CN112782732A

CN112782732A - 一种基于粒子群算法的导航信号解析方法及计算机存可读介质

Info

Publication number: CN112782732A
Application number: CN202011591435.XA
Authority: CN
Inventors: 姜涛; 周昭辉; 刘辉
Original assignee: Hubei Sanjiang Space Xianfeng Electronic&information Co ltd
Current assignee: Hubei Sanjiang Space Xianfeng Electronic&information Co ltd
Priority date: 2020-12-29
Filing date: 2020-12-29
Publication date: 2021-05-11
Anticipated expiration: 2040-12-29
Also published as: CN112782732B

Abstract

本发明公开了一种基于粒子群算法的导航信号解析方法及计算机可读介质，其利用卫星信号所属卫星的位置坐标和修正后的卫星伪距观测值构造接收机对应的原始卫星观测矩阵，依据更新后的卫星观测矩阵与接收机定位向量之间的映射关系，构造关于接收机定位向量的方程并进行迭代以获取当前时刻的定位向量；构建粒子群算法中的粒子速度和位置迭代表达式，将迭代终止时输出的当前群体最优粒子的位置数据作为当前时刻的定位向量，并获取下一时刻系统的位置向量；利用当前时刻系统时钟向量、当前时刻的时钟状态转移矩阵和当前时刻的时钟噪声矩阵获取下一时刻系统的时钟向量，以获取接收机下一时刻的导航数据，以解决传统PVT算法计算复杂度高、定位精度难以满足载体高动态要求的技术问题。

Description

一种基于粒子群算法的导航信号解析方法及计算机存可读介质

技术领域

本发明属于卫星通信技术领域，更具体地，涉及一种基于粒子群算法的导航信号解析方法及计算机可读介质。

背景技术

在卫星通信系统中，卫星以数十km/s的相对速度围绕地球运动，与其对应设置有导航接收机以利用卫星信号进行导航，一般来说，导航接收机采用PVT解算进行导航信号解析，需要实时地输出用户经度、纬度、高度、速度等测量信息。为了保证用户实时接收高精度、高可靠性的定位信息，需要设计一种低复杂度、高精度的导航接收机解算装置。

传统的导航接收机PVT算法主要包括最小二乘残差算法、Bancroft算法、非线性卡尔曼滤波算法。传统的Bancroft算法相对于最小二乘算法而言，定位结果更加稳定，但计算复杂度高、定位精度难以满足载体高动态要求。传统的非线性卡尔曼滤波定位算法计算复杂度高、定位精度较差，同时在实际应用中，将非线性化模型转化为线性模型一般非常复杂，局限性较大。

发明内容

针对现有技术的至少一个缺陷或改进需求，本发明提供了一种基于粒子群算法的导航信号解析方法及计算机可读介质，旨在解决传统PVT算法计算复杂度高、定位精度难以满足载体高动态要求的技术问题。

为实现上述目的，按照本发明的一个方面，提供了一种基于粒子群算法的导航信号解析方法，该方法包括：

获取当前时刻接收机所接收的一个或多个卫星信号，利用所述卫星信号所属卫星的位置坐标和修正后的卫星伪距观测值构造接收机对应的原始卫星观测矩阵，所述修正后的卫星伪距观测值值为卫星伪距观测值与时延引起的误差总和之间的差值；

获取所述原始卫星观测矩阵的当前极值变量，所述当前极值变量为多个修正后的卫星伪距观测值中的最大值，将原始卫星观测矩阵缩小当前极值变量数值倍以获取更新后的卫星观测矩阵；依据更新后的卫星观测矩阵与接收机定位向量之间的映射关系，构造关于接收机定位向量的方程，求解该方程以获取更新后的定位向量，以获取更新后的定位向量，重复迭代上述所有步骤，将再次迭代后求得的定位向量值作为当前时刻的初始定位向量；

构建粒子群算法中的粒子速度和位置迭代表达式，确定定位向量的变化范围和当前时刻的初始定位向量以构建初始粒子种群的初始值；利用粒子速度和位置迭代表达式迭代计算迭代后每个粒子的速度和位置数据，构建每个粒子的适应度函数，求取适应度函数的最小值以获取当前迭代次数下当前群体最优粒子，利用适应度函数的预设阈值或最大迭代次数判断当前迭代是否符合终止条件，是则终止迭代，输出当前群体最优粒子的位置数据，将迭代终止时输出的当前群体最优粒子的位置数据作为当前时刻的定位向量；

