CN113780353A

CN113780353A - 一种基于机器学习的卫星导航自动判读方法

Info

Publication number: CN113780353A
Application number: CN202110913859.1A
Authority: CN
Inventors: 王崇旭; 洪诗聘; 郑建明; 吕孝坤
Original assignee: Beijing Automation Control Equipment Institute BACEI
Current assignee: Beijing Automation Control Equipment Institute BACEI
Priority date: 2021-08-10
Filing date: 2021-08-10
Publication date: 2021-12-10
Anticipated expiration: 2041-08-10
Also published as: CN113780353B

Abstract

本发明提供了一种基于机器学习的卫星导航自动判读方法，所述方法包括：S10、获取卫星导航的定位数据包；S20、判断当前定位数据的字段类型；S30、判断当前定位数据是否需要计算精度误差，若是，转至S40，否则，转至S50；S40、确定当前定位数据是否满足预设要求，并转至S70；S50、确定当前定位数据是否满足预设要求，并转至S70；S60、确定当前定位数据是否满足预设要求，并转至S70；S70、判断是否遍历完定位数据包中的全部定位数据，若是，转至S80，否则，转至S20；S80、若定位数据包中的全部定位数据均满足预设要求，则判断卫星导航的工作状态正常，否则，判断卫星导航的工作状态异常。本发明能够解决现有方法无法对较大数据量和动态数据进行判读的技术问题。

Description

一种基于机器学习的卫星导航自动判读方法

技术领域

本发明涉及卫星导航测试技术领域，尤其涉及一种基于机器学习的卫星导航自动判读方法。

背景技术

随着卫星导航应用需求及应用范围的不断增大，其自动测试技术显得愈发重要。数据判读是卫星导航自动测试技术领域一项十分重要的环节，其判读结果是判断卫星导航工作状态是否正常的重要依据。

通常，卫星接收机在生产研制或靶场保障时一次试验过程的参数少则数百，多则上千，反映产品软硬件各项性能指标的状态字较多，有些是比较直观进行判断的，有些则需要进行深度分析才能进行判读，数据量巨大，人工判读难度大。其次，目前现有方法主要是对卫星接收机试验数据参数的越界阈值判读，难以实现随着卫星工作状态变化的动态数据判读，存在着参数范围无法进行准确定义的问题。

