CN113625319B - 基于集成学习的非视距信号检测方法和装置 - Google Patents
基于集成学习的非视距信号检测方法和装置 Download PDFInfo
- Publication number
- CN113625319B CN113625319B CN202110693041.3A CN202110693041A CN113625319B CN 113625319 B CN113625319 B CN 113625319B CN 202110693041 A CN202110693041 A CN 202110693041A CN 113625319 B CN113625319 B CN 113625319B
- Authority
- CN
- China
- Prior art keywords
- satellite
- data
- primary
- sight
- line
- 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
- 238000001514 detection method Methods 0.000 title claims abstract description 34
- 238000013145 classification model Methods 0.000 claims abstract description 106
- 238000012549 training Methods 0.000 claims abstract description 36
- 238000000034 method Methods 0.000 claims description 38
- 238000002372 labelling Methods 0.000 claims description 19
- 238000012545 processing Methods 0.000 claims description 18
- 238000000605 extraction Methods 0.000 claims description 12
- 238000004422 calculation algorithm Methods 0.000 claims description 9
- 238000010606 normalization Methods 0.000 claims description 9
- 238000007477 logistic regression Methods 0.000 claims description 7
- 230000006735 deficit Effects 0.000 claims 2
- 238000010586 diagram Methods 0.000 description 8
- 230000006870 function Effects 0.000 description 8
- 230000008569 process Effects 0.000 description 8
- 238000012706 support-vector machine Methods 0.000 description 5
- 238000007637 random forest analysis Methods 0.000 description 3
- 238000005516 engineering process Methods 0.000 description 2
- 230000007613 environmental effect Effects 0.000 description 2
- 238000012360 testing method Methods 0.000 description 2
- 230000006978 adaptation Effects 0.000 description 1
- 238000003491 array Methods 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 238000004590 computer program Methods 0.000 description 1
- 230000008094 contradictory effect Effects 0.000 description 1
- 238000013500 data storage Methods 0.000 description 1
- 238000003066 decision tree Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000018109 developmental process Effects 0.000 description 1
- 230000014509 gene expression Effects 0.000 description 1
- 230000008570 general process Effects 0.000 description 1
- 238000012417 linear regression Methods 0.000 description 1
- 238000007726 management method Methods 0.000 description 1
- 238000013507 mapping Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 238000005457 optimization Methods 0.000 description 1
- 238000002360 preparation method Methods 0.000 description 1
- 238000005070 sampling Methods 0.000 description 1
- 230000011218 segmentation Effects 0.000 description 1
