CN113723591A - 一种基于rbpnn的gnss授时滤波方法、系统、装置及存储介质 - Google Patents

一种基于rbpnn的gnss授时滤波方法、系统、装置及存储介质 Download PDF

Info

Publication number
CN113723591A
CN113723591A CN202110863604.9A CN202110863604A CN113723591A CN 113723591 A CN113723591 A CN 113723591A CN 202110863604 A CN202110863604 A CN 202110863604A CN 113723591 A CN113723591 A CN 113723591A
Authority
CN
China
Prior art keywords
hidden layer
output value
rbpnn
hidden
layer output
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.)
Pending
Application number
CN202110863604.9A
Other languages
English (en)
Inventor
徐劲松
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Jiangsu Normal University
Original Assignee
Jiangsu Normal University
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Jiangsu Normal University filed Critical Jiangsu Normal University
Priority to CN202110863604.9A priority Critical patent/CN113723591A/zh
Publication of CN113723591A publication Critical patent/CN113723591A/zh
Pending legal-status Critical Current

Links

Images

Classifications

    • 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
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/044—Recurrent networks, e.g. Hopfield networks
    • 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)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Data Mining & Analysis (AREA)
  • General Health & Medical Sciences (AREA)
  • Biomedical Technology (AREA)
  • Biophysics (AREA)
  • Computational Linguistics (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Evolutionary Computation (AREA)
  • Artificial Intelligence (AREA)
  • Molecular Biology (AREA)
  • Computing Systems (AREA)
  • General Engineering & Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • Health & Medical Sciences (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)

Abstract

本发明公开了一种基于RBPNN的GNSS授时滤波方法、系统、装置及存储介质，所述方法包括如下步骤:输入n维输入向量X；对n维输入向量X进行非线性处理，得到第一隐藏层输出值；选择第一隐藏层输出值,进行加法计算,得到第二隐藏层输出值；根据第二隐藏层输出值和第二隐藏层权重计算，得到RBPNN输出值，输出RBPNN输出值；GNSS接收机授时误差
Figure DEST_PATH_IMAGE002
是在时刻n的两个时间系列差，RBPNN可据此估计下一时刻n+1的钟面时间预测值。

