CN113467250A - 基于北斗导航和数据驱动的船舶航向及其区域估计方法 - Google Patents

Abstract

本发明公开了一种基于北斗导航和数据驱动的船舶航向及其区域估计方法，包括在海面已知点采集24小时GNSS观测数据；获取离线标定数据集；对从GNSS观测数据提取的原始观测量进行分析与筛选，获得筛选后的样本集Z；将所述样本集Z及相应的伪距误差输入至自适应神经网络ANFIS中训练，获取伪距误差回归模型；将新接收GNSS观测数据输入至伪距误差回归模型，预测该历元下对应卫星的伪距误差，获得修正后的伪距观测值，并对其进行定位结算，获得精确定位解；估计船舶航向；划定船舶概率区域。该方法根据获得的船舶航行方向和船舶概率区域能够实时监测船舶偏航情况，降低海上交通事故发生概率。

Description

基于北斗导航和数据驱动的船舶航向及其区域估计方法

技术领域

本发明属于导航定位技术领域，特别涉及基于北斗导航和数据驱动的船舶航向及其区域估计方法。

背景技术

近年来，海事正在朝着电子导航一体化的方向发展，海上水面自主航行船舶正在逐渐普及，尽管船舶安全问题已经得到改善，然而由于人员疏忽、判断失误和电子设备限制等，船舶安全仍存在许多风险。目前，船舶的定位和导航问题仍依赖于全球导航卫星系统(Global Navigation Satellite System,GNSS)。

GNSS作为理想的海上导航工具，其在航的精度要求为几米(海滩、码头)到几百米(航线途中)，然而当船舶在海上作业遇险时，几百米的定位精度将大大增加海上搜救的搜救难度、搜救人力物力需求与搜救时间，船员生存几率低，因此，在对船舶进行搜救时首先需获取船舶的准确位置，并在保证定位精度的基础上对搜救方向与范围进行快速确定以帮助决策者制定搜救计划。

首先，在位置信息获取层面，目前海上搜救定位方法主要有无线电搜救系统和全球卫星搜救系统(COSPAS-SARSAT)。

其次，是定位精度提升层面，由于海面的反射能力较强，因此GNSS信号易受到海面反射并以反射信号的形式抵达用户接收机，造成严重的多路径干扰现象，即信号以直射信号与反射信号混合的形式抵达接收器，其所造成的多路径误差是海上船舶定位的主要误差来源，也是提升船舶GNSS定位精度需要克服的问题。

最后，是搜救方向与范围划定层面，在缓解多径效应以确保定位精度达到搜救精度所需后，就需要根据船舶位置信息划定搜救范围以提升船舶搜救的效率。其中常用的方法之一为基于定位误差的方法

在实现本发明过程中，发明人发现现有技术中至少存在如下问题：

1、海上位置信息获取

1a，无线电通信在实际应用中存在信号传输范围有限、信号易受干扰的缺点。并且由于海上寂静区的存在，短波通信传输的可靠性低下，周围塔台/船舶接收到了求救信号也无法与遇险船舶建立实时通信。

1b，全球卫星搜救系统的定位精度在2～3海里以内，精度低下且该系统不具备双向通信的功能，无法与遇险船舶建立实时通信。

1c，搜救定位设备均存在一定局限性。雷达搜救应答器作用范围有限；紧急定位示位标需要通过COSPAS的静止轨道卫星来报送遇险信号，然而其卫星并未覆盖我国海域，仅能通过其低轨卫星发送信号但存在较高时延，甚至可达2小时；信号弹、海水染色剂等标识物极易受外部因素干扰且无法主动告知位置信息。该类方法的通病在于不具备双向通信的功能，无法与遇险船舶实现信息交互。

2、GNSS多径缓解

2a，基于信号处理、天线设计与多源融合的办法均通过增加/改造硬件实现多路径缓解，存在设备体积/成本成倍增加的问题，船舶设备现有改造困难、不利于其在中小型传播上的推广

2b，基于机器学习的信号分类剔除方法，现有方法均基于城市构建，且与此类方法相关的数据集信号类型标定方法基于城市丰富环境特征构建且依赖于外部地理信息数据，故受限于实验环境特征，并且城市环境信号类型分布与海洋差异较大，在城市中，此类方法主要通过NLOS(Non-Line-of-Sight，非视距接收)信号的剔除来实现定位精度的改善，然而在海洋这类开阔环境中，NLOS存在几率很低，多路径干扰才是主要问题，因此不适用于海洋环境。

3、搜救方向与范围划定

3a，基于定位误差的方法受大地测量因素、测量噪声及气象条件等干扰，在测量数据不太可靠的沿海地区，这可能会影响船长的决策而无法起到航行辅助的作用反而致使事故率上。且根据误差所划定的船舶概率区域无方向性，可能导致划定区域包络面积过大，搜救难度大大增加，若船舶失联，救援成功率更加大打折扣。