- 238000000926 separation method Methods 0.000 description 1
- 238000012795 verification 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
- G01S19/38—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
- 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
- G01S19/24—Acquisition or tracking or demodulation of signals transmitted by the system
- G01S19/25—Acquisition or tracking or demodulation of signals transmitted by the system involving aiding data received from a cooperating element, e.g. assisted GPS
- G01S19/258—Acquisition or tracking or demodulation of signals transmitted by the system involving aiding data received from a cooperating element, e.g. assisted GPS relating to the satellite constellation, e.g. almanac, ephemeris data, lists of satellites in view
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N20/00—Machine learning
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02D—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN INFORMATION AND COMMUNICATION TECHNOLOGIES [ICT], I.E. INFORMATION AND COMMUNICATION TECHNOLOGIES AIMING AT THE REDUCTION OF THEIR OWN ENERGY USE
- Y02D30/00—Reducing energy consumption in communication networks
- Y02D30/70—Reducing energy consumption in communication networks in wireless communication networks
Landscapes
- Engineering & Computer Science (AREA)
- Remote Sensing (AREA)
- Radar, Positioning & Navigation (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Physics & Mathematics (AREA)
- Artificial Intelligence (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Computation (AREA)
- General Engineering & Computer Science (AREA)
- Bioinformatics & Computational Biology (AREA)
- Evolutionary Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Computer Networks & Wireless Communication (AREA)
- Software Systems (AREA)
- Medical Informatics (AREA)
- Computing Systems (AREA)
- Mathematical Physics (AREA)
- Position Fixing By Use Of Radio Waves (AREA)
Abstract
本申请公开了一种基于集成学习的非视距信号检测方法和装置。通过应用本申请的技术方案,可以利用卫星样本数据训练得到初级分类模型以及次级分类模型。以使后续利用该多个分类模型,在实际场景中检测卫星数据的非视距信号。从而实现将多个单一分类模型进行集成,也可以克服利用单一分类模型进行检测所导致的性能不足或容易过拟合的问题,从而提高GNSS非视距信号的检测性能。
Description
技术领域
本申请中涉及数据处理技术,尤其是一种基于集成学习的非视距信号检测方法和装置。
背景技术
相关技术中,随着全球导航卫星系统(Global Navigation Satellite System,GNSS)技术的快速发展和普及,GNSS已经在人们的日常生活中扮演着日益重要的角色。GNSS接收机通过接收到不同卫星的GNSS信号,然后通过定位解算方法,能够及时、准确地计算获得用户的位置结果,在交通运输、测绘、城市管理、物联网等领域具有广泛的应用。
其中,在GNSS接收机假设接收到的GNSS信号为视距(Line-of-Sight,LOS)信号:也即假设GNSS信号是由卫星端发出后经过大气层直接到达接收机端的信号。然而,在很多实际应用场景中,尤其是在城市环境下,由于存在建筑、树木等遮挡问题,导致GNSS接收机接收到的一部分信号为非视距(Non-Line-of-Sight,NLOS)信号。也即LOS信号被建筑、树木等环境因素遮挡,接收机实际接收到信号的是经过环境因素反射或折射后的信号。由于存在信号反射或折射等问题,存在较大的测距误差,给接收机最终的定位解算结果带来严重的误差。
因此,如何对GNSS中的NLOS信号进行精确检测,成为了本领域人员需要解决的问题。
