CN114444377A - 一种基于梯度提升机的多地面测距仪选站方法 - Google Patents

一种基于梯度提升机的多地面测距仪选站方法 Download PDF

Info

Publication number
CN114444377A
CN114444377A CN202111594416.7A CN202111594416A CN114444377A CN 114444377 A CN114444377 A CN 114444377A CN 202111594416 A CN202111594416 A CN 202111594416A CN 114444377 A CN114444377 A CN 114444377A
Authority
CN
China
Prior art keywords
dme
ground distance
subset
integrity
list1
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.)
Granted
Application number
CN202111594416.7A
Other languages
English (en)
Other versions
CN114444377B (zh
Inventor
梁宵
申宇瑶
谢国君
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.)
Beijing Institute of Technology BIT
Original Assignee
Beijing Institute of Technology BIT
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 Beijing Institute of Technology BIT filed Critical Beijing Institute of Technology BIT
Priority to CN202111594416.7A priority Critical patent/CN114444377B/zh
Publication of CN114444377A publication Critical patent/CN114444377A/zh
Application granted granted Critical
Publication of CN114444377B publication Critical patent/CN114444377B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F30/00—Computer-aided design [CAD]
    • G06F30/20—Design optimisation, verification or simulation
    • G06F30/27—Design optimisation, verification or simulation using machine learning, e.g. artificial intelligence, neural networks, support vector machines [SVM] or training a model
    • 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
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
    • G06F17/10—Complex mathematical operations
    • G06F17/16—Matrix or vector computation, e.g. matrix-matrix or matrix-vector multiplication, matrix factorization
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
    • G06F17/10—Complex mathematical operations
    • G06F17/18—Complex mathematical operations for evaluating statistical data, e.g. average values, frequency distributions, probability functions, regression analysis
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N20/00—Machine learning
    • G06N20/20—Ensemble learning
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N5/00—Computing arrangements using knowledge-based models
    • G06N5/01—Dynamic search techniques; Heuristics; Dynamic trees; Branch-and-bound
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F2111/00—Details relating to CAD techniques
    • G06F2111/06—Multi-objective optimisation, e.g. Pareto optimisation using simulated annealing [SA], ant colony algorithms or genetic algorithms [GA]

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Data Mining & Analysis (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • General Engineering & Computer Science (AREA)
  • Pure & Applied Mathematics (AREA)
  • Mathematical Optimization (AREA)
  • Evolutionary Computation (AREA)
  • Computational Mathematics (AREA)
  • Mathematical Analysis (AREA)
  • Radar, Positioning & Navigation (AREA)
  • Remote Sensing (AREA)
  • Computing Systems (AREA)
  • Artificial Intelligence (AREA)
  • Medical Informatics (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Databases & Information Systems (AREA)
  • Algebra (AREA)
  • Computer Networks & Wireless Communication (AREA)
  • Operations Research (AREA)
  • Probability & Statistics with Applications (AREA)
  • Evolutionary Biology (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Computational Linguistics (AREA)
  • Computer Hardware Design (AREA)
  • Geometry (AREA)
  • Position Fixing By Use Of Radio Waves (AREA)

Abstract

本发明公开了一种基于梯度提升机的多地面测距仪选站方法，涉及航空测控通信技术领域，能够通过有效的特征提取，采用梯度提升机GBM的机器学习方法，考虑导航性能，实现了快速有效的选出定位精度和完好性都满足要求的地面测距仪。本发明的技术方案包括预处理部分和实时处理部分；通过对飞行数据的特征提取，采用梯度提升机的方法进行建模，从而用训练好的模型实时处理飞行数据。在保证DME接收机跟踪能力、实时性，定位DME数目的灵活选取和导航性能的同时尽量减少了DME信号对GNSS信号的干扰。