3b，基于优化调度的方法未从根本上提高搜救成功率，在错误区域中优化调度反而可能降低搜救成功率。

发明内容

发明目的：本发明所要解决的技术问题是针对现有技术的不足，提供一种基于北斗导航和数据驱动的船舶航向及其区域估计方法。

为了解决上述技术问题，本发明公开了一种基于北斗导航和数据驱动的船舶航向及其区域估计方法，包括如下步骤：

步骤1，在海面已知点采集24小时GNSS观测数据；

步骤2，获取离线标定数据集，所述离线标定数据集包括从GNSS观测数据提取的原始观测量和伪距误差：

步骤3，对从GNSS观测数据提取的原始观测量进行分析与筛选，获得筛选后的样本集Z；

步骤4，将所述样本集Z及相应的伪距误差输入至自适应神经网络ANFIS中训练，提取伪距误差预测规则，获取伪距误差回归模型；

步骤5，将新接收GNSS观测数据输入至伪距误差回归模型，预测该历元下对应卫星的伪距误差，获得修正后的伪距观测值，并对其进行定位结算，获得精确定位解，即为船舶位置数据；

步骤6，估计船舶航向；

步骤7，划定船舶概率区域。

在一种实现方式中，步骤2中所述从GNSS观测数据提取的原始观测量包括：载波噪声密度C/N₀、水平精度因子HDOP、垂直精度因子VDOP、卫星仰角、卫星方位角和伪距残差，记第i颗卫星在历元时刻t所述提取的原始观测量为

其中N_S,t表示当前历元时刻t下共计接收到N_S,t颗卫星信号；t表示数据采集24小时的对应历元时刻，频率为1Hz，即t＝1,…,86400；

在传统加权定位方法中，通常选取卫星仰角与载波噪声密度C/N₀作为加权指标，除此之外，HDOP和VDOP分别表示卫星相对于用户的水平和垂直纬度的几何构型强度，其与位置坐标解算精度也存在较强相关性，且由于各原始观测量单一使用时均存在一定优缺点，因此需要多个输入变量协同预测来提升伪距误差预测的准确性。在测量样本足够的情况下，伪距残差可以作为排除多路径和NLOS信号的指标，卫星方位角也与卫星与接收机间的几何构性息息相关，因此，本步骤共选取上述6种与伪距误差存在密切关联的原始观测量用于伪距误差预测训练数据集的构建。

记已知点坐标为(X₀,Y₀,Z₀)，所述伪距误差根据已知点坐标，对GNSS观测数据逐历元、逐卫星计算伪距误差，计算方法如下：

利用卫星星历，获悉各卫星坐标信息，设历元时刻t第i颗卫星的坐标为

则卫星i的伪距观测值ρⁱ可表示为：

其中，Rⁱ表示卫地距，计算如下式：

c为光速，τ_r、

分别为接收机钟差与卫星钟差，

分别为电离层延迟与对流层延迟，

分别为广播星历误差与由地球自转引起的卫星坐标误差，

为其他项误差，包含多路径误差和接收机噪声，除

外，上述误差均能够利用精确的模型或针对性的方法消除，其残差相对于多路径误差而言均能够忽略不计，因此，修正后的伪距观测值

为：

故历元时刻t的伪距误差Δρ_i,t表示为：

将历元时刻t的伪距误差Δρ_i,t与所述从GNSS观测数据提取的原始观测量标定，即：

从而获得用于伪距误差回归模型训练的离线标定数据集。

步骤2中将海面上已知点采集的GNSS原始观测量标定以对应计算所得的伪距误差，克服了信号标定过程中存在的受限于实验环境特征的缺陷，仅需获悉已知点坐标信息即可对伪距误差进行标定。

在一种实现方式中，所述步骤3中由于从GNSS观测数据提取的原始观测量与伪距误差间的相关性不同，且不同原始观测量间可能存在相关性；此外，由于输入变量越多相应的训练时间也会成倍增加，因此，为权衡模型训练精度及训练速度，对从GNSS观测数据提取的原始观测量采用主成分分析算法PCA(Principal Component Analysis)获得筛选后的样本集Z，包括如下步骤：

步骤3.1，记历元时刻t下从GNSS观测数据提取的原始观测量为

X＝[x⁽¹⁾,x⁽²⁾,x⁽³⁾,x⁽⁴⁾,x⁽⁵⁾,x⁽⁶⁾]，

其中P表示样本总量，取决于不同历元时刻t下N_s,t的总和，即

对原始观测量X进行中心化，第j个提取的原始观测量中心化的取值为：

其中，j＝1,2,…,6；

步骤3.2，计算原始观测量X的协方差阵XX^T。

步骤3.2，计算原始观测量X的协方差阵XX^T；

步骤3.3，对XX^T进行特征值分解，权衡伪距误差回归模型精度与自适应神经网络ANFIS训练速度，取前4位最大的特征值及其特征向量[ω₁,ω₂,ω₃,ω₄]，对特征向量进行标准化，获得

步骤3.4，对原始观测量X进行转化，z^(j)＝W^Tx^(j)，得到经降维后的样本集：Z＝[z⁽¹⁾,z⁽²⁾,z⁽³⁾,z⁽⁴⁾]，自适应神经网络ANFIS的输入特征由原来的6维降至4维。

在一种实现方式中，所述步骤4中自适应神经网络ANFIS包括五层，

第一层，执行模糊化，用隶属度函数对训练集[z⁽¹⁾,z⁽²⁾,z⁽³⁾,z⁽⁴⁾,Δρ]进行模糊化，其中，Δρ为含P个伪距误差的列向量Δρ＝[Δρ₁,…,Δρ_p,…]^T,p＝1,2,…,P，