发明内容
本申请实施例提供一种基于集成学习的非视距信号检测方法和装置。用于解决相关技术中存在的无法对GNSS中的NLOS信号进行精确检测的问题,
其中,根据本申请实施例的一个方面,提供的一种基于集成学习的非视距信号检测方法,包括:
获取卫星样本数据集,所述卫星样本数据集包括至少一个目标卫星在不同接收机位置以及不同接收时刻下的原始观测数据;
基于所述卫星样本数据集中的特征提取,训练得到初级分类模型以及次级分类模型;
将获取到的待检测卫星数据分别输入至所述初级分类模型以及所述次级分类模型,得到对应的初级矢量值以及次级矢量值;
基于所述初级矢量值以及次级矢量值,确定所述待检测卫星数据是否为非视距信号。
可选地,在基于本申请上述方法的另一个实施例中,所述卫星样本数据集包括以下数据:
获取时间、卫星编号、观测伪距、信噪比以及所述目标卫星在地心地固坐标系下的三维坐标位置。
可选地,在基于本申请上述方法的另一个实施例中,在所述获取卫星样本数据集之后,还包括:
利用接收机真实位置和每个目标卫星的三维坐标位置,计算卫星样本数据集中,每个目标卫星在地心地固坐标系下的视距矢量数据;
根据所述目标卫星的视距矢量数据,对每个卫星样本数据进行标注,所述标注对应于视距信号或非视距信号。
可选地,在基于本申请上述方法的另一个实施例中,在所述获取卫星样本数据集之后,还包括:
利用最小二乘迭代算法,计算得到每个所述卫星样本数据对应的接收机位置;
利用所述接收机位置、所述三维坐标位置以及所述观测伪距,计算每个卫星样本数据的俯仰角度,伪距残差值以及伪距变化率;
利用归一化算法,对所述卫星样本数据集中的每个提取特征进行归一化处理,得到每个所述提取特征的归一化特征,所述提取特征包括卫星样本数据中包括的所述俯仰角度,伪距残差值、伪距变化率、观测伪距、信噪比以及三维坐标位置。
可选地,在基于本申请上述方法的另一个实施例中,在所述得到每个所述提取特征的归一化特征之后,还包括:
利用每个所述提取特征的归一化特征以及每个卫星样本数据对应的标注结果,对多个初始的单一分类模型进行训练,得到多个所述初级分类模型;
获取每个所述初级分类模型对所述卫星样本数据生成的多个输出结果,并将所述多个输出结果进行拼接,得到合并特征矢量数据。
可选地,在基于本申请上述方法的另一个实施例中,在所述得到合并特征矢量数据之后,还包括:
利用每个所述卫星样本数据对应的标注结果以及所述合并特征矢量数据,对初始的逻辑回归模型进行训练,得到所述次级分类模型。
可选地,在基于本申请上述方法的另一个实施例中,所述基于所述初级矢量值以及次级矢量值,确定所述待检测卫星数据是否为非视距信号,包括:
将所述初级矢量值以及次级矢量值作为所述待检测卫星数据的二分类矢量数据,其中所述初级矢量值与所述次级矢量值的和值为1;
当检测到所述初级矢量值大于0.5时,确定所述待检测卫星数据为非视距信号。
其中,根据本申请实施例的又一个方面,提供的一种基于集成学习的非视距信号检测装置,包括:
获取模块,被配置为获取卫星样本数据集,所述卫星样本数据集包括至少一个目标卫星在不同接收机位置以及不同接收时刻下的原始观测数据;
训练模块,被配置为基于所述卫星样本数据集中的特征提取,训练得到初级分类模型以及次级分类模型;
输入模块,被配置为将获取到的待检测卫星数据分别输入至所述初级分类模型以及所述次级分类模型,得到对应的初级矢量值以及次级矢量值;
确定模块,被配置为基于所述初级矢量值以及次级矢量值,确定所述待检测卫星数据是否为非视距信号。
根据本申请实施例的又一个方面,提供的一种电子设备,包括:
存储模型,用于存储可执行指令;以及
显示模型,用于与所述存储模型显示以执行所述可执行指令从而完成上述任一所述基于集成学习的非视距信号检测方法的操作。
根据本申请实施例的还一个方面,提供的一种计算机可读存储介质,用于存储计算机可读取的指令,所述指令被执行时执行上述任一所述基于集成学习的非视距信号检测方法的操作。
本申请中,可以获取卫星样本数据集,卫星样本数据集包括至少一个目标卫星在不同接收机位置以及不同接收时刻下的原始观测数据;基于卫星样本数据集中的特征提取,训练得到初级分类模型以及次级分类模型;将获取到的待检测卫星数据分别输入至初级分类模型以及次级分类模型,得到对应的初级矢量值以及次级矢量值;基于初级矢量值以及次级矢量值,确定待检测卫星数据是否为非视距信号。通过应用本申请的技术方案,可以利用卫星样本数据训练得到初级分类模型以及次级分类模型。以使后续利用该多个分类模型,检测卫星数据的非视距信号。从而实现将多个单一分类模型进行集成,也可以克服利用单一分类模型进行检测所导致的性能不足或容易过拟合的问题,从而提高GNSS非视距信号的检测性能。
下面通过附图和实施例,对本申请的技术方案做进一步的详细描述。
附图说明
构成说明书的一部分的附图描述了本申请的实施例,并且连同描述一起用于解释本申请的原理。
参照附图,根据下面的详细描述,可以更加清楚地理解本申请,其中:
图1为本申请提出的一种基于集成学习的非视距信号检测方法示意图;
图2为本申请提出的一种基于集成学习的非视距信号检测流程示意图;
图3为本申请提出的基于集成学习的非视距信号检测电子装置的结构示意图;
图4为本申请提出的基于集成学习的非视距信号检测电子设备结构示意图。
具体实施方式
现在将参照附图来详细描述本申请的各种示例性实施例。应注意到:除非另外具体说明,否则在这些实施例中阐述的部件和步骤的相对布置、数字表达式和数值不限制本申请的范围。
同时,应当明白,为了便于描述,附图中所示出的各个部分的尺寸并不是按照实际的比例关系绘制的。
以下对至少一个示例性实施例的描述实际上仅仅是说明性的,不作为对本申请及其应用或使用的任何限制。
对于相关领域普通技术人员已知的技术、方法和设备可能不作详细讨论,但在适当情况下,所述技术、方法和设备应当被视为说明书的一部分。
应注意到:相似的标号和字母在下面的附图中表示类似项,因此,一旦某一项在一个附图中被定义,则在随后的附图中不需要对其进行进一步讨论。
另外,本申请各个实施例之间的技术方案可以相互结合,但是必须是以本领域普通技术人员能够实现为基础,当技术方案的结合出现相互矛盾或无法实现时应当认为这种技术方案的结合不存在,也不在本申请要求的保护范围之内。
