CN113156473B - 信息融合定位系统卫星信号环境的自适应判别方法 - Google Patents
信息融合定位系统卫星信号环境的自适应判别方法 Download PDFInfo
- Publication number
- CN113156473B CN113156473B CN202110238535.2A CN202110238535A CN113156473B CN 113156473 B CN113156473 B CN 113156473B CN 202110238535 A CN202110238535 A CN 202110238535A CN 113156473 B CN113156473 B CN 113156473B
- Authority
- CN
- China
- Prior art keywords
- model
- data
- satellite signal
- input
- adaptive
- 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
- 238000000034 method Methods 0.000 title claims abstract description 67
- 230000004927 fusion Effects 0.000 title claims abstract description 26
- 238000012549 training Methods 0.000 claims abstract description 49
- 238000012545 processing Methods 0.000 claims abstract description 23
- 238000012360 testing method Methods 0.000 claims abstract description 16
- 238000004364 calculation method Methods 0.000 claims abstract description 14
- 230000008569 process Effects 0.000 claims description 32
- 230000003044 adaptive effect Effects 0.000 claims description 25
- 239000011159 matrix material Substances 0.000 claims description 22
- 239000012634 fragment Substances 0.000 claims description 15
- 230000006870 function Effects 0.000 claims description 9
- 238000012795 verification Methods 0.000 claims description 8
- 239000013598 vector Substances 0.000 claims description 6
- 210000005036 nerve Anatomy 0.000 claims description 5
- 238000012850 discrimination method Methods 0.000 claims description 4
- 238000010923 batch production Methods 0.000 claims description 3
- 230000008859 change Effects 0.000 claims description 3
- 230000000694 effects Effects 0.000 claims description 3
- 230000036541 health Effects 0.000 claims description 3
- 238000002360 preparation method Methods 0.000 claims description 3
- 238000000605 extraction Methods 0.000 abstract 1
- 238000013528 artificial neural network Methods 0.000 description 7
- 125000004122 cyclic group Chemical group 0.000 description 4
- 238000010606 normalization Methods 0.000 description 4
- 238000009825 accumulation Methods 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 230000009191 jumping Effects 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 230000000306 recurrent effect Effects 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000008034 disappearance Effects 0.000 description 1