利用所述当前时刻的定位向量获取接收机当前时刻的系统状态向量，所述系统状态向量包括系统位置向量和系统时钟向量；利用当前时刻的系统位置向量、当前时刻的位置状态转移矩阵和当前时刻的位置噪声矩阵获取下一时刻系统的位置向量；利用当前时刻系统时钟向量、当前时刻的时钟状态转移矩阵和当前时刻的时钟噪声矩阵获取下一时刻系统的时钟向量；利用下一时刻系统的位置向量和时钟向量获取接收机下一时刻的导航数据。

作为本发明的进一步改进，原始卫星观测矩阵：

其中，x¹、y¹、z¹为第一颗GPS卫星信号所对应的卫星x、y、z坐标，x^m、y^m、z^m为第m个GPS卫星信号所对应的卫星x、y、z坐标，a¹为第一个GPS卫星信号所属卫星的伪距观测值与时延引起的误差总和之间的差值，a^m为第m个GPS卫星信号所属卫星的伪距观测值与时延引起的误差总和之间的差值；x'¹、y'¹、z'¹为第一个BDS卫星信号所对应的卫星x、y、z坐标，x'^m、y'^m、z'^m为第n个BDS卫星信号所对应的卫星x、y、z坐标，a'¹为第一个BDS卫星信号所属卫星的伪距观测值与时延引起的误差总和之间的差值，a'ⁿ为第n个BDS卫星信号所属卫星的伪距观测值与时延引起的误差总和之间的差值。

作为本发明的进一步改进，卫星观测矩阵B与接收机定位向量X之间的映射关系表示为：

X＝M(B^TB)^-1B^T(alpha+Aτ)，

其中，M表示常数矩阵diag(1,1,1,-1,-1)，τ表示常数列向量τ＝[1,1,1,1,1]^T；<·>表示Lorentz内积；A表示定位向量初值的Lorentz内积，

X₀为定位向量初值；alpha表示卫星参数内积向量。

作为本发明的进一步改进，关于接收机定位向量的方程具体为：

aX²+bX+c＝0

其中，X为定位向量，a、b、c系数分别由所述卫星观测矩阵与接收机定位向量之间的映射关系得到，a、b、c系数分别为a＝<d₁,d₁>，b＝2×(<d₁,d₂>-1)，c＝<d₂,d₂>，

d₁和d₂分别为第一和第二内积参数，d₁＝(B^TB)^-1B^Tτ，d₂＝(B^TB)^-1B^T·alpha，

其中，B为卫星观测矩阵，τ表示常数列向量，alpha表示卫星参数内积向量。

作为本发明的进一步改进，粒子群算法中的当前迭代下第i个粒子的速度V_i(t)表达式为：

当前迭代下第i个粒子的位置X_i(t)迭代表达式为：X_i(t)＝X_i(t-1)+V_i(t)；

其中，V_i(t-1)为上一次迭代的第i个粒子的速度值，X_i(t-1)为上一次迭代的第i个粒子的位置值，C₁和C₂分别为第一学习因子和第二学习因子，V_max为速度最大值，rand()为[0,1]之间的随机数，P_i(t-1)为上一次迭代第i个粒子的最佳位置值，G(t-1)为上一次迭代最优粒子的位置，k为收缩因子。

作为本发明的进一步改进，粒子适应度H(X)的表达式为：

其中，p^s为观测值权矩阵主对角线相应值，取：

其中var_s为卫星伪距的测量协方差，位置向量X＝(X_r,Y_r,Z_r)为当前粒子对应的位置数据，X^s＝(X^s(t),Y^s(t),Z^s(t))为卫星位置信息，cδ_r(t)为卫星钟差引起的误差，l为卫星和接收机之间的真实距离。