Description

一种基于RBPNN的GNSS授时滤波方法、系统、装置及存储介质
技术领域
本发明涉及一种基于RBPNN的GNSS授时滤波方法、系统、装置及存储介质，属于卫星导航、卫星通信以及无线通信应用等技术领域。
背景技术
电力系统的精确计时是使开发新控制系统和维护新控制系统所需的监测的关键技术之一；电力系统内时间同步技术能够使电力系统中的智能电子设备获得统一的时间基准，因此这种技术对于电网的实时监控、并网管理和安全保护具有很重要的意义。
比较常见的电力系统时间同步技术有：脉冲对时、串口报文对时、时间编码方式对时、网络方式对时；随着电力事业的快速发展，对电力授时的精度提出了更高的要求，传统毫秒量级、数十微秒量级的授时精度已无法满足现代电力系统的需求，要求达到数十纳秒量级甚至更高；如此高的电力授时要求，直接利用全球卫星导航系统(GNSS)接收机的时间信号无法达到要求，需要对GNSS接收机的时间信号进行误差源消除、滤波、降噪等处理。
卡尔曼(kalman)滤波和神经网络是最常见的两种滤波算法，Kalman滤波是信息、导航系统等领域中最常用的一种算法,可以实现系统状态的最优估计，但Kalman滤波必须有系统确切的数学模型,以及噪声信息的概率特性,这种方法计算精度不高,易发散失效,还存在计算量大、维数灾难等问题；神经网络的映射逼近能力和自学习能力,适用于很多非线性问题，不需要系统确切的数学模型,但存在学习速度慢、泛化能力不强等问题。
发明内容
本发明的目的在于克服现有技术中的不足，提供一种基于RBPNN的GNSS授时滤波方法、系统、装置及存储介质，提升在复杂度、学习训练速度、训练和测试要求等方面的综合性能。
为达到上述目的，本发明是采用下述技术方案实现的：
第一方面，本发明提供了一种基于RBPNN的GNSS授时滤波方法，包括如下步骤:
输入n维输入向量X；
对n维输入向量X进行非线性处理，得到第一隐藏层输出值；
选择第一隐藏层输出值,进行加法计算,得到第二隐藏层输出值；
根据第二隐藏层输出值和第二隐藏层权重计算，得到RBPNN输出值，输出RBPNN输出值。
结合第一方面，进一步的，第二隐藏层输出值通过如下方式计算：
Figure BDA0003186584390000021
其中，X是n维输入向量，Hk(X)是第二隐藏层输出值，φi(·)是第一个隐藏层的非线性映射函数，Cki是与第二隐藏层k隐藏神经元对应的第i个隐藏中心向量，||·||2表示欧几里德范数。
结合第一方面，进一步的，RBPNN输出值通过如下方式计算：
Figure BDA0003186584390000022
其中，X是n维输入向量，Hk(X)是第二隐藏层输出，wik是第二隐藏层的k个隐藏神经元到第i个隐藏神经元的权重。
第二方面，本发明提供了一种基于RBPNN的GNSS授时滤波系统，包括：
输入模块：用于输入n维输入向量X；
非线性模块：用于对n维输入向量X进行非线性处理，得到第一隐藏层输出值；
求和模块：用于选择第一隐藏层输出值,进行加法计算,得到第二隐藏层输出值；
输出模块：用于根据第二隐藏层输出值和第二隐藏层权重计算，得到RBPNN输出值，输出RBPNN输出值。
第三方面，本发明提供了一种基于RBPNN的GNSS授时滤波装置，包括处理器及存储介质；
所述存储介质用于存储指令；
所述处理器用于根据所述指令进行操作以执行根据第一方面任一项所述方法的步骤。
第四方面，本发明提供了一种计算机可读存储介质，其上存储有计算机程序，该程序被处理器执行时实现第一方面任一项所述方法的步骤。
与现有技术相比，本发明所达到的有益效果：
本发明提供的基于RBPNN的GNSS授时滤波方法、系统、装置及存储介质，通过非线性映射函数或核函数对n维输入向量X进行非线性处理，输出第一隐藏层输出值，第二隐藏层选择第一隐藏层输出值,进行加法计算，作为自己的输出值，根据第二隐藏层输出值和其权重，计算得到RBPNN输出值；和现有技术的RBFNN相比，训练和测试的要求明显降低，和现有技术的PNN相比，结构化网络更小；整体来说，复杂度降低，学习训练速度加快，但是训练和测试的要求明显降低，综合性能提升。
附图说明
图1是本发明提供的基于RBPNN的GNSS授时滤波方法示意图。
具体实施方式
下面结合附图对本发明作进一步描述。以下实施例仅用于更加清楚地说明本发明的技术方案，而不能以此来限制本发明的保护范围。
RBPNN是径向基概率神经网络,英文全拼是Radial Basis Probabilistic NeuralNetwork,GNSS是全球卫星导航系统,英文全拼是Global Navigation Satellite System。
实施例一
本发明提供的一种基于RBPNN的GNSS授时滤波方法，包括如下步骤：
输入n维输入向量X；
对n维输入向量X进行非线性处理，得到第一隐藏层输出值；
选择第一隐藏层输出值,进行加法计算,得到第二隐藏层输出值；
根据第二隐藏层输出值和第二隐藏层权重计算，得到RBPNN输出值，输出RBPNN输出值。
如图1所示，一种基于RBPNN的GNSS授时滤波方法，RBPNN为径向基概率神经网络，该网络分为四层，一个输入层、两个隐藏层和一个输出层；两个隐藏层分别是第一隐藏层和第二隐藏层。
输入层用于输入n维输入向量X；第一隐藏层是一个非线性处理层，通常由输入训练集选定的隐藏中心组成，通过非线性映射函数或核函数对n维输入向量X进行非线性处理，得到第一隐藏层输出值；第二隐藏层对应于第一隐藏层，该第一隐藏层通常与标记模式分类问题的输出层的大小相同，第二隐藏层对第一隐藏层的第一隐藏神经元进行选择，并将所选的第一个第一隐藏神经元输出值相加作为自己的输出值；通常RBPNN对应的第二隐藏层权重为1；输出层根据第二隐藏层输出值和第二隐藏层权重计算，得到RBPNN输出值，输出RBPNN输出值。
第二隐藏层输出值通过如下方式计算：
Figure BDA0003186584390000051