为z⁽¹⁾的隶属度函数，

为z⁽²⁾的隶属度函数，

为z⁽³⁾的隶属度函数，

为z⁽⁴⁾的隶属度函数，A_f,B_f,C_f,D_f分别为z⁽¹⁾,z⁽²⁾,z⁽³⁾,z⁽⁴⁾的语义标签，f＝1…n，n表示语义标签的数量；所述语义标签为自适应神经网络ANFIS执行模糊化后将输入特征[z⁽¹⁾,z⁽²⁾,z⁽³⁾,z⁽⁴⁾]进行模糊化获得的，其数量n取决于执行模糊化的结果；所述隶属度函数为高斯函数；第一层输出

即z⁽¹⁾,z⁽²⁾,z⁽³⁾,z⁽⁴⁾对应的隶属度函数为：

其中

的上标表示第一层的输出，参数[a_f,b_f,c_f]为自适应神经网络ANFIS的前提参数，随着ANFIS的自适应调节产生变化；

第二层，将每个输入特征的隶属度函数相乘，计算每个规则的触发强度w_f：

第三层，触发强度归一化，获得

第四层，由输入特征的线性组合计算规则结果：

其中，r_f表示第f条伪距误差预测规则，p_f,q_f,d_f,s_f,t_f为自适应神经网络ANFIS最终调整后的参数集，也称为结论参数；

第五层，去模糊化，即将每条规则的结果加权平均得到最终输出，获得基于主成分分析算法PCA筛选后的自适应神经网络ANIFS伪距误差回归模型。

ANFIS是神经网络与模糊推理系统的集成，它不仅能够利用专家系统获取语义规则，并能够利用输入输出数据进行自我调整，以获得更好的性能而无需人工手动调参。此外，采用与PCA输入降维的方法相结合，能够大大缩减ANFIS训练所需时间与提升模型训练精度。

步骤3和步骤4基于主成分分析算法PCA与自适应神经网络ANIFS训练的伪距误差回归模型，摆脱了信号类型预测的形式直接对伪距误差进行预测，避免了由于海洋信号类型的特殊分布带来的信号剔除方法失效问题，解决了多路径干扰问题，即多径缓解，适用于海洋及其他环境。

在一种实现方式中，所述步骤5中对修正后的伪距观测值采用下式进行定位解算，求解[X₀,Y₀,Z₀,τ_r]，获得消除多径误差后的精确定位解坐标，

表示修正后的伪距观测值，经修正后还可写作如下形式，其中解算此方程组至少需要4颗卫星信号；

在一种实现方式中，所述步骤6包括：

步骤6.1，利用北斗短报文通信功能，将步骤5获得的精确定位解每隔15秒向船舶管控中心发送一次，船舶管控中心将会记录近M次的船舶位置；

步骤6.2，管控中心根据所述近M次的船舶位置，利用多项式拟合船舶行进轨迹，预测船舶未来航向Φ。

在一种实现方式中，所述步骤6.2包括：

步骤6.2.1，将地心地固坐标系下的船舶位置坐标转化至本地坐标系下，以近M次的船舶位置中第一个船舶位置坐标为基准点，对余下M-1个船舶位置坐标进行向本地坐标系的转换，设基准点为(x₀,y₀,z₀)，待转换坐标为(x₁,y₁,z₁)，转换方式如下：

计算两点坐标差值D：

D＝(Δx,Δy,Δz)^T,Δx＝x₁-x₀,Δy＝y₁-y₀,Δz＝z₁-z₀

将基准点坐标转换为经纬度

其中λ为经度，

为纬度；

计算坐标转换矩阵R：

计算本地坐标系下的坐标：enu₁＝RD＝(x_E1,y_N1,z_U1)；

步骤6.2.2，取(x_E,y_N)进行多项式拟合，

设待拟合的多项式为：

计算各点至该曲线的偏差平方和I

对上式求偏导数计算极值问题：

即：

用矩阵表示可得关于a₀,a₁,…,a_v：

利用线性方程求解a₀,a₁,…,a_v，得到拟合曲线；

步骤6.2.3，根据所得拟合曲线，作直线延长线以预测航线方位与航向Φ。

由于船舶航行方向变化率较低，因此航线弧度在短时间内应呈现直线或弯曲程度不大的弧线形式，而多项式拟合作为一种简单易行的拟合方式，能够在确保精度的情况下基于现有数据点实现航线的快速拟合。

步骤6采用多项式拟合算法对时间序列下的定位位置信息进行处理，从而得到船舶的航行方向，解决了船舶概率区域无向性问题，能够在船舶失联后预测船舶的未来行进方向。

在一种实现方式中，所述步骤7包括：

在GNSS定位中，第i颗卫星的伪距误差的方差

表示为：

其中，N_S表示卫星总颗数；

表示卫星时钟和星历误差，

表示电离层延迟误差，

表示对流层延迟误差，

表示接收噪声和多路径误差；

构建权值矩阵W：

获得定位协方差阵C：

G为由接收到的N_S个卫星构成的几何矩阵，

表示第i颗卫星在本地坐标系下的坐标；

和

表示东北天坐标系下坐标自身的方差，

表示接收机钟差自身的方差，s_EN、s_EU和s_NU表示东北天坐标系下不同坐标之间的协方差，s_ET、s_NT和s_UT表示东北天坐标系下不同坐标与接收机钟差之间的协方差；