作为本发明的进一步改进，比较上一次迭代第i个粒子的适应度函数经历过的最好位置P_i(t-1)对应的适应度值f(P_i(t))和当前迭代第i个粒子的适应度f(X_i(t))，若依据衡量标准的判断当前迭代第i个粒子的适应度f(X_i(t))为更好的解，则将当前迭代第i个粒子的位置X_i(t)作为当前迭代第i个粒子的最好位置P_i(t)，否则，将P_i(t-1)作为当前迭代第i个粒子的最好位置P_i(t)。

作为本发明的进一步改进，“利用当前时刻系统位置向量、当前时刻的位置状态转移矩阵和当前时刻的位置噪声矩阵获取下一时刻系统的位置向量”具体为：

接收机的采样周期为T，其下一时刻系统的位置向量X_S(k+1)可以表示为X_S(k+1)＝Φ_S(k)X_S(k)+W_S(k)，X_S(k)表示当前时刻的位置向量，Φ_S(k)为当前时刻的位置状态转移矩阵，Φ_S(k)＝diag(Φ_sx,Φ_sy,Φ_sz)，Φ_sx,Φ_sy,Φ_sz分别表示x方向的转移矩阵、y方向的转移矩阵，z方向的转移矩阵，W_S(k)表示当前时刻的位置噪声矩阵，其中Φ_x、Φ_y、Φ_z、W_S(k)如下式所示：

W_S(k)＝[0 0 w_x 0 0 w_y 0 0w_z]

w_x、w_y、w_z分别表示

的高斯白噪声。

作为本发明的进一步改进，“利用当前时刻系统时钟向量、当前时刻的时钟状态转移矩阵和当前时刻的时钟噪声矩阵获取下一时刻系统的时钟向量”具体为：

接收机的采样周期为T，其下一时刻系统的时钟向量X_T(k+1)可以表示为X_T(k+1)＝Φ_T(k)X_T(k)+W_T(k)，X_T(k)表示当前时刻的时钟向量，Φ_T(k)为当前时刻的时钟状态转移矩阵，Φ_T(k)＝diag(Φ₁,Φ₂)，Φ₁、Φ₂分别表示GPS时钟矩阵、BDS时钟矩阵，W_T(k)表示k时刻的时钟噪声矩阵，其中，

为实现上述目的，按照本发明的另一个方面，提供了一种计算机可读介质，其存储有可由终端设备执行的计算机程序，当该程序在终端设备上运行时，使得所述终端设备执行上述方法的步骤。

总体而言，通过本发明所构思的以上技术方案与现有技术相比，能够取得下列有益效果：

本发明提供的一种基于粒子群算法的导航信号解析方法及计算机可读介质，其利用Bancroft算法定位得到卫导接收机的大体为止做为粒子群算法的算法解的基准值，优化了原有最小二乘定位算法引入的线性化误差；克服了PSO算法在定位过程中容易陷入局部最优的情况；由于Bancroft提供了计算初值，减小了PSO的搜索范围，利用PSO算法得到的全局最优值，解算出精度更高的结果，使得导航接收机不仅能够适应常态飞行、高动态飞行，同时具备高精度、高稳定性的定位性能。

附图说明

图1是本发明实施例提供的一种基于粒子群算法的导航信号解析方法的示意图。

具体实施方式

为了使本发明的目的、技术方案及优点更加清楚明白，以下结合附图及实施例，对本发明进行进一步详细说明。应当理解，此处所描述的具体实施例仅仅用以解释本发明，并不用于限定本发明。此外，下面所描述的本发明各个实施方式中所涉及到的技术特征只要彼此之间未构成冲突就可以相互组合。