其中，X是n维输入向量，Hk(X)是第二隐藏层输出值，φi(·)是第一个隐藏层的非线性映射函数或核函数，Cki是与第二隐藏层k隐藏神经元对应的第i个隐藏中心向量，||·||2表示欧几里德范数。
RBPNN输出值通过如下方式计算：
Figure BDA0003186584390000052
其中，X是n维输入向量，Hk(X)是第二隐藏层输出，wik是第二隐藏层的k个隐藏神经元到第i个隐藏神经元的权重。
假设训练样本的总数为N，某些输出神经元的矢量矩阵形式可以写为：
Figure BDA0003186584390000061
写成向量形式就是：Y＝HW。
与RBFNN一样，选择RBPNN的隐藏中心对提高网络的性能非常重要；如果选择所有的训练样本作为隐藏中心，虽然保证网络收敛到某种令人满意的解决方案，但网络的泛化能力将变得非常差，因此许多噪声变形样本将无法被识别。
对于大多数外部监督学习前馈神经网络(FNNS)，通常使用的优化标准是实际网络输出和期望网络输出之间的均方误差；因此，根据这里对RBPNN的这个标准，误差代价函数被定义为：
Figure BDA0003186584390000062
其中，J(w)为误差代价函数，m表示第二隐藏层的隐藏神经元数量或输出层的输出神经元数量，e表示期望输出ydk和yk的差值。
误差代价函数J(w)可以重写为一个向量矩阵形式，如下：
Figure BDA0003186584390000063
其中，Yd表示期望输出矩阵，Y表示由网络实际输出组成的矩阵，上标T表示矩阵的转置。
将Y＝HW代入上式，可得出：
Figure BDA0003186584390000071
最小化误差代价函数J(w)，可以得到：
Figure BDA0003186584390000072
W＝(HTH)-1HTYd＝H+Yd
其中，H+表示第二隐藏层输出矩阵的穆尔-彭罗斯广义逆矩阵(Moore–Penrose)的伪逆。
由于已获得输出层的权重，因此实际输出可表示为：
Y＝HW＝HH+Yd
GNSS接收机授时误差x[n]是在时刻n的两个时间系列差，x[n]可以表示为：
x[n]＝UTOD[n]-UTOD[n-1]
其中，UTOD[n]为接收机在时刻n的钟面时间，UTOD[n-1]为接收机在时刻n-1的钟面时间。
利用上式，RBPNN即可估计下一时刻n+1的钟面时间预测值：
UTOD[n+1]＝UTOD[n]+x[n]
为了评估本发明所述方法的性能，通过对GNSS接收机收集的数据集进行了测试；该实验系统包括一个低成本的GNSS接收机、一个低成本的有源GNSS天线和一个台式计算机，用于处理每种估计方法的数据；为了评估模型的性能，使用均方根(RMS)作为测量估计值和观测值之间的接近度。
使用上述方法得到500个测试数据的估计误差，其中最大值为223.38ns，最小值为-245.95ns，RMS为158.34ns。
通过对实验结果分析可以看出，RBPNN在泛化能力方面也具有良好的性能；其训练速度、测试速度和收敛速度较快；对收集的真实数据的实验测试表明，定时均方根误差可减少到41ns以下。
实施例二：
一种基于RBPNN的GNSS授时滤波系统，所述系统包括：
输入模块：用于输入n维输入向量X；
非线性模块：用于对n维输入向量X进行非线性处理，得到第一隐藏层输出值；
求和模块：用于选择第一隐藏层输出值,进行加法计算,得到第二隐藏层输出值；
输出模块：用于根据第二隐藏层输出值和第二隐藏层权重计算，得到RBPNN输出值，输出RBPNN输出值。
实施例三：
本发明实施例还提供了一种基于RBPNN的GNSS授时滤波装置，包括处理器及存储介质；
所述存储介质用于存储指令；
所述处理器用于根据所述指令进行操作以执行下述方法的步骤：
输入n维输入向量X；
对n维输入向量X进行非线性处理，得到第一隐藏层输出值；
选择第一隐藏层输出值,进行加法计算,得到第二隐藏层输出值；
根据第二隐藏层输出值和第二隐藏层权重计算，得到RBPNN输出值，输出RBPNN输出值。
实施例四：
本发明实施例还提供了一种计算机可读存储介质，其上存储有计算机程序，该程序被处理器执行时实现下述方法的步骤：
输入n维输入向量X；
对n维输入向量X进行非线性处理，得到第一隐藏层输出值；
选择第一隐藏层输出值,进行加法计算,得到第二隐藏层输出值；
根据第二隐藏层输出值和第二隐藏层权重计算，得到RBPNN输出值，输出RBPNN输出值。
本领域内的技术人员应明白，本申请的实施例可提供为方法、系统、或计算机程序产品。因此，本申请可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且，本申请可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、CD-ROM、光学存储器等)上实施的计算机程序产品的形式。
本申请是参照根据本申请实施例的方法、设备(系统)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器，使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。
这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中，使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品，该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。
这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上，使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理，从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。
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 (6)

