CN112558115B - 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 PDFInfo
- Publication number
- CN112558115B CN112558115B CN202011373383.9A CN202011373383A CN112558115B CN 112558115 B CN112558115 B CN 112558115B CN 202011373383 A CN202011373383 A CN 202011373383A CN 112558115 B CN112558115 B CN 112558115B
- 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.)
- Active
Links
- 239000002245 particle Substances 0.000 title claims abstract description 118
- 238000012544 monitoring process Methods 0.000 title claims abstract description 28
- 238000000034 method Methods 0.000 title claims abstract description 21
- 238000001914 filtration Methods 0.000 title claims abstract description 17
- 230000003044 adaptive effect Effects 0.000 title claims abstract description 12
- 238000004422 calculation algorithm Methods 0.000 claims abstract description 20
- 238000001514 detection method Methods 0.000 claims abstract description 7
- 238000005457 optimization Methods 0.000 claims abstract description 5
- 230000008569 process Effects 0.000 claims abstract description 5
- 238000005259 measurement Methods 0.000 claims description 9
- 238000013508 migration Methods 0.000 claims description 9
- 230000005012 migration Effects 0.000 claims description 9
- 230000006870 function Effects 0.000 claims description 4
- 238000012952 Resampling Methods 0.000 claims description 2
- 239000011159 matrix material Substances 0.000 claims description 2
- 238000005295 random walk Methods 0.000 claims description 2
- 230000007704 transition Effects 0.000 claims description 2
- 239000011164 primary particle Substances 0.000 claims 1
- 230000015556 catabolic process Effects 0.000 abstract description 8
- 238000006731 degradation reaction Methods 0.000 abstract description 8
- 230000001580 bacterial effect Effects 0.000 abstract description 2
- 230000002431 foraging effect Effects 0.000 abstract description 2
- 238000010586 diagram Methods 0.000 description 2
- 239000000463 material Substances 0.000 description 2
- 230000005070 ripening Effects 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 230000001934 delay Effects 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 239000008187 granular material Substances 0.000 description 1
- 230000009191 jumping Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
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
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。将监测卫星按集合依次编号，那么表示对所有卫星的观测值，/>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，趋向游动步长，粒子迁徙概率/>，PSO学习因子/>、/>，速度边界/>、/>，自适应惯性权重边界/>、/>，窗函数U，判决阈值/>，有效粒子阈值/>，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，其中表示粒子编号；k表示时刻；/>表示接收机位置坐标；/>表示接收机时钟钟差。然后，以先验概率/>随机产生M个主BFPSO-PF初始粒子集。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/>，即满足/>。
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和/>：
(1)
其中，是状态转移矩阵，/>是过程噪声。
步骤5：提取卫星导航电文数据，计算卫星坐标，相关误差以及延时。然后将粒子状态预测值/>和/>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/>，同时计算接收机对每颗卫星实际测量到的伪距测量值/>：
(2)
其中，表示第j颗卫星到接收机的伪距，/>表示光速，/>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，其中/>表示测量噪声均方差。将粒子集/>和/>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：
(3)
(4)
其中，、/>是非负学习因子；/>、/>是服从[0,1]均匀分布的随机数；/>是第i个粒子的个体极值对应位置，/>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/>，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；/>是惯性权重，其大小能明显影响PSO的搜索能力。/>越大则PSO的全局搜索能力越强，/>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/>进行动态调整：
(5)
其中，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。
步骤10：按如下公式对所有粒子进行随机翻转：
(6)
其中是趋向游动步长；/>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，则增加趋向迭代次数/>，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和/>。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)计算粒子权重和/>，然后按照公式(8)计算归一化权重/>和/>：
(7)
(8)
步骤16：计算每个辅BFPSO-PF的累加对数似然比(LLR)：
(9)
步骤17：计算判定函数，其中集合，/>是从过去到当前时刻的窗函数。
步骤18：若，则检测到卫星故障，进行故障警报并记录当前时刻/>，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。在的情况下，寻找累加LLR最大的卫星，也就是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：通过公式分别计算粒子集/>和的有效粒子数。若相应的有效粒子数/>，则进行粒子重采样，重采样后的粒子权重更新为/>，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，然后令/>，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 (1)
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：
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，将监测卫星按集合依次编号，那么YMain表示对所有卫星的观测值，/>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Nc，趋向游动步长Gc，粒子迁徙概率ped，PSO学习因子c1、c2，速度边界vmax、vmin，自适应惯性权重边界ηmax、ηmin，窗函数U，判决阈值βth，有效粒子阈值Nth，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xk(i)＝[RT，δtr]T，其中表示粒子编号；k表示时刻；R＝[rx，ry，rz]T表示接收机位置坐标；δtr表示接收机时钟钟差，然后，以先验概率p(x0)随机产生M个主BFPSO-PF初始粒子集/>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初始粒子集即满足/>