图1是本发明实施例提供的一种基于粒子群算法的导航信号解析方法的示意图。如图1所示，一种基于粒子群算法的导航信号解析方法，该方法包括：

获取当前时刻接收机所接收的一个或多个卫星信号，利用卫星信号所属卫星的位置坐标和修正后的卫星伪距观测值，构造接收机对应的原始卫星观测矩阵，修正后的卫星伪距观测值值为卫星伪距观测值与时延引起的误差总和之间的差值；作为一个示例，该原始卫星观测矩阵的每一行与接收机接收的卫星信号一一对应，其中该观测矩阵的前三列参数分别为对应的卫星信号所属卫星的x、y、z坐标，第四列参数表示为GPS卫星信号所属卫星的修正后的卫星伪距观测值，即卫星伪距观测值与时延引起的误差总和之间的差值，BDS卫星信号对应的第四列参数为0，第五列参数表示为BDS卫星信号所属卫星的修正后的卫星伪距观测值，即卫星伪距观测值与时延引起的误差总和之间的差，GPS卫星信号对应的第五列参数为0，以上仅为一个示例，还可以采取其他的形式来构造观测矩阵；具体地，以某时刻内有m颗GPS卫星、n颗BDS卫星参与导航接收机的定位为示例，导航接收机接收的卫星信号包括m个GPS卫星信号和n个BDS卫星，所构造的原始卫星观测矩阵具体如下：

作为一个示例，以接收的第k个GPS卫星信号为示例，该卫星信号所属卫星的伪距观测值与时延引起的误差总和之间的差值的计算方法为：

为该卫星信号所属卫星的伪距观测值，e^k为该卫星信号所属卫星的钟差；该卫星信号所属卫星的伪距观测值

的计算公式为：

(x_p,y_p,z_p)为导航接收机的位置坐标；

时延引起的误差总和的计算公式为：

其中，c表示真空中的光速；δt^k表示导航接收机钟差；δt_p＝δt_p,gps(卫星为GPS时)，δt_p＝δt_p,bds(卫星为BDS时)，δt_p为卫星信号的定位时延；

表示卫星的对流层时延；

表示卫星的相对论响应时延。

获取该原始卫星观测矩阵的当前极值变量，其中，当前极值变量为多个修正后的卫星伪距观测值中的最大值，将原始卫星观测矩阵缩小当前极值变量数值倍以获取更新后的卫星观测矩阵；

依据更新后的卫星观测矩阵与接收机定位向量之间的映射关系，构造关于接收机定位向量的方程，求解该方程以获取定位向量；

具体地，卫星观测矩阵B与接收机定位向量X之间的映射关系可以表示为X＝M(B^TB)^-1B^T(alpha+Aτ)，其中，M表示常数矩阵diag(1,1,1,-1,-1)，τ表示常数列向量τ＝[1,1,1,1,1]^T；<·>表示Lorentz内积；A表示定位向量初值的Lorentz内积，

X₀为定位向量初值；alpha表示卫星参数内积向量，其可以表示为alpha＝BMX₀-Aτ；

定位向量可以表示为X＝(x_p,y_p,z_p,δt_p,gps,δt_p,bds)，以构造的方程为一元二次方程为示例，该方程表示为：

aX²+bX+c＝0

其中，a、b、c系数分别由上述卫星观测矩阵B与接收机定位向量X之间的映射关系得到，将(B^TB)^-1B^Tτ记为第一内积参数d₁，将(B^TB)^-1B^T·alpha记为第二内积参数d₂，a、b、c系数分别为a＝<d₁,d₁>，b＝2×(<d₁,d₂>-1)，c＝<d₂,d₂>。

求解上述方程，以获取更新后的定位向量，重复迭代上述所有步骤，将再次迭代后求得的定位向量值作为当前时刻的初始定位向量；作为一个示例，迭代停止条件为达到预设的迭代次数，当然还可以依据迭代精度等需求选择其他迭代停止条件，在此不做累述。

优选的，粒子群算法中的当前迭代(第t次迭代)下第i个粒子的速度V_i(t)表达式为：

当前迭代(第t次迭代)下第i个粒子的位置X_i(t)迭代表达式为：X_i(t)＝X_i(t-1)+V_i(t)；

其中，V_i(t-1)为上一次迭代(第t-1次迭代)的第i个粒子的速度值，X_i(t-1)为上一次迭代(第t-1次迭代)的第i个粒子的位置值，C₁和C₂分别为第一学习因子和第二学习因子，V_max为速度最大值，rand()为[0,1]之间的随机数，P_i(t-1)为上一次迭代第i个粒子的最佳位置值，G(t-1)为上一次迭代最优粒子的位置，k为收缩因子。