对于静止物体而言，概率区域可定义为圆，其半径计算可由下式计算：

k表示覆盖系数，由于船舶处于运动状态，考虑其航向，其概率区域应被划定为椭圆；其中，椭圆的圆心为船舶边缘上的任意一点，椭圆的短半径和正北方向的夹角为步骤6获得的船舶航向Φ；椭圆的长半径P_a和短半径P_b计算如下：

不同船舶安装的天线位置不同，考虑船舶实际规格，船舶概率区域围绕船舶边缘构建，从而获得基于误差划定的有向精细化的船舶概率区域。

本步骤的船舶概率区域划分方式将定位误差与船舶航向纳入考虑范围，避免了简单的正圆半径划分造成的覆盖面积过大、船舶搜救工作无搜救方向指导等问题，能够精细化船舶概率区域，实现无额外附加硬件设施及低计算载荷下的落难船只与人员的精准搜救。此外，当船舶依照既定路线航行时，船舶概率区域未覆盖航线时，也能够对船只偏航情况进行预警，能够作为船只航行状态监控的冗余观测量，确保航行安全。

基于误差划定的船舶概率区域经由多径缓解后，可得到有向精细化的船舶概率区域，能够克服原有圈定概率区域包络面积过大导致的搜救困难问题。

在一种实现方式中，利用计算获得的船舶航向和船舶概率区域能够进行航行辅助/船舶搜救：

当船舶正常航行但船舶概率区域内未覆盖航线时，根据计算获得的船舶航向和船舶概率区域，能够对船内操控人员发出航线偏离告警，起到辅助船长决策的航行辅助作用；

当船舶利用北斗短报文通信方式向船舶管控中心发出求救信号时，会同时发送一组由船舶型号及船舶概率椭圆的P_a、P_b参数数据包，船舶管控中心能够根据此查询船舶规格大小并由步骤6估计船舶航向以及步骤7计算相应的船舶概率区域，调度搜救力量前往指定区域救援，起到辅助船舶管控中心船舶搜救方案决策作用。

有益效果：

1、针对海上位置信息获取存在的缺陷，本方法基于北斗短报文通信功能，解决了遇险船舶与船舶管控中心救援人员间的实时双向通信问题与呼救信号传输范围有限的问题，保障了通信可靠性，另外，通过本方法开发的多径缓解技术，解决了上述方法存在的定位精度不足问题。

2、针对现有海上GNSS多径缓解技术存在的缺陷，本方法将海面上已知点采集的GNSS原始观测量标定以对应计算所得的伪距误差，克服了信号标定过程中存在的受限于实验环境特征的缺陷，仅需获悉已知点坐标信息即可对伪距误差进行标定。此外，本方法基于自适应神经网络与主成分分析算法训练的伪距误差回归模型，摆脱了信号类型预测的形式直接对伪距误差进行预测，避免了由于海洋信号类型的特殊分布带来的信号剔除方法失效问题，适用于海洋及其他环境。

3、针对搜救方向与范围划定方面存在的技术缺陷，本方法多项式拟合算法对时间序列下的定位位置信息进行处理，从而得到船舶的航行方向，解决了船舶概率区域无向性问题，能够在船舶失联后预测船舶的未来行进方向。此外，基于误差划定的船舶概率区域经由多径缓解后，可得到有向精细化的船舶概率区域，能够克服原有圈定概率区域包络面积过大导致的搜救困难问题。此外，根据有向精细化船舶概率区域，本申请提供的方法可实时监测船舶偏航情况，从而对船舶操控人员发出偏航告警，并利用短报文通信告知船舶管控中心，起到船舶航行辅助作用，降低海上交通事故发生概率。

附图说明

下面结合附图和具体实施方式对本发明做更进一步的具体说明，本发明的上述和/或其他方面的优点将会变得更加清楚。

图1为本申请实施例提供的基于北斗导航和数据驱动的船舶航向及其区域估计方法的流程图。

图2为本申请实施例自适应神经网络回归模型的结构示意图。

图3为本申请实施例提供的船舶航向预测示意图。

图4为本申请实施例提供的船舶概率区域划定示意图。

图5为本申请实施例提供的有向精细化的船舶概率区域示意图。

具体实施方式

下面将结合附图，对本发明的实施例进行描述。

本申请实施例提供了一种基于北斗导航和数据驱动的船舶航向及其区域估计方法，如图1所示，包括如下步骤：

步骤1，在海面已知点(X₀,Y₀,Z₀)采集24小时GNSS观测数据。

步骤2，获取离线标定数据集，所述离线标定数据集包括从GNSS观测数据提取的原始观测量和伪距误差：

步骤3，对从GNSS观测数据提取的原始观测量进行分析与筛选，获得筛选后的样本集Z；

步骤4，将所述样本集Z及相应的伪距误差输入至自适应神经网络ANFIS中训练，提取伪距误差预测规则，获取伪距误差回归模型；

步骤5，将新接收GNSS观测数据输入至伪距误差回归模型，预测该历元下对应卫星的伪距误差，获得修正后的伪距观测值，并对其进行定位结算，获得精确定位解，即为船舶位置数据；