1.一种基于RBPNN的GNSS授时滤波方法，其特征在于，包括如下步骤:
输入n维输入向量X；
对n维输入向量X进行非线性处理，得到第一隐藏层输出值；
选择第一隐藏层输出值,进行加法计算,得到第二隐藏层输出值；
根据第二隐藏层输出值和第二隐藏层权重计算，得到RBPNN输出值，输出RBPNN输出值。
2.根据权利要求1所述的一种基于RBPNN的GNSS授时滤波方法，其特征在于，所述第二隐藏层输出值通过如下方式计算：
Figure FDA0003186584380000011
其中，X是n维输入向量，Hk(X)是第二隐藏层输出值，φi(·)是第一个隐藏层的非线性映射函数，Cki是与第二隐藏层k隐藏神经元对应的第i个隐藏中心向量，||·||2表示欧几里德范数。
3.根据权利要求1所述的一种基于RBPNN的GNSS授时滤波方法，其特征在于，所述RBPNN输出值通过如下方式计算：
Figure FDA0003186584380000012
其中，X是n维输入向量，Hk(X)是第二隐藏层输出，wik是第二隐藏层的k个隐藏神经元到第i个隐藏神经元的权重。
4.一种基于RBPNN的GNSS授时滤波系统，其特征在于，所述系统包括：
输入模块：用于输入n维输入向量X；
非线性模块：用于对n维输入向量X进行非线性处理，得到第一隐藏层输出值；
求和模块：用于选择第一隐藏层输出值,进行加法计算,得到第二隐藏层输出值；
输出模块：用于根据第二隐藏层输出值和第二隐藏层权重计算，得到RBPNN输出值，输出RBPNN输出值。
5.一种基于RBPNN的GNSS授时滤波装置，其特征在于，包括处理器及存储介质；
所述存储介质用于存储指令；
所述处理器用于根据所述指令进行操作以执行根据权利要求1～3任一项所述方法的步骤。
6.计算机可读存储介质，其上存储有计算机程序，其特征在于，该程序被处理器执行时实现权利要求1～3任一项所述方法的步骤。
CN202110863604.9A 2021-07-29 2021-07-29 一种基于rbpnn的gnss授时滤波方法、系统、装置及存储介质 Pending CN113723591A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202110863604.9A CN113723591A (zh) 2021-07-29 2021-07-29 一种基于rbpnn的gnss授时滤波方法、系统、装置及存储介质