- 238000012407 engineering method Methods 0.000 description 1
- 230000007613 environmental effect Effects 0.000 description 1
- 230000001537 neural effect Effects 0.000 description 1
- 238000012706 support-vector machine Methods 0.000 description 1
- 230000002123 temporal effect Effects 0.000 description 1
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
- G01S19/38—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
-
- 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)
- General Engineering & Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- Biophysics (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- Computational Linguistics (AREA)
- Biomedical Technology (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Artificial Intelligence (AREA)
- Life Sciences & Earth Sciences (AREA)
- Health & Medical Sciences (AREA)
- Computer Networks & Wireless Communication (AREA)
- Position Fixing By Use Of Radio Waves (AREA)
Abstract
本发明属于导航定位或机器人技术领域,具体涉及一种信息融合定位系统卫星信号环境的自适应判别方法。该方法包括:选取训练样本以及标签;对采集到的样本数据进行初步权重计算和批标准化处理;批处理操作之后的数据正向传播及误差反向传播;对上述训练好的模型利用测试集进行评价;该方法采用基于RNN的多源信息融合定位系统卫星信号环境的自适应判别方法,能够有效对智能系统运行环境的导航卫星信号状态进行特征抽取,根据连续时间段内的卫星信号状态特征输出当前时刻卫星信号状态判别值,实现智能无人系统的信息融合定位系统对卫星信号环境的自适应判别。
Description
技术领域
本发明属于导航定位或机器人技术领域,具体涉及一种信息融合定位系统卫星信号环境的自适应判别方法。
背景技术
智能无人系统自主定位系统通过导航卫星信号、自身传感器信息、地图先验信息等获取其在工作环境当中的位置和姿态信息。在复杂环境中,当导航卫星系统受到建筑物遮蔽、电磁干扰等环境影响时,智能无人系统可能只能够获取有限的导航卫星信号。在这种情况下,智能无人系统需要将定位方法切换至不完全依赖导航卫星信号的自主定位方法。
由于导航卫星信号跳变、导航卫星信号定位误差大、导航卫星信号断续消失、导航卫星信号定位信息无效等情况的存在,通过选取若干导航卫星信号进行简单定位算法切换时机逻辑判断,其准确率低下。而采用特征工程方法通过在单一时刻内抽取导航卫星信号特征并利用全连接神经网络或支持向量机对其进行处理,将输出作为是否切换定位算法的判断依据,则容易产生定位算法频繁切换,占用大量计算资源的现象。因此,设计一种受信号跳变现象影响小和切换时机判断准确的定位系统自适应判别方法对实现智能无人系统在复杂环境中的自主定位以及降低对导航卫星信号的依赖等方面具有重大的意义。
发明内容
(一)要解决的技术问题
本发明要解决的技术问题是:如何提出一种基于循环神经网络 (RecurrentNeural Network,RNN)的针对多源信息融合位姿状态定位系统的自适应切换方法,实现智能系统在复杂环境中自主定位方法的准确切换。
(二)技术方案
为解决上述技术问题,本发明提供一种信息融合定位系统卫星信号环境的自适应判别方法,其特征在于,所述方法以RNN网络单元为基本结构单元;由于模型中间层存在循环权重,RNN在处理时间序列数据时,能够将前一时刻数据的特征信息传递至下一时刻;本方法实施过程中,在由5个RNN单元组成的自适应判别模型实施的情况下,模型的输入为I,对于5个RNN单元而言,其各自的输入为 It-4至It,中间层数据为S,对于5个RNN单元而言,其各自的中间层数据为St-4至St,单组数据的最终输出为O,对于5个RNN单元而言,其各自的最终输出为Ot-4至Ot;