步骤6，估计船舶航向；

步骤7，划定船舶概率区域。

本实施例中，所述步骤2中所述从GNSS观测数据提取的原始观测量包括：①载波噪声密度(C/N₀)；②水平精度因子(HDOP，Horizontal Dilution of Precision)；③垂直精度因子(VDOP，Vertical Dilution of Precision)；④卫星仰角；⑤卫星方位角；⑥伪距残差；记第i颗卫星在历元时刻t所述提取的原始观测量为

i＝1,2,…,N_S,t，其中N_S,t表示当前历元时刻t下共计接收到N_S,t颗卫星信号；t表示数据采集24小时的对应历元时刻，频率为1Hz，即t＝1,…,86400；

所述伪距误差根据已知点坐标信息(X₀,Y₀,Z₁)，对GNSS观测数据逐历元、逐卫星计算伪距误差，计算方法如下：

利用卫星星历，获悉各卫星坐标信息，设历元时刻t第i颗卫星的坐标为

则卫星i的伪距观测值ρⁱ可表示为：

其中，Rⁱ表示卫地距，计算如下式：

c为光速，τ_r、

分别为接收机钟差与卫星钟差，

分别为电离层延迟与对流层延迟，

分别为广播星历误差与由地球自转引起的卫星坐标误差，

为其他项误差，包含多路径误差、接收机噪声等，除

外，上述误差均可利用更精确的模型或针对性的方法消除，其残差相对于多路径误差而言均可忽略不计，因此，修正后的伪距观测值

为：

故历元时刻t的伪距误差Δρ_i,t表示为：

将历元时刻t的伪距误差Δρ_i,t与所述从GNSS观测数据提取的原始观测量标定，即：

从而获得用于伪距误差回归模型训练的离线标定数据集。

本实施例中，所述步骤3中由于从GNSS观测数据提取的原始观测量与伪距误差间的相关性不同，且不同原始观测量间可能存在相关性，导致问题复杂度上升。此外，由于输入变量越多相应的训练时间也会成倍增加，因此，为权衡模型训练精度及训练速度，对离线标定数据集中的原始观测量采用主成分分析算法PCA进行分析与筛选。步骤3包括如下步骤：

步骤3.1，记历元时刻t下从GNSS观测数据提取的原始观测量为

X＝[x⁽¹⁾,x⁽²⁾,x⁽³⁾,x⁽⁴⁾,x⁽⁵⁾,x⁽⁶⁾]，

其中P表示样本总量，取决于不同历元时刻t下N_S,t的总和，即

对原始观测量X进行中心化，第j个提取的原始观测量中心化的取值为：

其中，j＝1,2,…,6；

步骤3.2，计算原始观测量X的协方差阵XX^T。

步骤3.3，对XX^T进行特征值分解，权衡伪距误差回归模型精度与自适应神经网络ANFIS训练速度，取前4位最大的特征值及其特征向量[ω₁,ω₂,ω₃,ω₄]，对特征向量进行标准化，获得

步骤3.4，对原始观测量X进行转化，z^(j)＝W^Tx^(j)，得到经降维后的样本集：Z＝[z⁽¹⁾,z⁽²⁾,z⁽³⁾,z⁽⁴⁾]，输入特征由原来的6维降至4维。

本实施例中，所述步骤4中将降维后的样本集Z及相应的伪距误差值代入自适应神经网络ANFIS中训练，提取伪距误差预测规则，获取伪距误差回归模型，算法流程如下，自适应神经网络ANFIS包括五层，其框图如图2所示。

第一层，执行模糊化，用隶属度函数对训练集[z⁽¹⁾,z⁽²⁾,z⁽³⁾,z⁽⁴⁾,Δρ]进行模糊化，其中，Δρ为含P个伪距误差的列向量Δρ＝[Δρ₁,…,Δρ_p,…]^T,p＝1,2,…,P，

为z⁽¹⁾的隶属度函数，

为z⁽²⁾的隶属度函数，

为z⁽³⁾的隶属度函数，

为z⁽⁴⁾的隶属度函数，A_f,B_f,C_f,D_f分别为z⁽¹⁾,z⁽²⁾,z⁽³⁾,z⁽⁴⁾的语义标签，f＝1…n，n表示语义标签的数量；所述语义标签为自适应神经网络ANFIS执行模糊化后将输入特征[z⁽¹⁾,z⁽²⁾,z⁽³⁾,z⁽⁴⁾]进行模糊化获得的，其数量n取决于执行模糊化的结果；所述隶属度函数为高斯函数；第一层输出