需要说明的是,本申请实施例中所有方向性指示(诸如上、下、左、右、前、后……)仅用于解释在某一特定姿态(如附图所示)下各部件之间的相对位置关系、运动情况等,如果该特定姿态发生改变时,则该方向性指示也相应地随之改变。
下面结合图1-图2来描述根据本申请示例性实施方式的用于进行基于集成学习的非视距信号检测方法。需要注意的是,下述应用场景仅是为了便于理解本申请的精神和原理而示出,本申请的实施方式在此方面不受任何限制。相反,本申请的实施方式可以应用于适用的任何场景。
本申请还提出一种基于集成学习的非视距信号检测方法、装置、目标终端及介质。
图1示意性地示出了根据本申请实施方式的一种基于集成学习的非视距信号检测方法的流程示意图。如图1所示,该方法包括:
S101,获取卫星样本数据集,卫星样本数据集包括至少一个目标卫星在不同接收机位置以及不同接收时刻下的原始观测数据。
本申请中,可以采用全球导航卫星系统(Global Navigation Satellite System)GNSS接收机,获得在不同接收机位置以及不同接收时刻下的GNSS原始观测数据,从而得到卫星样本数据集。其中每一个样本数据中可以包括收发时间、卫星编号、观测伪距、信噪比、以及每个目标卫星在ECEF(Earth Centered Earth Fixed)坐标系下的三维坐标位置。
需要说明的是,本申请不对目标卫星的数量进行具体限定,例如可以为一个,也可以为多个。
进一步的,本申请还可以利用每个接收机的真实位置和每个目标卫星的三维坐标位置,计算卫星在ECEF坐标系下的LOS矢量数据,并可选的结合三维地图信息计算卫星遮挡情况。例如当存在遮挡情况时,数据样本标注为1,也即非视距信号。否则,数据样本标注为0,也即视距信号。
S102,基于卫星样本数据集中的特征提取,训练得到初级分类模型以及次级分类模型。
进一步的,本申请可以对卫星样本数据集合测试集的每一个数据样本进行特征提取,获得每一个卫星数据样本的特征矢量,具体包括如下多个特征:
观测伪距:原始观测数据;
信噪比:原始观测数据;
卫星ECEF三维坐标:原始观测数据x;
卫星ECEF三维坐标:原始观测数据y;
卫星ECEF三维坐标:原始观测数据z;
利用现有最小二乘迭代算法,估计接收机位置,并计算如下特征
俯仰角:利用接收机估计位置和卫星ECEF三维坐标,计算目标卫星的俯仰角;
伪距残差:利用接收机估计位置和卫星ECEF三维坐标,计算估计伪距,并与观测伪距求差,计算获得目标卫星的伪距残差;
伪距变化率:对同一个观测卫星、相邻时刻的观测伪距求差,获得目标卫星的伪距变化率。
进一步的,本申请还可以采用Min-Max归一化方法,对每一个特征进行归一化处理,使得所有特征在0到1之间。例如对某一维特征f,记所有数据样本中,该维特征最大值为fmax,特征最小值fmin,则Min-Max归一化后的特征为g=(f-fmin)/(fmax-fmin)。
其中,对于初级分类模型来说,其可以为支持向量机SVM模型,梯度提升树XGBoost模型以及随机森林模型。
具体的,SVM(support vector machine)是一种二分类模型,它的基本模型是定义在特征空间上的间隔最大的线性分类模型,利用间隔最大化求最优分离超平面。而对于XGBoost模型来说,其是一种将损失函数作二阶泰勒展开,利用损失函数的二阶导数信息优化损失函数,根据损失函数是否减小来贪心的选择是否分裂节点。同时,XGBoost在防止过拟合方面加入了正则化、学习率、列采样、近似最优分割点等手段。在处理缺失值方面也做了一定的优化。还有的,对于随机森林模型来说,是一个包含多个决策树的分类模型,并且其输出的类别是由个别树输出的类别的众数而定。
进一步的,本申请中的次级分类模型可以为逻辑回归模型,对于逻辑回归模型来说,其是一种广义线性回归(generalized linear model)。
S103,将获取到的待检测卫星数据分别输入至初级分类模型以及次级分类模型,得到对应的初级矢量值以及次级矢量值。
S104,基于初级矢量值以及次级矢量值,确定待检测卫星数据是否为非视距信号。
进一步的,本申请在实际预测过程中,可以将每一个待检测卫星数据分别通过初级分类模型和次级分类模型,从而获得每一个待检测卫星数据的二分类矢量,记为[o1,o2],其中o1+o2=1。当o1>0.5,则检测为非视距NLOS信号,否则为视距LOS信号。
如图2所示,为本申请提出的基于集成学习的非视距信号检测方法流程图,其中,主要包含四个步骤,如下:1)数据集准备:利用接收机收集卫星观测数据,并利用三维地图信息获得标注数据,并获得卫星样本数据集和测试集。2)特征提取:利用数据集,计算特征矢量。3)初级分类模型训练:利用卫星样本数据集分别训练每一个单一分类模型,获得对应数量的初级分类模型。4)次级分类模型训练:利用每一个初级分类模型的卫星样本数据集输出结果,训练获得次级分类模型,最终获得非视距信号检测结果。
本申请中,可以获取卫星样本数据集,卫星样本数据集包括至少一个目标卫星在不同接收机位置以及不同接收时刻下的原始观测数据;基于卫星样本数据集中的特征提取,训练得到初级分类模型以及次级分类模型;将获取到的待检测卫星数据分别输入至初级分类模型以及次级分类模型,得到对应的初级矢量值以及次级矢量值;基于初级矢量值以及次级矢量值,确定待检测卫星数据是否为非视距信号。通过应用本申请的技术方案,可以利用卫星样本数据训练得到初级分类模型以及次级分类模型。以使后续利用该多个分类模型,检测卫星数据的非视距信号。从而实现将多个单一分类模型进行集成,也可以克服利用单一分类模型进行检测所导致的性能不足或容易过拟合的问题,从而提高GNSS非视距信号的检测性能。
可选的,在本申请一种可能的实施方式中,卫星样本数据集包括以下数据:
获取时间、卫星编号、观测伪距、信噪比以及目标卫星在地心地固坐标系下的三维坐标位置。
可选的,在本申请一种可能的实施方式中,在获取卫星样本数据集之后,还包括:
利用接收机真实位置和每个目标卫星的三维坐标位置,计算卫星样本数据集中,每个目标卫星在地心地固坐标系下的视距矢量数据;
根据目标卫星的视距矢量数据,对每个卫星样本数据进行标注,标注对应于视距信号或非视距信号。
可选的,在本申请一种可能的实施方式中,在获取卫星样本数据集之后,还包括:
利用最小二乘迭代算法,计算得到每个卫星样本数据对应的接收机位置;