Ik,Sk和Ok,k=t-4,t-3,t-2,t-1,t分别是维度为p,q,r的一维向量;模型参数包括U,V以及W;其中,U为RNN网络单元的输入权重,是一个p×q的矩阵,V是RNN网络单元的输出权重,是q×r的矩阵,W是RNN网络单元接受上一时刻中间层输入的权重,是一个q ×q的矩阵;自适应判别模型将5个时间帧的输入It-4至It作为一组数据输入模型,并得到当前标志当前卫星信号环境是否良好的标志位 Ot;
该自适应判别模型在对卫星信号环境状态进行推理之前需要对 U,V以及W进行训练;
由此,所述自适应判别方法的训练以及推理包括以下步骤:
步骤1:选取训练样本以及标签;
本步骤选取GPS信息中的时间状态、接受状态、系统状态、信号质量、卫星健康标识、用户测距精度以及组合导航数据中的跟踪位置、速度、航向角作为自适应判别模型系统的输入,对应于所述Ik, k∈(t-4,t-3,t-2,t-1,t);
在完成上述训练样本选择后,对模型输出Ok对应的标签值进行构造;取k时刻导航卫星信号位置坐标与k-1时刻位置坐标的差Δd作为k时刻的标志值并设定一个阈值δ,当Δd小于阈值δ时,将k时刻的准标签值设置为1,表征多源信息融合定位系统该时刻获取的导航卫星信号是可信的;否则设置为0,表征系统该时刻导航卫星信号不可信;
按照上述方式,利用无人系统在测试环境中对上述输入量以及导航卫星信号坐标进行数据采集;将5帧连续样本准标签值为1的卫星信号样本片段提取出来,并将其标签值设置为1,表征原型系统能够获取导航卫星信号;对所有准标签值为0的样本同样截取连续5帧的片段进行分析,当其临近的固定帧数样本均为0时,将该片段提取出来,并将该片段的标签值设置为0,表示定位系统无法获取导航卫星信号或获取到的卫星信号不可使用;由于训练样本与标签值要求严格的时间一致性,故上述所有信息的采集必须经过同步处理;
步骤2:对采集到的样本数据进行初步权重计算和批标准化处理;
自适应判别模型中的U,V,W均为权重矩阵,自适应判别模型首先将样本数据利用U进行初步权重计算并进行BN操作;BN操作是指在模型训练步骤中,一次性将多个不同的中间输入进行一定处理后再进行后续计算,这样的操作可以在后续的训练过程中利用矩阵并行计算,加速其训练过程并提高模型判别精度;
具体来讲,设I为自适应判别模型的输入,并令X=UI,则X表示经历过输入层权重处理,但未进行BN处理的单批数据;
设为BN处理之前的单批数据X在类别维度上的平均值;
其中,xi表示X中的单个类别输入,包括时间状态、接受状态、跟踪位置;m表示同批次输入样本数;
为BN处理之前的单批数据方差,则可对输入做如下变换:
并有:
式中,是微小常数,避免出现除零情况的发生,为经过过标准化处理的输入数据,yi是经过变换后的输入数据,BNγ,β(xi)代表 BN操作,γ和β是权重参数,这两个参数是在后续反向传播过程中加以确定;
步骤3:批处理操作之后的数据正向传播及误差反向传播;
首先明确自适应判别模型的重要参数;在步骤1中,已经将自适应判别模型的RNN网络单元数目设置为5,单个RNN网络单元的输入I维度设置为30;输出O表征当前时刻的卫星环境状态是否可信,故用O=1表示可信,O=0表示不可信,将O的维度设置为1;
模型训练首先进行输入数据的前项传播,设t时刻神经单元的隐藏层数据为St,则该模型的正向传播过程表示为:
St=sigmoid(UYt+WSt-1) (3)
Ot=tanh(VSt) (4)
式中,St和Ot分别为t时刻的隐藏层数据以及输出数据,Yt为步骤1中yi的向量表示形式;Sigmoid和tanh分别表示Sigmoid函数和 tanh函数;通过上述公式可以看到,Ot实际上包含了整个五个输入帧的输入特征;
之后通过反向传播对自适应判别模型权重U,W和V进行更新;在反向传播过程中,定义损失函数:
其中,表示t-4至t时刻的总损失,表示代表 t-4至t任意值的单一k时刻的输出值与标签值之间的损失,如无特殊说明,E即代指Ot为自适应判别模型的输出,为样本标签值,Ok,分别代表k时刻模型的暂时输出与准标签值;
由于参数矩阵V与Ot具有更为直接的关系,故先对参数矩阵V 进行误差反向传播并进行更新;
其中,
该处为Sk的转置,×表示矩阵运算,*表示Hadamard积,下同;
所以,参数矩阵V的更新方式即为:
其中,a为学习率;
由于自适应判别模型采用RNN网络单元,故其误差在反向传播的过程中涉及到时间以及空间两个维度上的误差积累,为了对参数矩阵U以及W进行更新,首先对自适应判别模型在反向传播过程中的一些中间变量先进行求解;
为方便表示,令有如下等式:
通过上述中间变量,求解U以及W的梯度变化,有如下等式:
所以U和W的更新可以用如下方式表达:
其中b和c分别是学习率;
至此,自适应判别模型的三个权重矩阵即完成了更新;
除此之外,还需对BN操作中的γ和β进行更新;
式(17),(18)中,p和q同样是学习率;