发明内容

本发明提供了一种基于机器学习的卫星导航自动判读方法，能够解决现有方法无法对较大数据量和动态数据进行判读的技术问题。

根据本发明的一方面，提供了一种基于机器学习的卫星导航自动判读方法，所述方法包括：

S10、获取卫星导航的定位数据包，其中，定位数据包包括阈值判读类型的定位数据和机器学习类型的定位数据；

S20、判断当前定位数据的字段类型，在当前定位数据的字段类型为阈值判读类型的情况下，转至S30，在当前定位数据的字段类型为机器学习类型的情况下，转至S60；

S30、判断当前定位数据是否需要计算精度误差，若是，转至S40，否则，转至S50；

S40、计算当前定位数据的均方根误差，将当前定位数据的均方根误差与精度误差阈值进行比较，根据第一比较结果确定当前定位数据是否满足预设要求，并转至S70；

S50、将当前定位数据与数据阈值进行比较，根据第二比较结果确定当前定位数据是否满足预设要求，并转至S70；

S60、利用卷积神经网络算法获取当前定位数据的聚类结果，根据聚类结果确定当前定位数据是否满足预设要求，并转至S70；

S70、判断是否遍历完定位数据包中的全部定位数据，若是，转至S80，否则，转至S20对下一个定位数据进行判断；

S80、若定位数据包中的全部定位数据均满足预设要求，则判断卫星导航的工作状态正常，否则，判断卫星导航的工作状态异常。

优选的，阈值判读类型中需要计算精度误差的定位数据包括速度信息和位置信息。

优选的，阈值判读类型中不需要计算精度误差的定位数据包括功率字、首次定位时间和频综。

优选的，机器学习类型的定位数据包括钟差和位置精度强弱度。

优选的，在S60中，利用卷积神经网络算法获取当前定位数据的聚类结果包括：

S61、将当前定位数据转换为图像作为测试集；

S62、将历史机器学习类型的定位数据转换为图像作为训练集，并生成训练好的神经网络模型；

S63、将测试集导入训练好的神经网络模型进行学习，以获取当前定位数据的聚类结果。

优选的，在将测试集导入训练好的神经网络模型进行学习之后，所述方法还包括：对经过学习后的测试集进行交叉验证，以获取当前定位数据的聚类结果。

优选的，在S40中，根据第一比较结果确定当前定位数据是否满足预设要求包括：

S41、在当前定位数据的均方根误差小于或等于精度误差阈值的情况下，确定当前定位数据满足预设要求；

S42、在当前定位数据的均方根误差大于精度误差阈值的情况下，确定当前定位数据不满足预设要求。

优选的，在S50中，根据第二比较结果确定当前定位数据是否满足预设要求包括：

S51、在当前定位数据小于或等于数据阈值的情况下，确定当前定位数据满足预设要求；

S52、在当前定位数据大于数据阈值的情况下，确定当前定位数据不满足预设要求。

根据本发明的又一方面，提供了一种计算机设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，所述处理器执行所述计算机程序时实现上述任一所述方法。

应用本发明的技术方案，采用三种判读方法对定位数据包中的定位数据进行自动判读，全面覆盖需要判读的数据，便于发现数据的细微变化，且实现了判读自动化以及动态判读，减少了人员精力。与传统的人工判读方法相比，本发明具有智能化、可靠性高、效率高等优点，能够在一定程度上减轻人员精力，提高试验保障能力。

附图说明

所包括的附图用来提供对本发明实施例的进一步的理解，其构成了说明书的一部分，用于例示本发明的实施例，并与文字描述一起来阐释本发明的原理。显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。

图1示出了根据本发明的一种实施例提供的基于机器学习的卫星导航自动判读方法的流程图；

图2示出了根据本发明的一种实施例提供的基于机器学习的卫星导航自动判读装置的结构框图。

具体实施方式

需要说明的是，在不冲突的情况下，本申请中的实施例及实施例中的特征可以相互组合。下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。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，决不作为对本发明及其应用或使用的任何限制。基于本发明中的实施例，本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。

需要注意的是，这里所使用的术语仅是为了描述具体实施方式，而非意图限制根据本申请的示例性实施方式。如在这里所使用的，除非上下文另外明确指出，否则单数形式也意图包括复数形式，此外，还应当理解的是，当在本说明书中使用术语“包含”和/或“包括”时，其指明存在特征、步骤、操作、器件、组件和/或它们的组合。

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发明的范围。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。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授权说明书的一部分。在这里示出和讨论的所有示例中，任何具体值应被解释为仅仅是示例性的，而不是作为限制。因此，示例性实施例的其它示例可以具有不同的值。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。

如图1所示，本发明提供了一种基于机器学习的卫星导航自动判读方法，所述方法包括：

本发明采用三种判读方法对定位数据包中的定位数据进行自动判读，全面覆盖需要判读的数据，便于发现数据的细微变化，且实现了判读自动化以及动态判读，减少了人员精力。与传统的人工判读方法相比，本发明具有智能化、可靠性高、效率高等优点，能够在一定程度上减轻人员精力，提高试验保障能力。

根据本发明的一种实施例，阈值判读类型中需要计算精度误差的定位数据包括速度信息和位置信息；阈值判读类型中不需要计算精度误差的定位数据包括功率字、首次定位时间和频综；机器学习类型的定位数据包括钟差和位置精度强弱度。