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202110863604.9A CN113723591A (zh) 2021-07-29 2021-07-29 一种基于rbpnn的gnss授时滤波方法、系统、装置及存储介质

Publications (1)

Publication Number Publication Date
CN113723591A true CN113723591A (zh) 2021-11-30

Family

ID=78674352

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202110863604.9A Pending CN113723591A (zh) 2021-07-29 2021-07-29 一种基于rbpnn的gnss授时滤波方法、系统、装置及存储介质

Country Status (1)

Country Link
CN (1) CN113723591A (zh)

Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20110257545A1 (en) * 2010-04-20 2011-10-20 Suri Jasjit S Imaging based symptomatic classification and cardiovascular stroke risk score estimation
CN105930901A (zh) * 2016-07-18 2016-09-07 河海大学 一种基于rbpnn的变压器故障诊断方法
CN109634093A (zh) * 2019-01-16 2019-04-16 和芯星通科技(北京)有限公司 一种基于gnss接收机的授时方法及gnss接收机
CN111854745A (zh) * 2020-07-21 2020-10-30 广州道源信息科技有限公司 一种基于物联网室内定位的时钟预测方法
CN112541874A (zh) * 2020-12-11 2021-03-23 福州大学 基于自编码器的无监督去噪特征学习方法

Patent Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20110257545A1 (en) * 2010-04-20 2011-10-20 Suri Jasjit S Imaging based symptomatic classification and cardiovascular stroke risk score estimation
CN105930901A (zh) * 2016-07-18 2016-09-07 河海大学 一种基于rbpnn的变压器故障诊断方法
CN109634093A (zh) * 2019-01-16 2019-04-16 和芯星通科技(北京)有限公司 一种基于gnss接收机的授时方法及gnss接收机
CN111854745A (zh) * 2020-07-21 2020-10-30 广州道源信息科技有限公司 一种基于物联网室内定位的时钟预测方法
CN112541874A (zh) * 2020-12-11 2021-03-23 福州大学 基于自编码器的无监督去噪特征学习方法

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
M. R. MOSAVI: "Use of Accurate GPS Timing based on Radial Basis Probabilistic Neural Network in Electric Systems", 《2010 INTERNATIONAL CONFERENCE ON ELECTRICAL AND CONTROL ENGINEERING》, pages 2572 - 2574 *
郭璘: "基于信息融合的交通信息采集研究", 《中国博士学位论文全文数据库 工程科技Ⅱ辑》, no. 3, pages 034 - 26 *

Similar Documents

Publication Publication Date Title
Li et al. The filtering‐based maximum likelihood iterative estimation algorithms for a special class of nonlinear systems with autoregressive moving average noise using the hierarchical identification principle
Zou et al. Set-membership filtering subject to impulsive measurement outliers: A recursive algorithm
Qin et al. Neural network-based adaptive consensus control for a class of nonaffine nonlinear multiagent systems with actuator faults
Nadakuditi et al. Fundamental limit of sample generalized eigenvalue based detection of signals in noise using relatively few signal-bearing and noise-only samples
Li et al. Integrated fault estimation and non‐fragile fault‐tolerant control design for uncertain Takagi–Sugeno fuzzy systems with actuator fault and sensor fault
Liu et al. A new dynamic security assessment framework based on semi-supervised learning and data editing
Chen et al. Maximum likelihood least squares‐based iterative methods for output‐error bilinear‐parameter models with colored noises
Hassanabadi et al. Robust fault detection of singular LPV systems with multiple time-varying delays
CN114355240A (zh) 配电网接地故障诊断方法及装置
Jia et al. Design of a PD‐type learning observer for reconstruction of actuator faults in descriptor systems
CN113325708B (zh) 基于异构多智能体的多无人机系统的故障估计方法
CN116108697B (zh) 基于多元性能退化的加速试验数据处理方法、装置和设备
Abouda et al. Identification of nonlinear dynamic systems using fuzzy Hammerstein-Wiener systems
CN113723591A (zh) 一种基于rbpnn的gnss授时滤波方法、系统、装置及存储介质
Gao et al. Quantitative analysis of incipient fault detectability for time-varying stochastic systems based on weighted moving average approach
Kontoghiorghes et al. Computing 3SLS Solutions of Simultaneous Equation Models with a Possible Singular Variance–Convariance Matrix
Bal et al. Extreme Learning Machine based Linear Homogeneous Ensemble for Software Fault Prediction.
Alipouri et al. Distributed data‐driven observer for linear time invariant systems
Ghorbel et al. Adaptive KPCA for outlier detection in wireless sensor networks: water pipeline case
Zhang et al. A graph transformer-driven approach for network robustness learning
Mazars et al. Fault detection and isolation filter design for systems subject to polytopic uncertainties
Yao et al. A Mixed Residual Hybrid Method For Failure Probability Estimation
Kaheni et al. Selective Trimmed Average: A Resilient Federated Learning Algorithm With Deterministic Guarantees on the Optimality Approximation
Ding et al. Fault Diagnosis of Induction Motors Based on RBF Neural Network
Makarchuk et al. Application of Trigonometric Interpolation Polynomials to Signal Processing

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