优选的，收缩因子的计算表达式为，

优选的，C₁＝C₂＝2.05，得到k＝0.729。，当然还可以依据迭代精度等需求选择其他收缩因子的计算方式，在此不做累述。

优选的，粒子适应度H(X)的表达式为：

其中，p^s为观测值权矩阵主对角线相应值，取：

其中var_s为卫星伪距的测量协方差，位置向量X＝(X_r,Y_r,Z_r)为当前粒子对应的位置数据，X^s＝(X^s(t),Y^s(t),Z^s(t))为卫星位置信息，cδ_r(t)为卫星钟差引起的误差，l为卫星和接收机之间的真实距离；

优选的，比较上一次迭代第i个粒子的适应度函数经历过的最好位置P_i(t-1)对应的适应度值f(P_i(t))和当前迭代第i个粒子的适应度f(X_i(t))，若依据衡量标准的判断当前迭代第i个粒子的适应度f(X_i(t))为更好的解，则将当前迭代第i个粒子的位置X_i(t)作为当前迭代第i个粒子的最好位置P_i(t)，否则，将P_i(t-1)作为当前迭代第i个粒子的最好位置P_i(t)：

P_i(t)＝argmin{f(P_i(t)),f(X_i(t))}

比较每个粒子所经历的最好位置P_i(t)的适应度，根据适应度衡量标准选出全局最优值G(t)；

优选的，迭代终止条件包括：M＝12,X_max＝X_temp+15,V_max＝1.5*X_max,t_max＝100。其中X_temp为每一次迭代的用户位置，X_max为用户位置解空间范围最大值，V_max为速度最大值，t_max＝100为迭代次数。

利用当前时刻的定位向量以此获取接收机的系统状态向量，其中，系统状态向量包括系统位置向量和系统时钟向量，系统状态向量具体由接收机三个方向的位置x、y、z，速度x_v、y_v、z_v，加速度x_a、y_a、z_a，相对于GPS的钟差τ₁、钟漂τ’₁，相对于BDS的钟差τ₂、钟漂τ'₂得到。作为一个示例，系统状态量X₁可以表示为X₁＝[X_S,X_T]^T，其中，系统位置向量X_S为X_S＝[x,x_v,x_a,y,y_v,y_a,z,z_v,z_a]^T，系统时钟向量X_T为X_T＝[τ₁,τ’₁,τ₂,τ'₂]^T。

利用当前时刻系统位置向量、当前时刻的位置状态转移矩阵和当前时刻的位置噪声矩阵获取下一时刻系统的位置向量；

具体地，接收机的采样周期为T，其下一时刻系统的位置向量X_S(k+1)可以表示为X_S(k+1)＝Φ_S(k)X_S(k)+W_S(k)，X_S(k)表示当前时刻的位置向量，Φ_S(k)为当前时刻的位置状态转移矩阵，Φ_S(k)＝diag(Φ_sx,Φ_sy,Φ_sz)，Φ_sx,Φ_sy,Φ_sz分别表示x方向的转移矩阵、y方向的转移矩阵，z方向的转移矩阵，W_S(k)表示当前时刻的位置噪声矩阵，其中Φ_x、Φ_y、Φ_z、W_S(k)如下式所示：

W_S(k)＝[0 0 w_x 0 0 w_y 0 0 w_z]

w_x、w_y、w_z分别表示

的高斯白噪声。

利用当前时刻系统时钟向量、当前时刻的时钟状态转移矩阵和当前时刻的时钟噪声矩阵获取下一时刻系统的时钟向量；具体地，接收机的采样周期为T，其下一时刻系统的时钟向量X_T(k+1)可以表示为X_T(k+1)＝Φ_T(k)X_T(k)+W_T(k)，X_T(k)表示当前时刻的时钟向量，Φ_T(k)为当前时刻的时钟状态转移矩阵，Φ_T(k)＝diag(Φ₁,Φ₂)，Φ₁、Φ₂分别表示GPS时钟矩阵、BDS时钟矩阵，W_T(k)表示k时刻的时钟噪声矩阵，其中，