利用接收机位置、三维坐标位置以及观测伪距,计算每个卫星样本数据的俯仰角度,伪距残差值以及伪距变化率;
利用归一化算法,对卫星样本数据集中的每个提取特征进行归一化处理,得到每个提取特征的归一化特征,提取特征包括卫星样本数据中包括的俯仰角度,伪距残差值、伪距变化率、观测伪距、信噪比以及三维坐标位置。
可选的,在本申请一种可能的实施方式中,在得到每个提取特征的归一化特征之后,还包括:
利用每个提取特征的归一化特征以及每个卫星样本数据对应的标注结果,对多个初始的单一分类模型进行训练,得到多个初级分类模型;
获取每个初级分类模型对卫星样本数据生成的多个输出结果,并将多个输出结果进行拼接,得到合并特征矢量数据。
可选的,在本申请一种可能的实施方式中,在得到合并特征矢量数据之后,还包括:
利用每个卫星样本数据对应的标注结果以及合并特征矢量数据,对初始的逻辑回归模型进行训练,得到次级分类模型。
进一步的,对于训练得到初级分类模型来说,本申请可以首先根据对每个目标卫星的视距矢量数据,对每个卫星样本数据进行对应于视距信号或非视距信号的标注结果。以及每个提取特征的归一化特征训练获得多个初级分类模型。一种方式中,本申请可以选用3个单一分类模型用作二分类模型训练,其中单一分类模型可以包括SVM,XGBoost,随机森林。
另外,在每个初级分类模型的训练过程中,均将卫星样本数据集进行k-Fold处理,进行模型训练的交叉验证,最终分别训练获得3个初级分类模型。在本申请中,k-Fold处理中的k设置为5。
再者,本申请还可以利用每一个分类模型对卫星样本数据集的输出结果,拼接构成合并特征矢量。例如对每一个数据样本,三个初级分类模型的输出结果分别是[0.4,0.6],[0,9,0.1],[0.3,0.7],则该数据样本拼接构成的合并特征矢量数据为[0.4,0.6,0,9,0.1,0.3,0.7]。
最后,对于训练得到次级分类模型来说,可以将合并特征矢量与每个卫星样本数据进行对应于视距信号或非视距信号的标注结果进行训练获得次级分类模型。需要注意的是,在本申请中可以选用逻辑回归作为次级分类模型,进行次级分类模型训练。
可选的,在本申请一种可能的实施方式中,基于初级矢量值以及次级矢量值,确定待检测卫星数据是否为非视距信号,包括:
将初级矢量值以及次级矢量值作为待检测卫星数据的二分类矢量数据,其中初级矢量值与次级矢量值的和值为1;
当检测到初级矢量值大于0.5时,确定待检测卫星数据为非视距信号。
可选的,在本申请的另外一种实施方式中,如图3所示,本申请还提供一种基于集成学习的非视距信号检测装置。其中,包括获取模块201,训练模块202,输入模块203,确定模块204,包括:
获取模块201,被配置为获取卫星样本数据集,所述卫星样本数据集包括至少一个目标卫星在不同接收机位置以及不同接收时刻下的原始观测数据;
训练模块202,被配置为基于所述卫星样本数据集中的特征提取,训练得到初级分类模型以及次级分类模型;
输入模块203,被配置为将获取到的待检测卫星数据分别输入至所述初级分类模型以及所述次级分类模型,得到对应的初级矢量值以及次级矢量值;
确定模块204,被配置为基于所述初级矢量值以及次级矢量值,确定所述待检测卫星数据是否为非视距信号。
本申请中,可以获取卫星样本数据集,卫星样本数据集包括至少一个目标卫星在不同接收机位置以及不同接收时刻下的原始观测数据;基于卫星样本数据集中的特征提取,训练得到初级分类模型以及次级分类模型;将获取到的待检测卫星数据分别输入至初级分类模型以及次级分类模型,得到对应的初级矢量值以及次级矢量值;基于初级矢量值以及次级矢量值,确定待检测卫星数据是否为非视距信号。通过应用本申请的技术方案,可以利用卫星样本数据训练得到初级分类模型以及次级分类模型。以使后续利用该多个分类模型,检测卫星数据的非视距信号。从而实现将多个单一分类模型进行集成,也可以克服利用单一分类模型进行检测所导致的性能不足或容易过拟合的问题,从而提高GNSS非视距信号的检测性能。
在本申请的另外一种实施方式中,还包括:所述卫星样本数据集包括以下数据:
获取时间、卫星编号、观测伪距、信噪比以及所述目标卫星在地心地固坐标系下的三维坐标位置。
在本申请的另外一种实施方式中,获取模块201,还包括:
利用接收机真实位置和每个目标卫星的三维坐标位置,计算卫星样本数据集中,每个目标卫星在地心地固坐标系下的视距矢量数据;
根据所述目标卫星的视距矢量数据,对每个卫星样本数据进行标注,所述标注对应于视距信号或非视距信号。
在本申请的另外一种实施方式中,获取模块201,还包括:
利用最小二乘迭代算法,计算得到每个所述卫星样本数据对应的接收机位置;
利用所述接收机位置、所述三维坐标位置以及所述观测伪距,计算每个卫星样本数据的俯仰角度,伪距残差值以及伪距变化率;
利用归一化算法,对所述卫星样本数据集中的每个提取特征进行归一化处理,得到每个所述提取特征的归一化特征,所述提取特征包括卫星样本数据中包括的所述俯仰角度,伪距残差值、伪距变化率、观测伪距、信噪比以及三维坐标位置。
在本申请的另外一种实施方式中,获取模块201,还包括:
利用每个所述提取特征的归一化特征以及每个卫星样本数据对应的标注结果,对多个初始的单一分类模型进行训练,得到多个所述初级分类模型;
获取每个所述初级分类模型对所述卫星样本数据生成的多个输出结果,并将所述多个输出结果进行拼接,得到合并特征矢量数据。
在本申请的另外一种实施方式中,获取模块201,还包括:
利用每个所述卫星样本数据对应的标注结果以及所述合并特征矢量数据,对初始的逻辑回归模型进行训练,得到所述次级分类模型。
在本申请的另外一种实施方式中,获取模块201,还包括:
将所述初级矢量值以及次级矢量值作为所述待检测卫星数据的二分类矢量数据,其中所述初级矢量值与所述次级矢量值的和值为1;
当检测到所述初级矢量值大于0.5时,确定所述待检测卫星数据为非视距信号。
图4是根据一示例性实施例示出的一种电子设备的逻辑结构框图。例如,电子设备300可以是移动电话,计算机,数字广播终端,消息收发设备,游戏控制台,平板设备,医疗设备,健身设备,个人数字助理等。