即z⁽¹⁾,z⁽²⁾,z⁽³⁾,z⁽⁴⁾对应的隶属度函数为：

其中

的上标表示第一层的输出，参数[a_f,b_f,c_f]为自适应神经网络ANFIS的前提参数，随着ANFIS的自适应调节产生变化；

第二层，将每个输入特征的隶属度函数相乘，计算每个规则的触发强度。

第三层，触发强度归一化。

第四层，由输入特征的线性组合计算规则结果：。

其中，r_f表示第f条伪距误差预测规则，p_f,q_f,d_f,s_f,t_f为自适应神经网络ANFIS最终调整后的参数集，也称为结论参数；

第五层，去模糊化，即将每条规则的结果加权平均得到最终输出，获得到基于主成分分析算法PCA降维的自适应神经网络ANIFS伪距误差回归模型。

本实施例中，所述步骤5中对修正后的伪距观测值采用下式进行定位解算，求解[X₀,Y₀,Z₀,τ_r]，获得消除多径误差后的精确定位解坐标，

表示修正后的伪距观测值，经修正后还可写作如下形式，其中解算此方程组至少需要4颗卫星信号；

本实施例中，所述步骤6包括：

步骤6.1，利用北斗短报文通信功能，步骤5中所获得的精确定位解坐标每隔15秒向船舶管控中心发送一次，短报文通讯的传输时延约0.5秒，相对可忽略不计。船舶管控中心将会记录近M次的船舶位置数据；本实施例中，M取值为20；

步骤6.2，若船舶遇险失联后，管控中心能够根据所述近M次的船舶位置，利用多项式拟合船舶行进轨迹，预测船舶未来航向Φ，实施精准搜救。

本实施例中，所述步骤6.2包括：

步骤6.2.1，将地心地固坐标系下的船舶位置坐标转化至本地坐标系下。以近20次的船舶位置中第一个船舶位置坐标为基准点，对余下19个船舶位置坐标进行向本地坐标系的转换，设基准点为(x₀,y₀,z₀)，待转换坐标为(x₁,y₁,z₁)，转换方式如下：

计算两点坐标差值D：

D＝(Δx,Δy,Δz)^T,Δx＝x₁-x₀,Δy＝y₁-y₀,Δz＝z₁-z₀

将基准点坐标转换为经纬度

其中λ为经度，

为纬度。

计算坐标转换矩阵R：

计算本地坐标系下的坐标：enu₁＝RD＝(x_E1,y_N1,z_U1)；

步骤6.2.2，忽略高度项z_U，仅取(x_E,y_N)进行多项式拟合，

设待拟合的多项式为：

计算各点至该曲线的偏差平方和I

对上式求偏导数计算极值问题：

即：

用矩阵表示可得关于a₀,a₁,…,a_v：

利用线性方程求解a₀,a₁,…,a_v，得到拟合曲线；

步骤6.2.3，根据所得拟合曲线，作直线延长线以预测航线方位与航向Φ。如图3所示。

本实施例中，所述步骤7中由于定位存在一定误差，因此可根据定位误差来构建船舶概率区域，构建步骤如下：

在GNSS定位中，第i颗卫星的伪距误差的方差

可表示为：

其中，N_S表示卫星总颗数。

表示卫星时钟和星历误差，

表示电离层延迟误差，

表示对流层延迟误差，

表示接收噪声和多路径误差。σ_flt由星基增强系统地面监测站给出，一般为0.5-2.9米。σ_UIRE,i和σ_trop与所建立的对流层、电离层模型精度相关，分别为0-5米与0.2米左右，σ_i,mr中包含的多路径误差可由本发明所阐述的方法减小，其误差可被降低至0.5-2米左右。

构建权值矩阵W：

获得定位协方差阵C：

G为由接收到的N_S个卫星构成的几何矩阵，

表示第i颗卫星在本地坐标系下的坐标；

和

表示东北天坐标系下坐标自身的方差，

表示接收机钟差自身的方差，s_EN、s_EU和s_NU表示东北天坐标系下不同坐标之间的协方差，s_ET、s_NT和s_UT表示东北天坐标系下不同坐标与接收机钟差之间的协方差；

对于静止物体而言，概率区域可定义为圆，其半径计算可由下式计算：

k表示覆盖系数，对于船舶水平航行，航空无线电技术委员会规定水平航路导航k取6.18；由于船舶处于运动状态，考虑其航向，其概率区域应被划定为椭圆，如图4所示；其中，椭圆的圆心为船舶边缘上的任意一点，Φ为步骤6.3中所得船舶航向，也即椭圆的短半径和正北方向的夹角。椭圆的长半径P_a和短半径P_b计算如下：

由于不同船舶安装的天线位置不同，因此，考虑船舶实际规格，船舶概率区域应围绕船舶边缘构建，从而获得基于误差划定的有向精细化的船舶概率区域，如图5所示。

本实施例中，利用计算获得的船舶航向和船舶概率区域能够进行航行辅助/船舶搜救：

当船舶正常航行时，根据计算所得的船舶概率区域及固定航线数据，若船舶概率区域内未覆盖航线时，将对船内操控人员发出航线偏离告警，起到辅助船长决策的航行辅助作用；

当船舶利用北斗短报文通信方式向船舶管控中心发出求救信号时，会同时发送一组由船舶型号及船舶概率椭圆的P_a、P_b参数数据包，船舶管控中心可据此查询船舶规格大小并由步骤6中收集的船舶时间序列位置数组估计船舶航向，以及步骤7计算相应的船舶概率区域，调度搜救力量前往指定区域救援，起到辅助船舶管控中心船舶搜救方案决策作用。

本发明提供了基于北斗导航和数据驱动的船舶航向及其区域估计方法，具体实现该技术方案的方法和途径很多，以上所述仅是本发明的具体实施方式，应当指出，对于本技术领域的普通技术人员来说，在不脱离本发明原理的前提下，还可以做出若干改进和润饰，这些改进和润饰也应视为本发明的保护范围。本实施例中未明确的各组成部分均可用现有技术加以实现。