Description

一种基于梯度提升机的多地面测距仪选站方法
技术领域
本发明涉及航空测控通信技术领域，具体涉及一种基于梯度提升机的多地面测距仪选站方法。
背景技术
随着GNSS多频多模的逐步建设和完善，GNSS作为航空航天导航的主要方式广泛应用于航空测控通信领域，提供高精度、高完好性的服务。但是GNSS的信号强度较低，容易受到干扰，需要在GNSS不可用的时候提供替代性导航定位授时(A-PNT)服务。A-PNT用于提供所需导航性能(RNP)服务，要求在中短期内可以满足RNP 1的性能要求，长期可以达到RNP0.3的性能要求。
由于已有的地面测距仪(DME)建设相对完善，DME导航可以成为实现A-PNT的一个主要方法。飞机通常会有两个多频段的DME接收机，能够同时跟踪6到10个不同的DME信号。但是在一些区域会有多于20个可见的DME，超过了飞机对DME信号的接收能力。所以需要进行选站，从可见的DME中选择出最优的DME组合。大多数的选站方法都是选择固定数量的可见测距仪，尽可能得到较小的几何精度因子，从而得到较小的定位精度。但是这些方法没有考虑到用户对导航性能的要求，同时都要求提前预设选择的DME数量。
在民用信号中，GPS L5和Galileo E5a的信号播发频点在1176.45MHz左右，其所在频段是受干扰比较严重的频段，尤其是被DME系统的信号干扰。DME系统的信号频率在960-1215MHz，位于分配给GNSS E5a/L5的频段内。同时DME采用询问－应答的方式工作，通过发送和接收功率强的脉冲对进行测距。强功率信号对GNSS信号的干扰会进一步增加。所以在多DME选站的时候还要尽量减小由于干扰造成的GNSS信号载噪比衰减。
因此目前已有的选站方案无法通过灵活数量的DME快速准确地选出定位精度和完好性都满足要求的地面测距仪。
发明内容
有鉴于此，本发明提供了一种基于梯度提升机的多地面测距仪选站方法，能够通过有效的特征提取，采用梯度提升机GBM的机器学习方法，考虑导航性能，实现了快速有效的选出定位精度和完好性都满足要求的地面测距仪集合，同时尽可能地减少对GNSS信号信噪比造成的衰减。
为达到上述目的，本发明的技术方案为：一种基于梯度提升机的多测距仪选站方法，其特征在于，包括预处理部分和实时处理部分；所述预处理部分包括如下步骤：
S1：根据已知的地面测距仪DME频率和位置等信息，对飞机的4维飞行轨迹进行预处理，得到飞机在飞行中每个时刻的特征信息。
S2：计算每个时刻所有包含地面测距仪DME数目大于等于4的子集分别参与定位的定位精度和完好性。
S3：若存在至少一个子集的定位精度和完好性满足RNP 1的要求，则在满足要求子集中选中对全球导航卫星系统GNSS造成衰减最小的子集，所选中子集中的地面测距仪DME标记为1，其余的可见地面测距仪DME标记为0。
若没有子集的定位精度和完好性满足RNP 1的要求，则在所有子集中选择完好性最小的子集，所选择子集中的DME标记为1，其余的可见DME标记为0。
S4：将100-200个时刻的可见地面测距仪DME的特征信息和标记作为输入，进行剃度直升机GBM计算，可以得到训练好的多目标最优选站模型。
其中实时处理部分包括如下步骤：
SS1：得到当前飞机数据的特征信息；
SS2：用训练好的多目标最优选站模型回归得到每个可见地面测距仪DME的权重。
将权重大于等于0.8的地面测距仪DME存入列表list1；
将权重小于等于0.2的地面测距仪DME存入列表list3；
将权重在0.2到0.8之间的地面测距仪DME存入列表list2。
SS3：若列表list1中的地面测距仪DME个数大于等于4且飞机基于该列表list1对应子集的定位精度和完好性满足RNP1的要求，则该列表list1对应子集就是最后选站的最优子集。
若列表list1中的子集不满足RNP1的要求，则跳转到步骤A。
所述步骤A包括如下步骤：
A1：若列表list1中地面测距仪DME个数为N，N小于4，则需要从列表list2中按照权重从大到小选取前N-4个地面测距仪DME补充到列表list1中。
A2：若列表list1中地面测距仪DME个数N大于等于4，则需要在列表list2中找到权重最大的地面测距仪DME补充到列表list1中。