根据本发明的一种实施例，在S40中，计算当前定位数据的均方根误差包括：

根据当前定位数据与基准值得到当前定位数据的均值和标准差；

根据当前定位数据的均值和标准差得到当前定位数据的均方根误差。

其中，通过下式得到当前定位数据的均值：

通过下式得到当前定位数据的标准差：

通过下式得到当前定位数据的均方根误差：

式中，μ为当前定位数据的均值，n为当前定位数据的数量，Δ_i为当前定位数据与基准值的差值，σ为当前定位数据的标准差，RMS为当前定位数据的均方根误差。

在本实施例中，当前定位数据为经度、纬度、高度、东速、北速或垂速，基准值为经度、纬度、高度、东速、北速或垂速各自对应的基准值。

根据本发明的一种实施例，在S40中，根据第一比较结果确定当前定位数据是否满足预设要求包括：

根据本发明的一种实施例，在S50中，根据第二比较结果确定当前定位数据是否满足预设要求包括：

根据本发明的一种实施例，在S60中，利用卷积神经网络算法获取当前定位数据的聚类结果包括：

S61、将当前定位数据转换为图像作为测试集；

其中，卷积神经网络是一种前馈神经网络，由具有可学习的权重和偏置常量的神经元组成，用于不易用阈值判读的字段的自动判读。

在本发明中，通过分析数据间的细微联系建立神经网络模型，从而实现对卫星导航中无法用阈值判读的数据进行判读，解决了数据误判、漏判的问题，从而达到提高科研生产的测试效率，降低对设计人员的依赖的目的。

根据本发明的一种实施例，在将测试集导入训练好的神经网络模型进行学习之后，所述方法还包括：对经过学习后的测试集进行交叉验证，以获取当前定位数据的聚类结果，进一步提高数据判读的精度。

如图2所示，是基于本发明的方法设计的判读装置，该装置包括判读规则管理模块、定位数据自动判读模块和判读结果存储模块。判读规则管理模块用于通过管理上位机配置判读规则，加载并解析自动判读所需要的判读规则，该判读规则管理主要功能包括判读规则在线编辑、规则检查、规则查询、规则的导入与导出等，支持用户对判读规则进行在线便捷的修改。定位数据自动判读模块用于根据判读规则对卫星导航的定位数据进行不同判读，并将判读结果发送给判读结果存储模块进行存储以及发送给上位机界面进行实时显示。判读结果存储模块用于存储判读结果，还用于为定位数据自动判读模块提供历史数据判读记录。

为了便于描述，在这里可以使用空间相对术语，如“在……之上”、“在……上方”、“在……上表面”、“上面的”等，用来描述如在图中所示的一个器件或特征与其他器件或特征的空间位置关系。应当理解的是，空间相对术语旨在包含除了器件在图中所描述的方位之外的在使用或操作中的不同方位。例如，如果附图中的器件被倒置，则描述为“在其他器件或构造上方”或“在其他器件或构造之上”的器件之后将被定位为“在其他器件或构造下方”或“在其他器件或构造之下”。因而，示例性术语“在……上方”可以包括“在……上方”和“在……下方”两种方位。该器件也可以其他不同方式定位(旋转90度或处于其他方位)，并且对这里所使用的空间相对描述作出相应解释。

此外，需要说明的是，使用“第一”、“第二”等词语来限定零部件，仅仅是为了便于对相应零部件进行区别，如没有另行声明，上述词语并没有特殊含义，因此不能理解为对本发明保护范围的限制。

以上所述仅为本发明的优选实施例而已，并不用于限制本发明，对于本领域的技术人员来说，本发明可以有各种更改和变化。凡在本发明的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。

Claims

1.一种基于机器学习的卫星导航自动判读方法，其特征在于，所述方法包括：

2.根据权利要求1所述的方法，其特征在于，阈值判读类型中需要计算精度误差的定位数据包括速度信息和位置信息。

3.根据权利要求2所述的方法，其特征在于，阈值判读类型中不需要计算精度误差的定位数据包括功率字、首次定位时间和频综。

4.根据权利要求3所述的方法，其特征在于，机器学习类型的定位数据包括钟差和位置精度强弱度。

5.根据权利要求4所述的方法，其特征在于，在S60中，利用卷积神经网络算法获取当前定位数据的聚类结果包括：

S61、将当前定位数据转换为图像作为测试集；

6.根据权利要求4所述的方法，其特征在于，在将测试集导入训练好的神经网络模型进行学习之后，所述方法还包括：对经过学习后的测试集进行交叉验证，以获取当前定位数据的聚类结果。

7.根据权利要求4所述的方法，其特征在于，在S40中，根据第一比较结果确定当前定位数据是否满足预设要求包括：

8.根据权利要求4所述的方法，其特征在于，在S50中，根据第二比较结果确定当前定位数据是否满足预设要求包括：

9.一种计算机设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，其特征在于，所述处理器执行所述计算机程序时实现权利要求1至8任一所述方法。