Claims (9)

1.一种基于北斗导航和数据驱动的船舶航向及其区域估计方法，其特征在于，包括如下步骤：

步骤1，在海面已知点采集24小时GNSS观测数据；

步骤2，获取离线标定数据集，所述离线标定数据集包括从GNSS观测数据提取的原始观测量和伪距误差：

步骤3，对从GNSS观测数据提取的原始观测量进行分析与筛选，获得筛选后的样本集Z；

步骤4，将所述样本集Z及相应的伪距误差输入至自适应神经网络ANFIS中训练，提取伪距误差预测规则，获得伪距误差回归模型；

步骤5，将新接收GNSS观测数据输入至伪距误差回归模型，预测该历元下对应卫星的伪距误差，获得修正后的伪距观测值，并对其进行定位解算，获得精确定位解，即为船舶位置数据；

步骤6，估计船舶航向；

步骤7，划定船舶概率区域。

2.根据权利要求1所述的基于北斗导航和数据驱动的船舶航向及其区域估计方法，其特征在于，步骤2中所述从GNSS观测数据提取的原始观测量包括：载波噪声密度C/N₀、水平精度因子HDOP、垂直精度因子VDOP、卫星仰角、卫星方位角和伪距残差，记第i颗卫星在历元时刻t所述提取的原始观测量为

其中N_S，t表示当前历元时刻t下共计接收到N_S，t颗卫星信号；t表示数据采集24小时的对应历元时刻，频率为1Hz，即t＝1，…，86400；

记已知点坐标为(X₀，Y₀，Z₀)，所述伪距误差根据已知点坐标，对GNSS观测数据逐历元、逐卫星计算伪距误差，计算方法如下：

利用卫星星历，获悉各卫星坐标信息，设历元时刻t第i颗卫星的坐标为

则卫星i的伪距观测值ρⁱ可表示为：

其中，Rⁱ表示卫地距，计算如下式：

c为光速，τ_r、

分别为接收机钟差与卫星钟差，

分别为电离层延迟与对流层延迟，

分别为广播星历误差与由地球自转引起的卫星坐标误差，

为其他项误差，包含多路径误差和接收机噪声，除

外，上述误差均能够利用精确的模型或针对性的方法消除，其残差相对于多路径误差而言均能够忽略不计，因此，修正后的伪距观测值

为：

故历元时刻t的伪距误差Δρ_i，t表示为：

将历元时刻t的伪距误差Δρ_i，t与所述从GNSS观测数据提取的原始观测量标定，即：

从而获得用于伪距误差回归模型训练的离线标定数据集。

3.根据权利要求1所述的基于北斗导航和数据驱动的船舶航向及其区域估计方法，其特征在于，所述步骤3中对从GNSS观测数据提取的原始观测量采用主成分分析算法PCA获得筛选后的样本集Z，包括如下步骤：

步骤3.1，记历元时刻t下从GNSS观测数据提取的原始观测量为

X＝[x⁽¹⁾，x⁽²⁾，x⁽³⁾，x⁽⁴⁾，x⁽⁵⁾，x⁽⁶⁾]，

其中P表示样本总量，取决于不同历元时刻t下N_S，t的总和，即

对原始观测量X进行中心化，第j个提取的原始观测量中心化的取值为：

其中，j＝1，2，…，6；

步骤3.2，计算原始观测量X的协方差阵XX^T；

步骤3.3，对XX^T进行特征值分解，权衡伪距误差回归模型精度与自适应神经网络ANFIS训练速度，取前4位最大的特征值及其特征向量[ω₁，ω₂，ω₃，ω₄]，对特征向量进行标准化，获得

步骤3.4，对原始观测量x进行转化，z^(j)＝W^Tx^(j)，得到经降维后的样本集：Z＝[z⁽¹⁾，z⁽²⁾，z⁽³⁾，z⁽⁴⁾]。

4.根据权利要求3所述的基于北斗导航和数据驱动的船舶航向及其区域估计方法，其特征在于，所述步骤4中自适应神经网络ANFIS包括五层，

第一层，执行模糊化，用隶属度函数对训练集[z⁽¹⁾，z⁽²⁾，z⁽³⁾，z⁽⁴⁾，Δρ]进行模糊化，其中，Δρ为含P个伪距误差的列向量Δρ＝[Δρ₁，…，Δρ_p，…]^T，p＝1，2，…，P，

为z⁽¹⁾的隶属度函数，

为z⁽²⁾的隶属度函数，

为z⁽³⁾的隶属度函数，

为z⁽⁴⁾的隶属度函数，A_f，B_f，C_f，D_f分别为z⁽¹⁾，z⁽²⁾，z⁽³⁾，z⁽⁴⁾的语义标签，f＝1…n，n表示语义标签的数量；所述语义标签为自适应神经网络ANFIS执行模糊化后将输入特征[z⁽¹⁾，z⁽²⁾，z⁽³⁾，z⁽⁴⁾]进行模糊化获得，其数量n取决于执行模糊化的结果；所述隶属度函数为高斯函数；第一层输出