在示例性实施例中,还提供了一种包括指令的非临时性计算机可读存储介质,例如包括指令的存储模型,上述指令可由电子设备处理模型执行以完成上述基于集成学习的非视距信号检测方法,该方法包括:获取卫星样本数据集,所述卫星样本数据集包括至少一个目标卫星在不同接收机位置以及不同接收时刻下的原始观测数据;基于所述卫星样本数据集中的特征提取,训练得到初级分类模型以及次级分类模型;将获取到的待检测卫星数据分别输入至所述初级分类模型以及所述次级分类模型,得到对应的初级矢量值以及次级矢量值;基于所述初级矢量值以及次级矢量值,确定所述待检测卫星数据是否为非视距信号。可选地,上述指令还可以由电子设备的处理模型执行以完成上述示例性实施例中所涉及的其他步骤。例如,非临时性计算机可读存储介质可以是ROM、随机存取存储模型(RAM)、CD-ROM、磁带、软盘和光数据存储设备等。
在示例性实施例中,还提供了一种应用程序/计算机程序产品,包括一条或多条指令,该一条或多条指令可以由电子设备的处理模型执行,以完成上述基于集成学习的非视距信号检测方法,该方法包括:获取卫星样本数据集,所述卫星样本数据集包括至少一个目标卫星在不同接收机位置以及不同接收时刻下的原始观测数据;基于所述卫星样本数据集中的特征提取,训练得到初级分类模型以及次级分类模型;将获取到的待检测卫星数据分别输入至所述初级分类模型以及所述次级分类模型,得到对应的初级矢量值以及次级矢量值;基于所述初级矢量值以及次级矢量值,确定所述待检测卫星数据是否为非视距信号。可选地,上述指令还可以由电子设备的处理模型执行以完成上述示例性实施例中所涉及的其他步骤。
图4为计算机设备30的示例图。本领域技术人员可以理解,示意图4仅仅是计算机设备30的示例,并不构成对计算机设备30的限定,可以包括比图示更多或更少的部件,或者组合某些部件,或者不同的部件,例如计算机设备30还可以包括输入输出设备、网络接入设备、总线等。
所称处理模型302可以是中央处理单元(Central Processing Unit,CPU),还可以是其他通用处理模型、数字信号处理模型(Digital Signal Processor,DSP)、专用集成电路(Application Specific Integrated Circuit,ASIC)、现场可编程门阵列(Field-Programmable Gate Array,FPGA)或者其他可编程逻辑模型件、分立门或者晶体管逻辑模型件、分立硬件组件等。通用处理模型可以是微处理模型或者该处理模型302也可以是任何常规的处理模型等,处理模型302是计算机设备30的控制中心,利用各种接口和线路连接整个计算机设备30的各个部分。
存储模型301可用于存储计算机可读指令303,处理模型302通过运行或执行存储在存储模型301内的计算机可读指令或模块,以及调用存储在存储模型301内的数据,实现计算机设备30的各种功能。存储模型301可主要包括存储程序区和存储数据区,其中,存储程序区可存储操作系统、至少一个功能所需的应用程序(比如声音播放功能、图像播放功能等)等;存储数据区可存储根据计算机设备30的使用所创建的数据等。此外,存储模型301可以包括硬盘、内存、插接式硬盘,智能存储卡(Smart Media Card,SMC),安全数字(SecureDigital,SD)卡,闪存卡(Flash Card)、至少一个磁盘存储模型件、闪存模型件、只读存储模型(Read-Only Memory,ROM)、随机存取存储模型(Random Access Memory,RAM)或其他非易失性/易失性存储模型件。
计算机设备30集成的模块如果以软件功能模块的形式实现并作为独立的产品销售或使用时,可以存储在一个计算机可读取存储介质中。基于这样的理解,本申请实现上述实施例方法中的全部或部分流程,也可以通过计算机可读指令来指令相关的硬件来完成,的计算机可读指令可存储于一计算机可读存储介质中,该计算机可读指令在被处理模型执行时,可实现上述各个方法实施例的步骤。
本领域技术人员在考虑说明书及实践这里公开的发明后,将容易想到本申请的其它实施方案。本申请旨在涵盖本申请的任何变型、用途或者适应性变化,这些变型、用途或者适应性变化遵循本申请的一般性原理并包括本申请未公开的本技术领域中的公知常识或惯用技术手段。说明书和实施例仅被视为示例性的,本申请的真正范围和精神由下面的权利要求指出。
应当理解的是,本申请并不局限于上面已经描述并在附图中示出的精确结构,并且可以在不脱离其范围进行各种修改和改变。本申请的范围仅由所附的权利要求来限制。
Claims (9)
1.一种基于集成学习的非视距信号检测方法,其特征在于,包括:
获取卫星样本数据集,所述卫星样本数据集包括至少一个目标卫星在不同接收机位置以及不同接收时刻下的原始观测数据;
基于所述卫星样本数据集中的特征提取,训练得到初级分类模型以及次级分类模型;
将获取到的待检测卫星数据分别输入至所述初级分类模型以及所述次级分类模型,得到对应的初级矢量值以及次级矢量值;
基于所述初级矢量值以及次级矢量值,确定所述待检测卫星数据是否为非视距信号;
其中,基于所述初级矢量值以及次级矢量值,确定所述待检测卫星数据是否为非视去信号,包括:
将所述初级矢量值以及次级矢量值作为所述待检测卫星数据的二分类矢量数据,其中所述初级矢量值与所述次级矢量值的和值为1;
当检测到所述初级矢量值大于0.5时,确定所述待检测卫星数据为非视距信号。
2.如权利要求1所述的方法,其特征在于,所述卫星样本数据集包括以下数据:
获取时间、卫星编号、观测伪距、信噪比以及所述目标卫星在地心地固坐标系下的三维坐标位置。
3.如权利要求2所述的方法,其特征在于,在所述获取卫星样本数据集之后,还包括:
利用接收机真实位置和每个目标卫星的三维坐标位置,计算卫星样本数据集中,每个目标卫星在地心地固坐标系下的视距矢量数据;
根据所述目标卫星的视距矢量数据,对每个卫星样本数据进行标注,所述标注对应于视距信号或非视距信号。
4.如权利要求3所述的方法,其特征在于,在所述获取卫星样本数据集之后,还包括:
利用最小二乘迭代算法,计算得到每个所述卫星样本数据对应的接收机位置;
利用所述接收机位置、所述三维坐标位置以及所述观测伪距,计算每个卫星样本数据的俯仰角度,伪距残差值以及伪距变化率;
利用归一化算法,对所述卫星样本数据集中的每个提取特征进行归一化处理,得到每个所述提取特征的归一化特征,所述提取特征包括卫星样本数据中包括的所述俯仰角度,伪距残差值、伪距变化率、观测伪距、信噪比以及三维坐标位置。