整个自适应判别模型的权重更新规则如上所述;在实际操作中,将足量的导航卫星信号训练数据制作为满足上述输入输出要求的数据集;并将数据集按8:1:1的比例分割为训练集,验证集以及测试集;选取合适的单批数据量m,依次将训练集各个批次的数据输入自适应判别模型;每次将m组数据输入自适应判别模型后,计算模型输出与标签值的误差,并进行反向传播过程,更新权重矩阵和批处理化参数;设定模型对整个训练集遍历一遍为一个epoch,每次训练完成一个epoch,使用验证集对模型效果进行验证,观察模型准确率变化,防止过拟合现象的发生;
步骤4:对上述训练好的模型利用测试集进行评价,将满足测试集准确度要求的多源信息融合定位系统卫星信号环境的自适应判别方法模型进行保存;在利用自适应模型进行卫星信号环境的判别过程中,将输入数据的单批次输入量m设置为1以保证模型输入维度与真实信息输入维度相匹配;由于m=1,在批处理化的正向传播中,均值μB和方差不再具有参考性,此时假设实际环境与训练集的数据独立同分布,将推理过程中的μB和设置为整个训练集中输入数据的μB和即可;对于模型的输出Ot,其取值范围应在0到1之间,若其值大于0.5,认为当前导航卫星信号环境良好,卫星数据可信,否则认为卫星信号环境质量较差,卫星数据存在较大噪音。
其中,所述步骤2中,所述m的数值根据计算系统内存决定。
其中,所述步骤2中,所述m的数值取64。
其中,所述步骤2中,所述m的数值取128。
其中,所述步骤2中,所述m的数值取256。
其中,所述步骤3中,a取0.01至0.05之间的数值。
其中,所述步骤3中,b取0.01到0.05之间的数值。
其中,所述步骤3中,c取0.01到0.05之间的数值。
其中,所述步骤3中,p取0.05至0.1之间的数值。
其中,所述步骤3中,q取0.05至0.1之间的数值。
(三)有益效果
本发明技术方案采用基于RNN的自学习状态判别方法进行有限导航卫星信号环境与完全无导航卫星信号环境的自适应判别。RNN 是一种能够同时抽取时间与空间特征的神经网络,通过堆叠相同的神经单元,RNN可以接受持续时间内的信息输入。每个时刻RNN单个神经单元的输入信息分为两部分,一部分是当前时刻外部信息输入,另一组是上一时刻RNN神经单元隐藏层的输出。相较于不含循环结构的全连接神经网络,RNN可以更好的提取时间序列特征。利用该网络构建的定位方式自适应切换算法可以消除极短时间内因跳变定位信号导致的不必要的定位算法切换,也可以一定程度上避免特定情况下不稳定定位信号引发的定位算法频繁切换情况。为使该定位方式自适应切换方法满足较高的准确率要求,需要利用样本数据对自适应切换算法模型进行训练,验证以及测试。将预先准备好的导航卫星信号样本数据分割为训练集,验证集以及测试集,利用训练集更新算法模型的权重参数,利用验证集判断训练过程中算法模型性能是否有提升趋势,最后利用测试集对算法模型的判断准确率进行测试,满足准确率要求可投入使用。
综上,与现有技术相比较,该方法采用基于RNN的多源信息融合定位系统卫星信号环境的自适应判别方法,能够有效对智能系统运行环境的导航卫星信号状态进行特征抽取,根据连续时间段内的卫星信号状态特征输出当前时刻卫星信号状态判别值,实现智能无人系统的信息融合定位系统对卫星信号环境的自适应判别。
附图说明
图1是RNN基本结构示意图。
图2是自适应判别模型示意图。
具体实施方式
为使本发明的目的、内容、和优点更加清楚,下面结合附图和实施例,对本发明的具体实施方式作进一步详细描述。
为解决上述技术问题,本发明提供一种信息融合定位系统卫星信号环境的自适应判别方法,所述方法以RNN(Recurrent Neural Network,循环神经网络)网络单元为基本结构单元;所述RNN的结构如图1所示,由于模型中间层存在循环权重,RNN在处理时间序列数据时,能够将前一时刻数据的特征信息传递至下一时刻;本方法搭建自适应判别模型如图2所示,实施过程中,在由5个RNN单元组成的自适应判别模型实施的情况下,模型的输入为I,对于5个RNN 单元而言,其各自的输入为It-4至It,中间层数据为S,对于5个RNN 单元而言,其各自的中间层数据为St-4至St,单组数据的最终输出为 O,对于5个RNN单元而言,其各自的最终输出为Ot-4至Ot;
Ik,Sk和Ok,k=t-4,t-3,t-2,t-1,t分别是维度为p,q,r的一维向量;模型参数包括U,V以及W;其中,U为RNN网络单元的输入权重,是一个p×q的矩阵,V是RNN网络单元的输出权重,是q×r的矩阵,W是RNN网络单元接受上一时刻中间层输入的权重,是一个q ×q的矩阵;自适应判别模型将5个时间帧的输入It-4至It作为一组数据输入模型,并得到当前标志当前卫星信号环境是否良好的标志位 Ot;
该自适应判别模型在对卫星信号环境状态进行推理之前需要对 U,V以及W进行训练;
由此,所述自适应判别方法的训练以及推理包括以下步骤:
步骤1:选取训练样本以及标签;
本步骤选取GPS信息中的时间状态、接受状态、系统状态、信号质量、卫星健康标识、用户测距精度以及组合导航数据中的跟踪位置、速度、航向角等不同类型的30个状态量作为自适应判别模型系统的输入,具体来说对应于所述Ik,k∈(t-4,t-3,t-2,t-1,t);