即z⁽¹⁾，z⁽²⁾，z⁽³⁾，z⁽⁴⁾对应的隶属度函数为：

其中

的上标表示第一层的输出，参数[a_f，d_f，c_f]为自适应神经网络ANFIS的前提参数，随着ANFIS的自适应调节产生变化；

第二层，将每个输入特征的隶属度函数相乘，计算每个规则的触发强度w_f：

第三层，触发强度归一化，获得

第四层，由输入特征的线性组合计算规则结果：

其中，r_f表示第f条伪距误差预测规则，p_f，q_f，d_f，s_f，t_f为自适应神经网络ANFIS最终调整后的参数集，也称为结论参数；

第五层，去模糊化，即将每条规则的结果加权平均得到最终输出，获得基于主成分分析算法PCA筛选后的自适应神经网络ANIFS伪距误差回归模型。

5.根据权利要求1所述的基于北斗导航和数据驱动的船舶航向及其区域估计方法，其特征在于，所述步骤5中对修正后的伪距观测值采用下式进行定位解算，求解[X₀，Y₀，Z₀，τ_r]，获得消除多径误差后的精确定位解坐标，

表示修正后的伪距观测值，经修正后还可写作如下形式，其中解算此方程组至少需要4颗卫星信号；

6.根据权利要求1所述的基于北斗导航和数据驱动的船舶航向及其区域估计方法，其特征在于，所述步骤6包括：

步骤6.1，利用北斗短报文通信功能，将步骤5获得的精确定位解每隔15秒向船舶管控中心发送一次，船舶管控中心将会记录近M次的船舶位置；

步骤6.2，管控中心根据所述近M次的船舶位置，利用多项式拟合船舶行进轨迹，预测船舶未来航向Φ。

7.根据权利要求6所述的基于北斗导航和数据驱动的船舶航向及其区域估计方法，其特征在于，所述步骤6.2包括：

步骤6.2.1，将地心地固坐标系下的船舶位置坐标转化至本地坐标系下，以近M次的船舶位置中第一个船舶位置坐标为基准点，对余下M-1个船舶位置坐标进行向本地坐标系的转换，设基准点为(x₀，y₀，z₀)，待转换坐标为(x₁，y₁，z₁)，转换方式如下：

计算两点坐标差值D：

D＝(Δx，Δy，Δz)^T，Δx＝x₁-x₀，Δy＝y₁-y₀，Δz＝z₁-z₀

将基准点坐标转换为经纬度

其中λ为经度，

为纬度；

计算坐标转换矩阵R：

计算本地坐标系下的坐标：enu₁＝RD＝(x_E1，y_N1，z_U1)；

步骤6.2.2，取(x_E，y_N)进行多项式拟合，

设待拟合的多项式为：

计算各点至该曲线的偏差平方和I

对上式求偏导数计算极值问题：

即：

用矩阵表示可得关于a₀，a₁，…，a_v：

利用线性方程求解a₀，a₁，…，a_v，得到拟合曲线；

步骤6.2.3，根据所得拟合曲线，作直线延长线以预测航线方位与航向Φ。

8.根据权利要求6所述的基于北斗导航和数据驱动的船舶航向及其区域估计方法，其特征在于，所述步骤7包括：

在GNSS定位中，第i颗卫星的伪距误差的方差

表示为：

其中，N_S表示卫星总颗数；

表示卫星时钟和星历误差，

表示电离层延迟误差，

表示对流层延迟误差，

表示接收噪声和多路径误差；

构建权值矩阵W：

获得定位协方差阵C：

G为由接收到的N_S个卫星构成的几何矩阵，

表示第i颗卫星在本地坐标系下的坐标；

和

表示东北天坐标系下坐标自身的方差，

表示接收机钟差自身的方差，s_EN、s_EU和s_NU表示东北天坐标系下不同坐标之间的协方差，s_ET、s_NT和s_uT表示东北天坐标系下不同坐标与接收机钟差之间的协方差；

对于静止物体而言，概率区域可定义为圆，其半径计算可由下式计算：

k表示覆盖系数，由于船舶处于运动状态，考虑其航向，其概率区域应被划定为椭圆；其中，椭圆的圆心为船舶边缘上的任意一点，椭圆的短半径和正北方向的夹角为步骤6获得的船舶航向Φ；椭圆的长半径P_a和短半径P_b计算如下：

不同船舶安装的天线位置不同，考虑船舶实际规格，船舶概率区域围绕船舶边缘构建，从而获得基于误差划定的有向精细化的船舶概率区域。

9.根据权利要求8所述的基于北斗导航和数据驱动的船舶航向及其区域估计方法，其特征在于，利用计算获得的船舶航向和船舶概率区域能够进行航行辅助/船舶搜救：

当船舶正常航行但船舶概率区域内未覆盖航线时，根据计算获得的船舶航向和船舶概率区域，能够对船内操控人员发出航线偏离告警，起到辅助船长决策的航行辅助作用；

当船舶利用北斗短报文通信方式向船舶管控中心发出求救信号时，会同时发送一组由船舶型号及船舶概率椭圆的P_a、P_b参数数据包，船舶管控中心能够根据此查询船舶规格大小并由步骤6估计船舶航向以及步骤7计算相应的船舶概率区域，调度搜救力量前往指定区域救援，起到辅助船舶管控中心船舶搜救方案决策作用。

Images