A3：用列表list1中的地面测距仪DME进行定位，得到定位精度和完好性；
A4：判断列表list1中的地面测距仪DME的定位精度和完好性是否满足RNP1的要求；若满足，当前列表list1对应子集就是最后选站的最优子集；否则重复A2～A4，直到用列表list1中的地面测距仪DME进行定位，得到的定位精度和完好性满足RNP 1的要求；若直到列表list2清0，用列表list1中的地面测距仪DME进行定位得到的定位精度和完好性依旧不满足RNP 1的要求，则选择所有结果中完好性最小的对应子集作为最优子集。
进一步地，飞机在飞行中每个时刻的特征信息包括五种类型：时间特征、可见性特征、几何特征、性能特征以及干扰特征。
进一步地，每种类型包括如下特征：
a.时间特征：即时间标志，用于描述飞机的飞行时刻；
b.可见性特征：即可见的地面测距仪个数，用于描述当前时刻可见的地面测距仪DME个数；
c.几何特征：包括水平距离、仰角、方位角以及水平精度因子；其中所述水平距离用于描述飞机和地面测距仪DME之间的水平距离；所述仰角用于描述飞机的仰角；所述方位角用于描述飞机的方位角；所述水平精度因子用于描述当前时刻所有DME的水平精度因子；
d.性能特征：即为性能因子，表示定位精度和完好性性能；
e.干扰特征：包括等效全向辐射功率EIRP、距离和频率；所述等效全向辐射功率EIRP，用于描述天线在指定方向上的辐射频率；所述距离用于描述飞机和地面测距仪DME之间的距离；所述频率用于描述地面测距仪DME的信号频率。
进一步地，几何特征按照如下方式计算：
水平距离，仰角和方向角都通过飞机接收机和地面测距仪DME之间的几何分布得到；
所述水平精度因子采用如下方法计算：
DME定位的观测公式是：
z＝Hx+ε (1)
其中，z为测量向量，
Figure BDA0003430634470000041
zi是剩余斜距测量值，H为观测矩阵，
Figure BDA0003430634470000051
是观测向量，它的坐标是以真实用户位置为原点的ENU坐标系为基准的，ni,ei,ui分别是北、东、天方向上的单位矢量，i＝1…m；x是3×1用户位置向量；ε是测量误差向量；m是用户的可见地面测距仪DME的数量；
根据公式(1)，用户位置向量的最小二乘估计为
Figure BDA0003430634470000052
Figure BDA0003430634470000053
最小二乘估计的协方差矩阵是Q：
Figure BDA0003430634470000054
其中，σDME是地面测距仪DME测量噪声；
h11，h22，h33代表协方差矩阵的对角线元素
则当前时刻地面测距仪DME子集的水平精度因子HDOP表示为
Figure BDA0003430634470000055
进一步地，性能特征，性能因子为
Figure BDA0003430634470000056
其中
Figure BDA0003430634470000057
是一个由H*在某个方向上的向量组成的m×1向量；H*＝(HTH)-1HT是一个3×1列向量，用来提取x中某个方向的元素,edx＝[1 0 0]T；Ai是只有一个指示具体DME的那个元素非零的列向量，Ai＝(0,…1,…0)T；S＝I-HH*，I为单位矩阵。
进一步地，干扰特征中，从DME的信息中应该提取频率，EIRP和飞机接收机到DME的距离作为表征干扰的特征。
有益效果：
本发明提供了多测距仪的选站方法。通过对飞行数据的特征提取，采用梯度提升机的方法进行建模，从而用训练好的模型实时处理飞行数据。在保证DME接收机跟踪能力、实时性，定位DME数目的灵活选取和导航性能的同时尽量减少了DME信号对GNSS信号的干扰。
附图说明
图1：多测距仪选站方法的流程图；
图2：多测距仪选站方法的步骤A流程图。
具体实施方式
下面结合附图并举实施例，对本发明进行详细描述。
本发明提供了一种多地面测距仪的选站方法。如图1所示，根据本发明实施例的多DME选站算法分为两个部分，其中预处理部分包括如下步骤：
S1：根据已知的DME频率和位置等信息，对飞机的4维飞行轨迹进行预处理，得到飞机飞行中每个时刻的特征信息(表1罗列的特征)；