在完成上述训练样本选择后,对模型输出Ok对应的标签值进行构造;取k时刻导航卫星信号位置坐标与k-1时刻位置坐标的差Δd作为k时刻的标志值并设定一个阈值δ,当Δd小于阈值δ时,将k时刻的准标签值设置为1,表征多源信息融合定位系统该时刻获取的导航卫星信号是可信的;否则设置为0,表征系统该时刻导航卫星信号不可信;
按照上述方式,利用无人系统在测试环境中对上述输入量以及导航卫星信号坐标进行数据采集;将5帧连续样本准标签值为1的卫星信号样本片段提取出来,并将其标签值设置为1,表征原型系统能够获取导航卫星信号;对所有准标签值为0的样本同样截取连续5帧的片段进行分析,当其临近的固定帧数样本均为0时,将该片段提取出来,并将该片段的标签值设置为0,表示定位系统无法获取导航卫星信号或获取到的卫星信号不可使用;由于训练样本与标签值要求严格的时间一致性,故上述所有信息的采集必须经过同步处理;
步骤2:对采集到的样本数据进行初步权重计算和批标准化处理;
如图2所示,自适应判别模型中的U,V,W均为权重矩阵,自适应判别模型首先将样本数据利用U进行初步权重计算并进行BN (Batch Normalization,批标准化处理)操作;BN操作是指在模型训练步骤中,一次性将多个不同的中间输入进行一定处理后再进行后续计算,这样的操作可以在后续的训练过程中利用矩阵并行计算,加速其训练过程并提高模型判别精度;
具体来讲,设I为自适应判别模型的输入,并令X=UI,则X表示经历过输入层权重处理,但未进行BN处理的单批数据;
设为BN处理之前的单批数据X在类别维度上的平均值;
其中,xi表示X中的单个类别输入,包括时间状态、接受状态、跟踪位置;m表示同批次输入样本数,其数值根据计算系统内存决定,可取64、128或256;
为BN处理之前的单批数据方差,则可对输入做如下变换:
并有:
式中,ε是微小常数,避免出现除零情况的发生,为经过过标准化处理的输入数据,yi是经过变换后的输入数据,BNγ,β(xi)代表 BN操作,γ和β是权重参数,这两个参数是在后续反向传播过程中加以确定;
步骤3:批处理操作之后的数据正向传播及误差反向传播;
首先明确自适应判别模型的重要参数;在步骤1中,已经将自适应判别模型的RNN网络单元数目设置为5,单个RNN网络单元的输入I维度设置为30;输出O表征当前时刻的卫星环境状态是否可信,故用O=1表示可信,O=0表示不可信,将O的维度设置为1;
模型训练首先进行输入数据的前项传播,设t时刻神经单元的隐藏层数据为St,则该模型的正向传播过程表示为:
St=sigmoid(UYt+WSt-1) (3)
Ot=tanh(VSt) (4)
式中,St和Ot分别为t时刻的隐藏层数据以及输出数据,Yt为步骤1中yi的向量表示形式;Sigmoid和tanh分别表示Sigmoid函数和 tanh函数;通过上述公式以及图2的算法模型结构可以看到,Ot实际上包含了整个五个输入帧的输入特征;
之后通过反向传播对自适应判别模型权重U,W和V进行更新。在反向传播过程中,定义损失函数:
其中,表示t-4至t时刻的总损失,表示代表 t-4至t任意值的单一k时刻的输出值与标签值之间的损失,如无特殊说明,E即代指Ot为自适应判别模型的输出,为样本标签值,Ok,分别代表k时刻模型的暂时输出与准标签值;
由于参数矩阵V与Ot具有更为直接的关系,故先对参数矩阵V 进行误差反向传播并进行更新;
其中,
该处为Sk的转置,×表示矩阵运算,*表示Hadamard积,下同;
所以,参数矩阵V的更新方式即为:
其中,a为学习率,取0.01至0.05之间的数值;
由于自适应判别模型采用RNN网络单元,故其误差在反向传播的过程中涉及到时间以及空间两个维度上的误差积累,为了对参数矩阵U以及W进行更新,首先对自适应判别模型在反向传播过程中的一些中间变量先进行求解;
为方便表示,令有如下等式:
通过上述中间变量,求解U以及W的梯度变化,有如下等式:
所以U和W的更新可以用如下方式表达:
其中b和c分别是学习率,同a一样,取0.01到0.05之间的数值;
至此,自适应判别模型的三个权重矩阵即完成了更新;
除此之外,还需对BN操作中的γ和β进行更新;
式(17),(18)中,p和q同样是学习率,取0.05至0.1之间的数值;
整个自适应判别模型的权重更新规则如上所述;在实际操作中,将足量的导航卫星信号训练数据制作为满足上述输入输出要求的数据集;并将数据集按8:1:1的比例分割为训练集,验证集以及测试集;选取合适的单批数据量m,依次将训练集各个批次的数据输入自适应判别模型;每次将m组数据输入自适应判别模型后,计算模型输出与标签值的误差,并进行反向传播过程,更新权重矩阵和批处理化参数;设定模型对整个训练集遍历一遍为一个epoch,每次训练完成一个epoch,使用验证集对模型效果进行验证,观察模型准确率变化,防止过拟合现象的发生;
步骤4:对上述训练好的模型利用测试集进行评价,将满足测试集准确度要求的多源信息融合定位系统卫星信号环境的自适应判别方法模型进行保存;在利用自适应模型进行卫星信号环境的判别过程中,将输入数据的单批次输入量m设置为1以保证模型输入维度与真实信息输入维度相匹配;由于m=1,在批处理化的正向传播中,均值μB和方差不再具有参考性,此时假设实际环境与训练集的数据独立同分布,将推理过程中的μB和设置为整个训练集中输入数据的μB和即可;对于模型的输出Ot,其取值范围应在0到1之间,若其值大于0.5,认为当前导航卫星信号环境良好,卫星数据可信,否则认为卫星信号环境质量较差,卫星数据存在较大噪音。