5.如权利要求4所述的方法,其特征在于,在所述得到每个所述提取特征的归一化特征之后,还包括:
利用每个所述提取特征的归一化特征以及每个卫星样本数据对应的标注结果,对多个初始的单一分类模型进行训练,得到多个所述初级分类模型;
获取每个所述初级分类模型对所述卫星样本数据生成的多个输出结果,并将所述多个输出结果进行拼接,得到合并特征矢量数据。
6.如权利要求5所述的方法,其特征在于,在所述得到合并特征矢量数据之后,还包括:
利用每个所述卫星样本数据对应的标注结果以及所述合并特征矢量数据,对初始的逻辑回归模型进行训练,得到所述次级分类模型。
7.一种基于集成学习的非视距信号检测装置,其特征在于,包括:
获取模块,被配置为获取卫星样本数据集,所述卫星样本数据集包括至少一个目标卫星在不同接收机位置以及不同接收时刻下的原始观测数据;
训练模块,被配置为基于所述卫星样本数据集中的特征提取,训练得到初级分类模型以及次级分类模型;
输入模块,被配置为将获取到的待检测卫星数据分别输入至所述初级分类模型以及所述次级分类模型,得到对应的初级矢量值以及次级矢量值;
确定模块,被配置为基于所述初级矢量值以及次级矢量值,确定所述待检测卫星数据是否为非视距信号;
其中,基于所述初级矢量值以及次级矢量值,确定所述待检测卫星数据是否为非视去信号,包括:
将所述初级矢量值以及次级矢量值作为所述待检测卫星数据的二分类矢量数据,其中所述初级矢量值与所述次级矢量值的和值为1;
当检测到所述初级矢量值大于0.5时,确定所述待检测卫星数据为非视距信号。
8.一种电子设备,其特征在于,包括:
存储模型,用于存储可执行指令;以及,
处理模型,用于与所述存储模型显示以执行所述可执行指令从而完成权利要求1-6中任一所述基于集成学习的非视距信号检测方法的操作。
9.一种计算机可读存储介质,用于存储计算机可读取的指令,其特征在于,所述指令被执行时执行权利要求1-6中任一所述基于集成学习的非视距信号检测方法的操作。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110693041.3A CN113625319B (zh) | 2021-06-22 | 2021-06-22 | 基于集成学习的非视距信号检测方法和装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110693041.3A CN113625319B (zh) | 2021-06-22 | 2021-06-22 | 基于集成学习的非视距信号检测方法和装置 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN113625319A CN113625319A (zh) | 2021-11-09 |
CN113625319B true CN113625319B (zh) | 2023-12-05 |
Family
ID=78378231
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110693041.3A Active CN113625319B (zh) | 2021-06-22 | 2021-06-22 | 基于集成学习的非视距信号检测方法和装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113625319B (zh) |
Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109101902A (zh) * | 2018-07-24 | 2018-12-28 | 东南大学 | 一种基于无监督学习的卫星nlos信号检测方法 |
CN109188410A (zh) * | 2018-08-27 | 2019-01-11 | 清华大学 | 一种非视距场景下的距离校准方法、装置及设备 |
CN109299741A (zh) * | 2018-06-15 | 2019-02-01 | 北京理工大学 | 一种基于多层检测的网络攻击类型识别方法 |
CN110598628A (zh) * | 2019-09-11 | 2019-12-20 | 南京邮电大学 | 一种基于集成深度学习的肌电信号手部运动识别方法 |
CN111380521A (zh) * | 2020-03-31 | 2020-07-07 | 苏州芯智谷智能科技有限公司 | 一种gnss/mems惯性组合芯片定位算法中的多路径滤波方法 |
CN112756759A (zh) * | 2021-01-11 | 2021-05-07 | 上海智能制造功能平台有限公司 | 点焊机器人工作站故障判定方法 |
CN112800983A (zh) * | 2021-02-01 | 2021-05-14 | 玉林师范学院 | 一种基于随机森林的非视距信号识别方法 |
Family Cites Families (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2013102870A1 (en) * | 2012-01-04 | 2013-07-11 | Ariel-University Research And Development Company, Ltd. | Methods for identifying whether or not a satellite has a line of sight |
CN104181555A (zh) * | 2013-05-24 | 2014-12-03 | 凹凸电子(武汉)有限公司 | 卫星定位的定位质量判断方法和接收机 |
US20150338522A1 (en) * | 2014-05-21 | 2015-11-26 | Apple Inc. | Positioning Using Non-Line-Of-Sight Signals |
US11676048B2 (en) * | 2019-11-01 | 2023-06-13 | Pearson Education, Inc. | Systems and methods for validation of artificial intelligence models |