S2：计算每个时刻所有包含DME数目大于等于4的子集分别参与定位的飞机精度和完好性；
S3：若部分子集的定位精度和完好性满足RNP 1的要求，则在这部分子集中选择对GNSS信号载噪比造成衰减最小的子集，该子集中的DME标记为1，其余的可见DME标记为0；其中RNP 1的精度要求是在95％的飞行时间内，航空器位置必须满足标称航迹位置1海里以内的精度值要求；RNP 1的完好性要求是在95％的飞行时间内，航空器位置必须满足标称航迹位置2海里以内的精度值要求。
若没有子集的定位精度和完好性满足RNP 1的要求，则在所有子集中选择完好性最小的子集，该子集中的DME标记为1，其余的可见DME标记为0；
S4：将100-200个时刻的可见DME的特征信息和标记作为输入，进行GBM计算(梯度提升机计算是现有的机器学习算法)，可以得到训练好的多目标最优选站模型。
根据训练好的模型，可以在实时的飞行中快速有效地选择合适的DME子集进行导航定位。其中实时处理部分包括如下步骤：
SS1：得到当前飞机数据的特征信息；
SS2：用训练好的模型回归得到每个可见DME的权重(预处理中直接标记为1和0，)；
SS3：若DME的权重大于等于0.8，则认为该DME一定会在最优的子集中，将该站存入列表1；
若DME的权重小于等于0.2，则认为该DME一定不会在最优的子集中，将该站存入列表3；
剩余的DME，权重在0.2到0.8之间，将这些DME存入列表2；
若列表1中的DME个数大于等于4且飞机基于该子集的定位精度和完好性满足RNP1的要求，则该子集就是最后选站的最优子集；
若列表1中的子集不满足要求，则跳转到步骤A。
根据本发明的一个实施例，步骤A包括如下步骤：
A1：若列表1中DME个数为N，N小于4，则需要从列表2中找到权重较大的N-4个DME补充到列表1中；
A2：若列表1中DME个数N大于等于4，则需要在列表2中找到权重最大的DME补充到列表1中；
A3：用列表1中的DME进行定位，得到定位精度和完好性；
A4：判断精度和完好性是否满足RNP 1的要求；
A5：若精度和完好性满足RNP 1的要求，则该子集就是最后选站的最优子集；
A6：若列表1中当前的子集不满足要求，则需要重复步骤A2到A4，直到用列表1中的DME进行定位，得到的定位精度和完好性满足RNP 1的要求。
A7：若直到列表2清0，用列表1中的DME进行定位得到的定位精度和完好性依旧不满足RNP 1的要求，则选择所有结果中完好性最小的对应子集作为最优子集。
特征的提取
在用GBM对数据进行训练的时候，需要将数据的特征提取出来。所需要的特征如表1。
表1特征描述
Figure BDA0003430634470000081
Figure BDA0003430634470000091
几何特征
DME定位的观测公式是：
z＝Hx+ε (1)
Figure BDA0003430634470000092
其中，
zi(i＝1…m)是剩余斜距测量值,
Figure BDA0003430634470000093
是观测矩阵，它的坐标是以真实用户位置为原点的ENU坐标系为基准的，ni,ei,ui分别是北、东、天方向上的单位矢量，x是3×1用户位置向量，ε是测量误差向量，m是用户的可见DME数量。
根据公式(1)，用户位置向量的最小二乘估计可以表示为：
Figure BDA0003430634470000094
最小二乘估计的协方差矩阵是：
Figure BDA0003430634470000095
其中，σDME是DME测量噪声。
协方差矩阵的每个对角元素都对应着一个北、东、天方向上的定位误差分量，即
Figure BDA0003430634470000096
和
Figure BDA0003430634470000097
Figure BDA0003430634470000098
其中，hii(i＝1,2,3)代表了协方差矩阵的对角线元素。
当前时刻DME子集的水平精度因子HDOP表示为
Figure BDA0003430634470000099
水平距离，仰角和方向角都可以通过飞机接收机和DME之间的几何分布得到。
性能特征