以上所述仅是本发明的优选实施方式,应当指出,对于本技术领域的普通技术人员来说,在不脱离本发明技术原理的前提下,还可以做出若干改进和变形,这些改进和变形也应视为本发明的保护范围。
Claims (10)
1.一种信息融合定位系统卫星信号环境的自适应判别方法,其特征在于,所述方法以RNN网络单元为基本结构单元;由于模型中间层存在循环权重,RNN在处理时间序列数据时,能够将前一时刻数据的特征信息传递至下一时刻;本方法实施过程中,在由5个RNN单元组成的自适应判别模型实施的情况下,模型的输入为I,对于5个RNN单元而言,其各自的输入为It-4至It,中间层数据为S,对于5个RNN单元而言,其各自的中间层数据为St-4至St,单组数据的最终输出为O,对于5个RNN单元而言,其各自的最终输出为Ot-4至Ot;
Ik,Sk和Ok,k=t-4,t-3,t-2,t-1,t分别是维度为p,q,r的一维向量;模型参数包括U,V以及W;其中,U为RNN网络单元的输入权重,是一个q×p的矩阵,V是RNN网络单元的输出权重,是r×q的矩阵,W是RNN网络单元接受上一时刻中间层输入的权重,是一个q×q的矩阵;自适应判别模型将5个时间帧的输入It-4至It作为一组数据输入模型,并得到当前标志当前卫星信号环境是否良好的标志位Ot;
该自适应判别模型在对卫星信号环境状态进行推理之前需要对U,V以及W进行训练;
由此,所述自适应判别方法的训练以及推理包括以下步骤:
步骤1:选取训练样本以及标签;
本步骤选取GPS信息中的时间状态、接受状态、系统状态、信号质量、卫星健康标识、用户测距精度以及组合导航数据中的跟踪位置、速度、航向角作为自适应判别模型系统的输入,对应于所述Ik,k∈(t-4,t-3,t-2,t-1,t);
在完成上述训练样本选择后,对模型输出Ok对应的标签值进行构造;取k时刻导航卫星信号位置坐标与k-1时刻位置坐标的差Δd作为k时刻的标志值并设定一个阈值δ,当Δd小于阈值δ时,将k时刻的准标签值设置为1,表征多源信息融合定位系统该时刻获取的导航卫星信号是可信的;否则设置为0,表征系统该时刻导航卫星信号不可信;
按照上述方式,利用无人系统在测试环境中对上述输入量以及导航卫星信号坐标进行数据采集;将5帧连续样本准标签值为1的卫星信号样本片段提取出来,并将其标签值设置为1,表征原型系统能够获取导航卫星信号;对所有准标签值为0的样本同样截取连续5帧的片段进行分析,当其临近的固定帧数样本均为0时,将该片段提取出来,并将该片段的标签值设置为0,表示定位系统无法获取导航卫星信号或获取到的卫星信号不可使用;由于训练样本与标签值要求严格的时间一致性,故上述所有信息的采集必须经过同步处理;
步骤2:对采集到的样本数据进行初步权重计算和批标准化处理;
自适应判别模型中的U,V,W均为权重矩阵,自适应判别模型首先将样本数据利用U进行初步权重计算并进行BN操作;BN操作是指在模型训练步骤中,一次性将多个不同的中间输入进行一定处理后再进行后续计算,这样的操作可以在后续的训练过程中利用矩阵并行计算,加速其训练过程并提高模型判别精度;
具体来讲,设I为自适应判别模型的输入,并令X=UI,则X表示经历过输入层权重处理,但未进行BN处理的单批数据;
设为BN处理之前的单批数据X在类别维度上的平均值;
其中,xi表示X中的单个类别输入,包括时间状态、接受状态、跟踪位置;m表示同批次输入样本数;
为BN处理之前的单批数据方差,则可对输入做如下变换:
并有:
式中,∈是微小常数,避免出现除零情况的发生,为经过标准化处理的输入数据,yi是经过变换后的输入数据,BNγ,β(xi)代表BN操作,γ和β是权重参数,这两个参数是在后续反向传播过程中加以确定;
步骤3:批处理操作之后的数据正向传播及误差反向传播;
首先明确自适应判别模型的重要参数;在步骤1中,已经将自适应判别模型的RNN网络单元数目设置为5,单个RNN网络单元的输入I维度设置为30;输出O表征当前时刻的卫星环境状态是否可信,故用O=1表示可信,O=0表示不可信,将O的维度设置为1;
模型训练首先进行输入数据的前项传播,设t时刻神经单元的中间层数据为St,则该模型的正向传播过程表示为:
St=sigmoid(Yt+WSt-1) (3)
Ot=tanh(VSt) (4)
式中,St和Ot分别为t时刻的中间层数据以及输出数据,Yt为步骤1中yi的向量表示形式;sigmoid和tanh分别表示sigmoid函数和tanh函数;通过上述公式可以看到,Ot实际上包含了整个五个输入帧的输入特征;
之后通过反向传播对自适应判别模型权重U,W和V进行更新;在反向传播过程中,定义损失函数:
其中,表示t-4至t时刻的总损失,表示代表t-4至t任意值的单一k时刻的输出值与标签值之间的损失,如无特殊说明,E即代指Ot为自适应判别模型的输出,为样本标签值,Ok,分别代表k时刻模型的暂时输出与准标签值;
由于输出权重V与Ot具有更为直接的关系,故先对输出权重V进行误差反向传播并进行更新;