利用下一时刻系统的位置向量和时钟向量获取接收机下一时刻的导航数据，作为一个示例，以当前时刻接收3颗GPS卫星、3颗BD2卫星为示例，其中，接收3颗GPS卫星、钟差τ₁、钟漂τ’₁、伪距ρ₁、ρ₂、ρ₃、伪距变化率ρ’₁、ρ'₂、ρ'₃，3颗BD2卫星、钟差τ₂、钟漂τ'₂、伪距ρ₄、ρ₅、ρ₆、伪距变化率ρ'₄、ρ'₅、ρ'₆，c表示光速，则观测量Y(k)＝[ρ₁,ρ’₁,ρ₂,ρ'₂,ρ₃,ρ'₃,ρ₄,ρ'₄,ρ₅,ρ'₅,ρ₆,ρ'₆]^T，其分别为：

ρ’₁＝((x-x₁)(x_v-x_v1)+(y-y₁)(y_v-y_v1)+(z-z₁)(z_v-z_v1))/ρ₁+cτ’₁

ρ’₂＝((x-x₂)(x_v-x_v2)+(y-y₂)(y_v-y_v2)+(z-z₂)(z_v-z_v2))/ρ₂+cτ’₁

ρ’₃＝((x-x₃)(x_v-x_v3)+(y-y₃)(y_v-y_v3)+(z-z₃)(z_v-z_v3))/ρ₃+cτ’₁

ρ’₄＝((x-x₄)(x_v-x_v4)+(y-y₄)(y_v-y_v4)+(z-z₄)(z_v-z_v4))/ρ₄+cτ’₂

ρ’₅＝((x-x₅)(x_v-x_v5)+(y-y₅)(y_v-y_v5)+(z-z₅)(z_v-z_v5))/ρ₅+cτ’₂

ρ’₆＝((x-x₆)(x_v-x_v6)+(y-y₆)(y_v-y_v6)+(z-z₆)(z_v-z_v6))/ρ₆+cτ’₂

其中，x_i、y_i、z_i,(i＝1、2,...,6)表示上述6颗卫星的位置分量，x_vi、y_vi、z_vi,(i＝1、2,...,6)表示上述6颗卫星的速度分量。

观测矩阵H(k)＝[H₁,H₂,H₃,H₄,H₅,H₆]^T,具体的H_i(i＝1,2,...,6)如下式所示：

其中，元素

其中(i＝1,2,...,6)，且

称为一步预测，

作为一个优选的方案，可对上述下一时刻系统的位置向量和时钟向量进行卡尔曼滤波，依据滤波后的位置向量和时钟向量获取接收机下一时刻的导航数据，其中，卡尔曼滤波常规方程可以表示为：

X(k+1)＝Φ(k+1,k)X(k)+W(k)

P(k+1)＝Φ(k+1)P(k)Φ^T(k+1)+Q(k)

K(k)＝P(k+1)H^T(k)(H(k)P(k+1)H^T(k)+R)^-1

X(k+1)＝X(k+1,k)+K(k)(Y(k)-H(k)X(k+1,k))

P(k+1,k)＝(I-K(k)H(k))P(k+1,k))

其中，具体的误差协方差矩阵P、过程噪声方差矩阵Q、测量噪声矩阵R的初始值，需要根据导航接收机的相关参数进行试验设定。K(k)表示系统在k时刻增益矩阵，W(k)表示系统在k时刻的噪声矩阵，误差协方差矩阵的初始值设定为对角矩阵，试验知对角矩阵上的元素值p_ii与滤波效果之间存在如下关系：p_ii值越大，滤波效果越好，接近于真实值。但是，p_ii值过大会导致收敛时间增加。

本实施例还提供了一种电子设备，其包括至少一个处理器、以及至少一个存储器，其中，存储器中存储有计算机程序，当计算机程序被处理器执行时，使得处理器执行实施例中的基于粒子群算法的导航信号解析方法的步骤，具体步骤参见实施例，此处不再赘述；本实施例中，处理器和存储器的类型不作具体限制，例如：处理器可以是微处理器、数字信息处理器、片上可编程逻辑系统等；存储器可以是易失性存储器、非易失性存储器或者它们的组合等。