在评价A-PNT的性能时，需要考虑在RNP要求下的精度和完好性。RNP 1要求空域中运行的飞机，至少95％的沿航迹位置的总系统误差(TSE)小于1海里。TSE符合高斯分布。它的标准差等于导航系统误差(NSE)，飞行技术误差(FTE)和航径定义误差(PDE)的方差之和的均方根。
Figure BDA0003430634470000101
其中NSE是导航定位系统的定位误差，可以用水平定位精度表示。将对应第i个DME的行的数值设为0，可以计算每个DME对于整体精度的贡献。每个DME的观测矩阵可以表示为：
Figure BDA0003430634470000102
其中Ai是只有一个指示具体DME的那个元素非零的列向量，Ai＝(0,…1,…0)T。
根据公式(3),观测方程去掉第i个DME后，用户位置向量的最小二乘估计表示为
Figure BDA0003430634470000103
δ是
Figure BDA0003430634470000104
在某个方向上的标准差，被表示为：
Figure BDA0003430634470000105
其中ed是一个3×1列向量，用来提取x中某个方向的元素,edx＝[1 0 0]T,edy＝[01 0]T。
HTH与
Figure BDA0003430634470000106
的关系可以表示为：
Figure BDA0003430634470000107
Figure BDA0003430634470000108
可以写成：
Figure BDA0003430634470000109
其中H*＝(HTH)-1HT,S＝I-HH*，I为单位矩阵。
δ是具体DME对于所有可见DME整体精度的贡献，被定义为精度性能因子，可以表示为：
Figure BDA0003430634470000111
其中
Figure BDA0003430634470000112
是一个由H*在某个方向上的向量组成的m×1向量。
完好性性能因子用完好性斜率表示。在无故障假设(i＝0)和有故障假设(i≠0)下的完好性斜率表示为：
Figure BDA0003430634470000113
根据公式(10)和公式(11)，可以发现精度性能因子和完好性性能因子是一样的，所以
Figure BDA0003430634470000114
作为性能因子可以用来表征完好性和精度。
干扰特征
射频干扰对GNSS接收机的影响在民航领域通常用C/N0衰减或者有效N0的增量N0,eff表示。有效N0在输出端对临时消音器的影响如下：
Figure BDA0003430634470000115
其中N0是噪音功率谱密度，I0,WB是所有宽带(非脉冲)连续RFI的贡献(通常是落在L5/E5a频段的其他GNSS信号)，bdc是消隐占空比，RI是低于消音器的干扰信号与热噪声比。RI表示为：
Figure BDA0003430634470000116
其中，Ppeak,i第i个DME信号的峰值接收功率，BW是预相关器中频(IF)带宽,dci是不包括脉冲冲突的第i个低电平信号的占空比。
GNSS航空接收机输入端接收到的功率因自由空间损耗和GNSS接收机天线增益而衰减：
Figure BDA0003430634470000121
其中，Ltransmission,i是传输损耗，Gri是接收机的天线增益,Lfree space loss,i是自由空间损失,Ldiffraction,i是衍射损耗,λi是波长,di是飞机接收机和DME之间的距离。
占空比定义为脉冲宽度(PW)和脉冲重复频率(PRF)的乘积：
dci＝PWi×PRFi (15)
PWeq通常取2.64μs，PRF为2700pp/s。
消隐器的总平均激活时间bdc由峰值功率高于消隐阈值的所有脉冲决定：
Figure BDA0003430634470000122
其中Tblanker是一个单一强脉冲的消隐器激活时间，存在不同的可能碰撞场景。
从DME的信息中应该提取频率，EIRP和飞机接收机到DME的距离作为表征干扰的特征。
综上所述，以上仅为本发明的较佳实施例而已，并非用于限定本发明的保护范围。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 (6)