其中,
该处为Sk的转置,×表示矩阵运算,*表示Hadamard积,下同;
所以,输出权重V的更新方式即为:
其中,a为学习率;
由于自适应判别模型采用RNN网络单元,故其误差在反向传播的过程中涉及到时间以及空间两个维度上的误差积累,为了对输入权重U以及中间层输入的权重W进行更新,对自适应判别模型在反向传播过程中的一些中间变量先进行求解;
然后,U和W的更新可以用如下方式表达:
其中b和c分别是学习率;
至此,自适应判别模型的三个权重矩阵即完成了更新;
除此之外,还需对BN操作中的γ和β进行更新;
式(13),(14)中,p1和q1同样是学习率;
整个自适应判别模型的权重更新规则如上所述;在实际操作中,将足量的导航卫星信号训练数据制作为满足上述输入输出要求的数据集;并将数据集按8∶1∶1的比例分割为训练集,验证集以及测试集;选取合适的单批数据量m,依次将训练集各个批次的数据输入自适应判别模型;每次将m组数据输入自适应判别模型后,计算模型输出与标签值的误差,并进行反向传播过程,更新权重矩阵和批处理化参数;设定模型对整个训练集遍历一遍为一个epoch,每次训练完成一个epoch,使用验证集对模型效果进行验证,观察模型准确率变化,防止过拟合现象的发生;
步骤4:对上述训练好的模型利用测试集进行评价,将满足测试集准确度要求的多源信息融合定位系统卫星信号环境的自适应判别方法模型进行保存;在利用自适应模型进行卫星信号环境的判别过程中,将输入数据的单批次输入量m设置为1以保证模型输入维度与真实信息输入维度相匹配;由于m=1,在批处理化的正向传播中,均值μB和方差不再具有参考性,此时假设实际环境与训练集的数据独立同分布,将推理过程中的μB和设置为整个训练集中输入数据的μB和即可;对于模型的输出Ot,其取值范围应在0到1之间,若其值大于0.5,认为当前导航卫星信号环境良好,卫星数据可信,否则认为卫星信号环境质量较差,卫星数据存在较大噪音。
2.如权利要求1所述的信息融合定位系统卫星信号环境的自适应判别方法,其特征在于,所述步骤2中,所述m的数值根据计算系统内存决定。
3.如权利要求2所述的信息融合定位系统卫星信号环境的自适应判别方法,其特征在于,所述步骤2中,所述m的数值取64。
4.如权利要求2所述的信息融合定位系统卫星信号环境的自适应判别方法,其特征在于,所述步骤2中,所述m的数值取128。
5.如权利要求2所述的信息融合定位系统卫星信号环境的自适应判别方法,其特征在于,所述步骤2中,所述m的数值取256。
6.如权利要求1所述的信息融合定位系统卫星信号环境的自适应判别方法,其特征在于,所述步骤3中,a取0.01至0.05之间的数值。
7.如权利要求1所述的信息融合定位系统卫星信号环境的自适应判别方法,其特征在于,所述步骤3中,b取0.01到0.05之间的数值。
8.如权利要求1所述的信息融合定位系统卫星信号环境的自适应判别方法,其特征在于,所述步骤3中,c取0.01到0.05之间的数值。
9.如权利要求1所述的信息融合定位系统卫星信号环境的自适应判别方法,其特征在于,所述步骤3中,p1取0.05至0.1之间的数值。
10.如权利要求1所述的信息融合定位系统卫星信号环境的自适应判别方法,其特征在于,所述步骤3中,q1取0.05至0.1之间的数值。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110238535.2A CN113156473B (zh) | 2021-03-04 | 2021-03-04 | 信息融合定位系统卫星信号环境的自适应判别方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110238535.2A CN113156473B (zh) | 2021-03-04 | 2021-03-04 | 信息融合定位系统卫星信号环境的自适应判别方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN113156473A CN113156473A (zh) | 2021-07-23 |
CN113156473B true CN113156473B (zh) | 2023-05-02 |
Family
ID=76884281
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110238535.2A Active CN113156473B (zh) | 2021-03-04 | 2021-03-04 | 信息融合定位系统卫星信号环境的自适应判别方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113156473B (zh) |
Families Citing this family (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113703025B (zh) * | 2021-08-23 | 2023-11-07 | 东南大学 | 一种面向gnss多种失效状态的车辆定位误差智能预测方法 |