该电子设备也可以与一个或多个外部设备(如键盘、指向终端、显示器等)通信，还可与一个或者多个使得用户能与该电子设备交互的终端通信，和/或与使得该电子设备能与一个或多个其它计算终端进行通信的任何终端(例如网卡，调制解调器等等)通信。这种通信可以通过输入/输出(I/O)接口进行。并且，电子设备还可以通过网络适配器与一个或者多个网络(例如局域网(Local Area Network，LAN)，广域网(Wide Area Network，WAN)和/或公共网络，例如因特网)通信。

本实施例还提供了一种计算机可读介质，其存储有可由电子设备执行的计算机程序，当所述计算机程序在电子设备上运行时，使得所述电子设备执行实施例中的基于粒子群算法的导航信号解析方法的步骤。计算机可读介质的类型包括但不限于SD卡、U盘、固定硬盘、移动硬盘等存储介质。

本领域的技术人员容易理解，以上所述仅为本发明的较佳实施例而已，并不用以限制本发明，凡在本发明的精神和原则之内所作的任何修改、等同替换和改进等，均应包含在本发明的保护范围之内。

Claims

1.一种基于粒子群算法的导航信号解析方法，其特征在于，所述方法包括：

构建粒子群算法中的粒子速度和位置迭代表达式，确定定位向量的变化范围和当前时刻的初始定位向量以构建初始粒子种群的初始值；利用粒子速度和位置迭代表达式迭代计算迭代后每个粒子的速度和位置数据，构建每个粒子的适应度函数，求取适应度函数的最小值以获取当前迭代次数下当前群体的最优粒子，利用适应度函数的预设阈值或最大迭代次数判断当前迭代是否符合终止条件，是则终止迭代，输出当前群体最优粒子的位置数据，将迭代终止时输出的当前群体最优粒子的位置数据作为当前时刻的定位向量；

2.如权利要求1所述的一种基于粒子群算法的导航信号解析方法，其中，所述原始卫星观测矩阵：

3.如权利要求1所述的一种基于粒子群算法的导航信号解析方法，其中，所述卫星观测矩阵B与接收机定位向量X之间的映射关系表示为：

X＝M(B^TB)^-1B^T(alpha+Aτ)，

X₀为定位向量初值；alpha表示卫星参数内积向量。

4.如权利要求1所述的一种基于粒子群算法的导航信号解析方法，其中，所述关于接收机定位向量的方程具体为：

aX²+bX+c＝0

5.如权利要求1所述的一种基于粒子群算法的导航信号解析方法，其中，粒子群算法中的当前迭代下第i个粒子的速度V_i(t)表达式为：

6.如权利要求5所述的一种基于粒子群算法的导航信号解析方法，其中，粒子适应度H(X)的表达式为：

其中，p^s为观测值权矩阵主对角线相应值，取：

7.如权利要求6所述的一种基于粒子群算法的导航信号解析方法，其中，比较上一次迭代第i个粒子的适应度函数经历过的最好位置P_i(t-1)对应的适应度值f(P_i(t))和当前迭代第i个粒子的适应度f(X_i(t))，若依据衡量标准的判断当前迭代第i个粒子的适应度f(X_i(t))为更好的解，则将当前迭代第i个粒子的位置X_i(t)作为当前迭代第i个粒子的最好位置P_i(t)，否则，将P_i(t-1)作为当前迭代第i个粒子的最好位置P_i(t)。

8.如权利要求1所述的一种基于粒子群算法的导航信号解析方法，其中，“利用当前时刻系统位置向量、当前时刻的位置状态转移矩阵和当前时刻的位置噪声矩阵获取下一时刻系统的位置向量”具体为：

W_S(k)＝[0 0 w_x 0 0 w_y 0 0 w_z]

w_x、w_y、w_z分别表示

的高斯白噪声。

9.如权利要求1所述的一种基于粒子群算法的导航信号解析方法，其中，“利用当前时刻系统时钟向量、当前时刻的时钟状态转移矩阵和当前时刻的时钟噪声矩阵获取下一时刻系统的时钟向量”具体为：

10.一种计算机可读介质，其特征在于，其存储有可由终端设备执行的计算机程序，当所述程序在终端设备上运行时，使得所述终端设备执行权利要求1～9任一权利要求所述方法的步骤。