1.一种基于梯度提升机的多测距仪选站方法，其特征在于，包括预处理部分和实时处理部分；所述预处理部分包括如下步骤：
S1：根据已知的地面测距仪DME频率和位置等信息，对飞机的4维飞行轨迹进行预处理，得到飞机在飞行中每个时刻的特征信息；
S2：计算每个时刻所有包含地面测距仪DME数目大于等于4的子集分别参与定位的定位精度和完好性；
S3：若存在至少一个子集的定位精度和完好性满足RNP 1的要求，则在满足要求子集中选中对全球导航卫星系统GNSS信号载噪比造成衰减最小的子集，所选中子集中的地面测距仪DME标记为1，其余的可见地面测距仪DME标记为0；
若没有子集的定位精度和完好性满足RNP 1的要求，则在所有子集中选择完好性最小的子集，所选择子集中的DME标记为1，其余的可见DME标记为0；
S4：将100-200个时刻的可见地面测距仪DME的特征信息和标记作为输入，进行剃度直升机GBM计算，可以得到训练好的多目标最优选站模型；
其中实时处理部分包括如下步骤：
SS1：得到当前飞机数据的特征信息；
SS2：用训练好的多目标最优选站模型回归得到每个可见地面测距仪DME的权重；
将权重大于等于0.8的地面测距仪DME存入列表list1；
将权重小于等于0.2的地面测距仪DME存入列表list3；
将权重在0.2到0.8之间的地面测距仪DME存入列表list2；
SS3：若列表list1中的地面测距仪DME个数大于等于4且飞机基于该列表list1对应子集的定位精度和完好性满足RNP1的要求，则该列表list1对应子集就是最后选站的最优子集；
若列表list1中的子集不满足RNP1的要求，则跳转到步骤A；
所述步骤A包括如下步骤：
A1：若列表list1中地面测距仪DME个数为N，N小于4，则需要从列表list2中按照权重从大到小选取前N-4个地面测距仪DME补充到列表list1中；
A2：若列表list1中地面测距仪DME个数N大于等于4，则需要在列表list2中找到权重最大的地面测距仪DME补充到列表list1中；
A3：用列表list1中的地面测距仪DME进行定位，得到定位精度和完好性；
A4：判断列表list1中的地面测距仪DME的定位精度和完好性是否满足RNP1的要求；若满足，当前列表list1对应子集就是最后选站的最优子集；否则重复A2～A4，直到用列表list1中的地面测距仪DME进行定位，得到的定位精度和完好性满足RNP 1的要求；若直到列表list2清0，用列表list1中的地面测距仪DME进行定位得到的定位精度和完好性依旧不满足RNP 1的要求，则选择所有结果中完好性最小的对应子集作为最优子集。
2.如权利要求1所述的方法，其特征在于，所述飞机在飞行中每个时刻的特征信息包括五种类型：时间特征、可见性特征、几何特征、性能特征以及干扰特征。
3.如权利要求2所述的方法，其特征在于，每种类型包括如下特征：
a.时间特征：即时间标志，用于描述飞机的飞行时刻；
b.可见性特征：即可见的地面测距仪个数，用于描述当前时刻可见的地面测距仪DME个数；
c.几何特征：包括水平距离、仰角、方位角以及水平精度因子HDOP；其中所述水平距离用于描述飞机和地面测距仪DME之间的水平距离；所述仰角用于描述飞机的仰角；所述方位角用于描述飞机的方位角；所述水平精度因子用于描述当前时刻所有DME的水平精度因子；
d.性能特征：即为性能因子，表示定位精度和完好性性能；
e.干扰特征：包括等效全向辐射功率EIRP、距离和频率；所述等效全向辐射功率EIRP，用于描述天线在指定方向上的辐射频率；所述距离用于描述飞机和地面测距仪DME之间的距离；所述频率用于描述地面测距仪DME的信号频率。
4.如权利要求3所述的方法，其特征在于，所述几何特征按照如下方式计算：
水平距离，仰角和方向角都通过飞机接收机和地面测距仪DME之间的几何分布得到；
所述水平精度因子HDOP采用如下方法计算：
DME定位的观测公式是：
z＝Hx+ε (1)
其中，z为测量向量，
Figure FDA0003430634460000031
zi是剩余斜距测量值，H为观测矩阵，
Figure FDA0003430634460000032
是观测向量，它的坐标是以真实用户位置为原点的ENU坐标系为基准的，ni，ei，ui分别是北、东、天方向上的单位矢量，i＝1…m；x是3×1用户位置向量；ε是测量误差向量；m是用户的可见地面测距仪DME的数量；
根据公式(1)，用户位置向量的最小二乘估计为
Figure FDA0003430634460000033
Figure FDA0003430634460000034
最小二乘估计的协方差矩阵是Q：
Figure FDA0003430634460000041
其中，σDME是地面测距仪DME测量噪声；
h11，h22，h33代表协方差矩阵的对角线元素
则当前时刻地面测距仪DME子集的水平精度因子HDOP表示为
Figure FDA0003430634460000042
5.如权利要求4所述的方法，其特征在于，所述性能特征，性能因子为
Figure FDA0003430634460000043
其中
Figure FDA0003430634460000044
是一个由H*在某个方向上的向量组成的m×1向量；H*＝(HTH)-1HT是一个3×1列向量，用来提取x中某个方向的元素，edx＝[1 0 0]T；Ai是只有一个指示具体DME的那个元素非零的列向量，Ai＝(0，…1，…0)T；S＝I-HH*，I为单位矩阵。
6.如权利要求5所述的方法，其特征在于，所述干扰特征中，从DME的信息中应该提取频率，EIRP和飞机接收机到DME的距离作为表征干扰的特征。
CN202111594416.7A 2021-12-24 2021-12-24 一种基于梯度提升机的多地面测距仪选站方法 Active CN114444377B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202111594416.7A CN114444377B (zh) 2021-12-24 2021-12-24 一种基于梯度提升机的多地面测距仪选站方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202111594416.7A CN114444377B (zh) 2021-12-24 2021-12-24 一种基于梯度提升机的多地面测距仪选站方法

