则更新全局极值及位置；
步骤8：判断上述步骤7中全局极值是否更新，若更新则进入步骤9执行粒子趋向操作；否则进入步骤13执行粒子迁徙操作；
步骤9：执行粒子趋向操作，初始化趋向迭代次数
Figure DEST_PATH_IMAGE100
；
步骤10：按如下公式对所有粒子进行随机翻转：
Figure DEST_PATH_IMAGE102
(6)
其中
Figure DEST_PATH_IMAGE104
是趋向游动步长；
Figure DEST_PATH_IMAGE106
是单位向量，表示随机游动方向；
步骤11：若翻转后能获得更优的全局极值，则粒子按式(6)的翻转方向进行游动；否则粒子保持原状；
步骤12：若
Figure DEST_PATH_IMAGE108
，则增加趋向迭代次数
Figure DEST_PATH_IMAGE110
，并返回步骤10；否则完成粒子趋向操作，进入步骤14；
步骤13：执行粒子迁徙操作：将种群中所有粒子按适应度大小进行排序，将其中适应度较小的半数粒子以概率
Figure 655495DEST_PATH_IMAGE012
重新初始化，完成粒子迁徙；
步骤14：获取优化完成后的新粒子
Figure 853258DEST_PATH_IMAGE058
和
Figure 666494DEST_PATH_IMAGE060
：通过自适应BFO-PSO优化，能促使粒子向高可能的真实状态区域移动，从而提升粒子的有效性，改善粒子退化问题，增加粒子的估计精度；
步骤15：通过下列公式(7)计算粒子权重
Figure DEST_PATH_IMAGE112
和
Figure DEST_PATH_IMAGE114
，然后按照公式(8)计算归一化权重
Figure DEST_PATH_IMAGE116
和
Figure DEST_PATH_IMAGE118
：
Figure DEST_PATH_IMAGE120
(7)
Figure DEST_PATH_IMAGE122
(8)
步骤16：计算每个辅BFPSO-PF的累加对数似然比(LLR)：
Figure DEST_PATH_IMAGE124
(9)
步骤17：计算判定函数
Figure DEST_PATH_IMAGE126
，其中集合
Figure DEST_PATH_IMAGE128
，
Figure DEST_PATH_IMAGE130
是从过去到当前时刻的窗函数；
步骤18：若
Figure DEST_PATH_IMAGE132
，则检测到卫星故障，进行故障警报并记录当前时刻
Figure DEST_PATH_IMAGE134
，然后进入步骤19识别故障卫星；否则没有检测到故障，进入步骤20；
步骤19：识别故障卫星：在
Figure DEST_PATH_IMAGE136
的情况下，寻找累加LLR最大的卫星，也就是
Figure DEST_PATH_IMAGE138
对应的卫星即为故障卫星，然后对故障卫星进行隔离，并返回步骤1对剩余卫星重新开始RAIM监测；
步骤20：通过公式
Figure DEST_PATH_IMAGE140
分别计算粒子集
Figure 980450DEST_PATH_IMAGE046
和
Figure 220939DEST_PATH_IMAGE048
的有效粒子数，若相应的有效粒子数
Figure DEST_PATH_IMAGE142
，则进行粒子重采样，重采样后的粒子权重更新为
Figure DEST_PATH_IMAGE144
，然后进入步骤21进行状态更新；否则直接进入步骤21；
步骤21：粒子状态更新为
Figure DEST_PATH_IMAGE146
，然后令
Figure DEST_PATH_IMAGE148
，返回步骤4。
CN202011373383.9A 2020-11-30 2020-11-30 一种基于自适应bfo-pso改进粒子滤波的卫星raim监测方法 Active CN112558115B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202011373383.9A CN112558115B (zh) 2020-11-30 2020-11-30 一种基于自适应bfo-pso改进粒子滤波的卫星raim监测方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202011373383.9A CN112558115B (zh) 2020-11-30 2020-11-30 一种基于自适应bfo-pso改进粒子滤波的卫星raim监测方法

Publications (2)

Publication Number Publication Date
CN112558115A true CN112558115A (zh) 2021-03-26
CN112558115B CN112558115B (zh) 2023-10-10

Family

ID=75045386

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202011373383.9A Active CN112558115B (zh) 2020-11-30 2020-11-30 一种基于自适应bfo-pso改进粒子滤波的卫星raim监测方法

Country Status (1)

Country Link
CN (1) CN112558115B (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113419255A (zh) * 2021-07-02 2021-09-21 中航机载系统共性技术有限公司 一种gps接收机自主完好性监测方法

Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20090235870A1 (en) * 2006-10-10 2009-09-24 Paul James Troy Automated positioning and submersible open ocean platform
JP2013050446A (ja) * 2011-08-01 2013-03-14 Masato Takahashi 方位情報取得方法
CN110959311A (zh) * 2017-06-22 2020-04-03 柯尼斯·史蒂芬·百磊 从非饮用水中分离出氢和氧并使所述氢和氧重新组合以用于驱动涡轮或活塞发动机
CN110967706A (zh) * 2019-12-06 2020-04-07 北京京航计算通讯研究所 基于改进无迹卡尔曼粒子滤波的raim方法
CN111982829A (zh) * 2011-01-21 2020-11-24 拉布拉多诊断有限责任公司 样品使用最大化的系统和方法

Patent Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20090235870A1 (en) * 2006-10-10 2009-09-24 Paul James Troy Automated positioning and submersible open ocean platform
CN111982829A (zh) * 2011-01-21 2020-11-24 拉布拉多诊断有限责任公司 样品使用最大化的系统和方法
JP2013050446A (ja) * 2011-08-01 2013-03-14 Masato Takahashi 方位情報取得方法
CN110959311A (zh) * 2017-06-22 2020-04-03 柯尼斯·史蒂芬·百磊 从非饮用水中分离出氢和氧并使所述氢和氧重新组合以用于驱动涡轮或活塞发动机
CN110967706A (zh) * 2019-12-06 2020-04-07 北京京航计算通讯研究所 基于改进无迹卡尔曼粒子滤波的raim方法

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
王尔申;庞涛;曲萍萍;张芝贤;: "基于粒子滤波和似然比的接收机自主完好性监测算法", 南京航空航天大学学报, no. 01 *

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113419255A (zh) * 2021-07-02 2021-09-21 中航机载系统共性技术有限公司 一种gps接收机自主完好性监测方法
CN113419255B (zh) * 2021-07-02 2023-09-26 中航机载系统共性技术有限公司 一种gps接收机自主完好性监测方法

Also Published As

Publication number Publication date
CN112558115B (zh) 2023-10-10

Similar Documents

Publication Publication Date Title
Sun et al. GPS signal reception classification using adaptive neuro-fuzzy inference system
Sun et al. A new IMU-aided multiple GNSS fault detection and exclusion algorithm for integrated navigation in urban environments
Zhong et al. Approach for detecting soft faults in GPS/INS integrated navigation based on LS-SVM and AIME
Zhi et al. A performance compensation method for GPS/INS integrated navigation system based on CNN–LSTM during GPS outages
CN111060133A (zh) 一种用于城市复杂环境的组合导航完好性监测方法
NO20140686A1 (no) Påvisning av et avgiftsobjekt i et GNSS-system med partikkelfilter
El-Mowafy On detection of observation faults in the observation and position domains for positioning of intelligent transport systems
Zhu et al. Extended Kalman filter (EKF) innovation-based integrity monitoring scheme with C/N 0 weighting
CN109308518A (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
CN115047496A (zh) 一种用于gnss/ins组合导航卫星同步多故障检测方法
CN108088470A (zh) 一种组合导航慢变斜坡故障完好性监测方法
CN115314101B (zh) 一种基于并行计算的低轨通信卫星星座快速建模方法
Joerger et al. Integrity risk of Kalman filter-based RAIM
Sun et al. An integrated urban positioning algorithm using matching, particle swam optimized adaptive neuro fuzzy inference system and a spatial city model
FR3008818A1 (fr) Dispositif et procede de prediction au sol de la precision, l'integrite et la disponibilite de la position d'un aeronef le long d'une trajectoire.
Chen et al. On-line and non-invasive anomaly detection system for unmanned aerial vehicle
CN112558115A (zh) 一种基于自适应bfo-pso改进粒子滤波的卫星raim监测方法
Geragersian et al. Multipath detection from gnss observables using gated recurrent unit
Mohanty et al. Learning GNSS positioning corrections for smartphones using graph convolution neural networks
Ziedan Optimized position estimation in multipath environments using machine learning
Chen et al. Multi-level autonomous integrity monitoring method for multi-source PNT resilient fusion navigation
CN114265090A (zh) 基于贝叶斯检验的接收机自主完好性监测方法
Turgut et al. Restarting particle filters: an approach to improve the performance of dynamic indoor localization
CN104536015A (zh) 一种粒子滤波raim方法的fpga实现方法
Ahn et al. GPS integrity monitoring method using auxiliary nonlinear filters with log likelihood ratio test 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