CN114900897B (zh) * | 2022-05-17 | 2023-04-07 | 中国人民解放军国防科技大学 | 多波束卫星资源分配方法及系统 |
Family Cites Families (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109948117B (zh) * | 2019-03-13 | 2023-04-07 | 南京航空航天大学 | 一种对抗网络自编码器的卫星异常检测方法 |
US10809388B1 (en) * | 2019-05-01 | 2020-10-20 | Swift Navigation, Inc. | Systems and methods for high-integrity satellite positioning |
CN110751199A (zh) * | 2019-10-15 | 2020-02-04 | 南京航空航天大学 | 一种基于贝叶斯神经网络的卫星异常检测方法 |
CN111783558A (zh) * | 2020-06-11 | 2020-10-16 | 上海交通大学 | 一种卫星导航干扰信号类型智能识别方法及系统 |
-
2021
- 2021-03-04 CN CN202110238535.2A patent/CN113156473B/zh active Active
Also Published As
Publication number | Publication date |
---|---|
CN113156473A (zh) | 2021-07-23 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN107392255B (zh) | 少数类图片样本的生成方法、装置、计算设备及存储介质 | |
Bode | Neural networks for cost estimation: simulations and pilot application | |
CN111814719B (zh) | 一种基于3d时空图卷积的骨架行为识别方法 | |
CN113156473B (zh) | 信息融合定位系统卫星信号环境的自适应判别方法 | |
CN114332578A (zh) | 图像异常检测模型训练方法、图像异常检测方法和装置 | |
CN113554156B (zh) | 基于注意力机制与可变形卷积的多任务图像处理方法 | |
CN109934810A (zh) | 一种基于改进粒子群小波神经网络的缺陷分类方法 | |
CN109598220A (zh) | 一种基于多元输入多尺度卷积的人数统计方法 | |
CN113902131B (zh) | 抵抗联邦学习中歧视传播的节点模型的更新方法 | |
CN114091554A (zh) | 一种训练集处理方法和装置 | |
CN114800500B (zh) | 一种用于打磨机器人的柔性恒力控制方法及系统 | |
CN116861967A (zh) | 一种基于脉冲神经网络的数据增强方法及装置 | |
CN110222734B (zh) | 贝叶斯网络学习方法、智能设备及存储装置 | |
CN114358250A (zh) | 数据处理方法、装置、计算机设备、介质及程序产品 | |
CN111814804B (zh) | 基于ga-bp-mc神经网络的人体三维尺寸信息预测方法及装置 | |
CN114091652A (zh) | 脉冲神经网络模型训练方法、处理芯片以及电子设备 | |
CN113407820A (zh) | 模型训练方法及相关系统、存储介质 | |
Song et al. | An Improved Kalman Filter Based on Long Short‐Memory Recurrent Neural Network for Nonlinear Radar Target Tracking | |
Artemov et al. | Subsystem for simple dynamic gesture recognition using 3DCNNLSTM | |
CN104517121A (zh) | 一种基于粒子群优化的空间大数据字典学习方法 | |
CN113361381A (zh) | 人体关键点检测模型训练方法、检测方法及装置 | |
CN111783711B (zh) | 基于身体部件层面的骨架行为识别方法及装置 | |
CN115879513B (zh) | 一种数据的层次化标准化方法、装置和电子设备 | |
CN115242428B (zh) | 一种基于优化cw-rnn的网络安全态势预测方法 | |
Fan et al. | ELM-based improved layered ensemble architecture for time series forecasting |
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 |