US11537899B2 (en) * | 2019-11-18 | 2022-12-27 | Salesforce.Com, Inc. | Systems and methods for out-of-distribution classification |
-
2021
- 2021-06-22 CN CN202110693041.3A patent/CN113625319B/zh active Active
Patent Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109299741A (zh) * | 2018-06-15 | 2019-02-01 | 北京理工大学 | 一种基于多层检测的网络攻击类型识别方法 |
CN109101902A (zh) * | 2018-07-24 | 2018-12-28 | 东南大学 | 一种基于无监督学习的卫星nlos信号检测方法 |
CN109188410A (zh) * | 2018-08-27 | 2019-01-11 | 清华大学 | 一种非视距场景下的距离校准方法、装置及设备 |
CN110598628A (zh) * | 2019-09-11 | 2019-12-20 | 南京邮电大学 | 一种基于集成深度学习的肌电信号手部运动识别方法 |
CN111380521A (zh) * | 2020-03-31 | 2020-07-07 | 苏州芯智谷智能科技有限公司 | 一种gnss/mems惯性组合芯片定位算法中的多路径滤波方法 |
CN112756759A (zh) * | 2021-01-11 | 2021-05-07 | 上海智能制造功能平台有限公司 | 点焊机器人工作站故障判定方法 |
CN112800983A (zh) * | 2021-02-01 | 2021-05-14 | 玉林师范学院 | 一种基于随机森林的非视距信号识别方法 |
Non-Patent Citations (4)
Title |
---|
Machine learning based LOS/NLOS classifier and robust estimator for GNSS shadow matching;Haosheng Xu et al.;Satellite Navigation;1-12 * |
城市峡谷中基于GPS 双极化天线的定位方法;王冠宇 等;导航定位学报;第8卷(第4期);13-19 * |
基于无监督学习的卫星NLOS信号检测方法;夏炎;潘树国;赵鹏飞;赵庆;叶飞;;东南大学学报(自然科学版)(03);565-572 * |
导航与位置服务现状与发展;邓中亮;导航天地;41-45 * |
Also Published As
Publication number | Publication date |
---|---|
CN113625319A (zh) | 2021-11-09 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109343061B (zh) | 传感器标定方法、装置、计算机设备、介质和车辆 | |
CN109059906B (zh) | 车辆定位方法、装置、电子设备、存储介质 | |
CN111199564B (zh) | 智能移动终端的室内定位方法、装置与电子设备 | |
CN109270545B (zh) | 一种定位真值校验方法、装置、设备及存储介质 | |
US9794519B2 (en) | Positioning apparatus and positioning method regarding a position of mobile object | |
CN107274450B (zh) | 信息处理装置及其控制方法 | |
CN111080682B (zh) | 点云数据的配准方法及装置 | |
CN110081881A (zh) | 一种基于无人机多传感器信息融合技术的着舰引导方法 | |
WO2020039937A1 (ja) | 位置座標推定装置、位置座標推定方法およびプログラム | |
CN109937341A (zh) | 自己的位置的估计 | |
CN104215977A (zh) | 一种基于卫星导航系统的精度评估方法及系统 | |
JP2008020225A (ja) | 自己位置推定プログラム、自己位置推定方法および自己位置推定装置 | |
CN111832579B (zh) | 地图兴趣点数据处理方法、装置、电子设备以及可读介质 | |
US11754704B2 (en) | Synthetic-aperture-radar image processing device and image processing method | |
EP2927635B1 (en) | Feature set optimization in vision-based positioning | |
CN112150508B (zh) | 一种目标追踪方法、装置及相关设备 | |
CN113625319B (zh) | 基于集成学习的非视距信号检测方法和装置 | |
CN113758492A (zh) | 地图检测方法和装置 | |
CN112284401A (zh) | 一种数据处理的方法和装置 | |
CN116824457A (zh) | 基于全景视频中移动目标自动挂牌方法及相关装置 | |
KR102102398B1 (ko) | 실시간 내비게이션 성능 평가 장치 및 방법 | |
CN116597246A (zh) | 模型训练方法、目标检测方法、电子设备及存储介质 | |
CN116964588A (zh) | 一种目标检测方法、目标检测模型训练方法及装置 | |
CN115164900A (zh) | 一种基于全向相机的城市环境下视觉辅助导航方法及系统 | |
CN109726679A (zh) | 一种遥感分类误差空间分布制图方法 |
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 |