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和/>
xk＝Hk-1xk-1+θk-1(1)
其中，Hk是状态转移矩阵，θk是过程噪声；
步骤5：提取卫星导航电文数据，计算卫星坐标相关误差以及延时，然后将粒子状态预测值/>和/>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/>同时计算接收机对每颗卫星实际测量到的伪距测量值ρj：
其中，ρj表示第j颗卫星到接收机的伪距，c表示光速，Ij，Tj，Ej，εj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其中σ表示测量噪声均方差：将粒子集和/>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：
vk(i)＝ηvk-1(i)+c1r1(pbestk-1(i)-xk-1(i))+c2r2(gbestk-1-xk-1(i))(3)
xk(i)＝xk-1(i)+vk(i)(4)
其中，c1、c2是非负学习因子；r1、r2是服从[0,1]均匀分布的随机数；pbestk(i)是第i个粒子的个体极值对应位置，gbestk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pbest0(i)、gbest0，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；η是惯性权重，其大小能明显影响PSO的搜索能力，η越大则PSO的全局搜索能力越强，η越小则局部搜索能力越强，采用如下非线性自适应惯性权重η进行动态调整：
其中，fmin、favg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n＝1；
步骤10：按如下公式对所有粒子进行随机翻转：
xn(i)＝xn-1(i)+Gc(i)Rc(i) (6)
其中Gc(i)是趋向游动步长；Rc(i)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n＜Ned，则增加趋向迭代次数n＝n+1，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ped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和/>
步骤15：通过下列公式(7)计算粒子权重和/>然后按照公式(8)计算归一化权重/>和/>
ωk(i)＝ωk-1(i)·f(xk(i)) (7)
步骤16：计算每个辅BFPSO-PF的累加LLR：
步骤17：计算判定函数其中集合U是从过去到当前时刻的窗函数；
步骤18：若βk＞βth，则检测到卫星故障，进行故障警报并记录当前时刻kwarn，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k＞kwarn的情况下，寻找累加LLR最大的卫星，也就是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：通过公式分别计算粒子集/>和的有效粒子数，若相应的有效粒子数Neff＜Nth，则进行粒子重采样，重采样后的粒子权重更新为/>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：粒子状态更新为然后令k＝k+1，返回步骤4。
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 CN112558115A (zh) | 2021-03-26 |
| CN112558115B true 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) |
Families Citing this family (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| 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 |
Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| 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 |
Family Cites Families (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US8028660B2 (en) * | 2006-10-10 | 2011-10-04 | Hawaii Oceanic Technology, Inc. | Automated positioning and submersible open ocean platform |
-
2020
- 2020-11-30 CN CN202011373383.9A patent/CN112558115B/zh active Active
Patent Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| 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)
| Title |
|---|
| 基于粒子滤波和似然比的接收机自主完好性监测算法;王尔申;庞涛;曲萍萍;张芝贤;;南京航空航天大学学报(第01期);全文 * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN112558115A (zh) | 2021-03-26 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Sun et al. | GPS signal reception classification using adaptive neuro-fuzzy inference system | |
| CN110007317B (zh) | 一种选星优化的高级接收机自主完好性监测方法 | |
| KR102203960B1 (ko) | 위성항법보강시스템을 위한 기계학습기반 gnss 무결성 감시 방법 | |
| CN111060133A (zh) | 一种用于城市复杂环境的组合导航完好性监测方法 | |
| 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 | |
| Zhang et al. | Improved fault detection method based on robust estimation and sliding window test for INS/GNSS integration | |
| CN104075734B (zh) | 水下组合导航故障智能诊断方法 | |
| CN113670337A (zh) | 一种用于gnss/ins组合导航卫星缓变故障检测方法 | |
| CN115047496A (zh) | 一种用于gnss/ins组合导航卫星同步多故障检测方法 | |
| CN112558115B (zh) | 一种基于自适应bfo-pso改进粒子滤波的卫星raim监测方法 | |
| Gao et al. | Double-channel sequential probability ratio test for failure detection in multisensor integrated systems | |
| CN113869379A (zh) | 一种基于数据驱动的航空器能量异常识别方法 | |
| CN108088470A (zh) | 一种组合导航慢变斜坡故障完好性监测方法 | |
| CN112230247A (zh) | 一种用于城市复杂环境下gnss完好性监测方法 | |
| Zhao et al. | Fault diagnosis of control moment gyroscope based on a new CNN scheme using attention-enhanced convolutional block | |
| Geragersian et al. | Multipath detection from gnss observables using gated recurrent unit | |
| CN104536015B (zh) | 一种粒子滤波raim方法的fpga实现方法 | |
| CN115134016B (zh) | 一种基于麻雀搜索算法的araim子集优化方法 | |
| Dhakal et al. | UAV Fault and Anomaly Detection Using Autoencoders | |
| Ahn et al. | GPS integrity monitoring method using auxiliary nonlinear filters with log likelihood ratio test approach | |
| CN116047558A (zh) | 定位方法及装置 | |
| Zheng et al. | A dynamic-data-driven method for improving the performance of receiver autonomous integrity monitoring | |
| Li et al. | Fault identification method of GNSS/INS integrated navigation system based on the fusion of chi-square test and multiple solution separation algorithm | |
| CN113419255A (zh) | 一种gps接收机自主完好性监测方法 | |
| CN116736339B (zh) | 一种面向禁航区管控的北斗自主监测及预警方法 |
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 |