Publications (2)

Publication Number Publication Date
CN114444377A true CN114444377A (zh) 2022-05-06
CN114444377B CN114444377B (zh) 2024-06-21

Family

ID=81363224

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202111594416.7A Active CN114444377B (zh) 2021-12-24 2021-12-24 一种基于梯度提升机的多地面测距仪选站方法

Country Status (1)

Country Link
CN (1) CN114444377B (zh)

Citations (11)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
RU2010142918A (ru) * 2008-03-20 2012-04-27 Телеспацио С.П.А. (It) Улучшение оценки положения для приемного устройства глобальной навигационной спутниковой системы
US20130342393A1 (en) * 2012-06-20 2013-12-26 Topcon Positioning Systems, Inc. Selection of a Subset of Global Navigation Satellite System Measurements Based on Relation between Shifts in Target Parameters and Sum of Residuals
CN103997746A (zh) * 2014-04-16 2014-08-20 南京华苏科技有限公司 一种无线基站规划勘测选址的方法
CN107229061A (zh) * 2017-07-18 2017-10-03 武汉大学 一种基于低轨卫星的星地差分实时精密定位方法
WO2018149076A1 (zh) * 2017-02-15 2018-08-23 深圳思凯微电子有限公司 辅助导航定位方法及系统
CN108572379A (zh) * 2018-04-27 2018-09-25 陈亮 基于无人机的通信基站选址勘察系统及其方法
CN109633718A (zh) * 2018-12-12 2019-04-16 上海无线电设备研究所 一种归一化加权最小二乘导航定位方法
US10422882B1 (en) * 2018-11-01 2019-09-24 Beihang University ARAIM subset selection method and system based on BeiDou constellation
US20210011149A1 (en) * 2019-05-21 2021-01-14 Central South University InSAR and GNSS weighting method for three-dimensional surface deformation estimation
CN113657671A (zh) * 2021-08-18 2021-11-16 北京航空航天大学 一种基于集成学习的航班延误预测方法
CN113703022A (zh) * 2021-08-26 2021-11-26 杭州北斗时空研究院 一种卫星接收机自适应ckf算法实现ins辅助gnss导航定位方法

Patent Citations (11)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
RU2010142918A (ru) * 2008-03-20 2012-04-27 Телеспацио С.П.А. (It) Улучшение оценки положения для приемного устройства глобальной навигационной спутниковой системы
US20130342393A1 (en) * 2012-06-20 2013-12-26 Topcon Positioning Systems, Inc. Selection of a Subset of Global Navigation Satellite System Measurements Based on Relation between Shifts in Target Parameters and Sum of Residuals
CN103997746A (zh) * 2014-04-16 2014-08-20 南京华苏科技有限公司 一种无线基站规划勘测选址的方法
WO2018149076A1 (zh) * 2017-02-15 2018-08-23 深圳思凯微电子有限公司 辅助导航定位方法及系统
CN107229061A (zh) * 2017-07-18 2017-10-03 武汉大学 一种基于低轨卫星的星地差分实时精密定位方法
CN108572379A (zh) * 2018-04-27 2018-09-25 陈亮 基于无人机的通信基站选址勘察系统及其方法
US10422882B1 (en) * 2018-11-01 2019-09-24 Beihang University ARAIM subset selection method and system based on BeiDou constellation
CN109633718A (zh) * 2018-12-12 2019-04-16 上海无线电设备研究所 一种归一化加权最小二乘导航定位方法
US20210011149A1 (en) * 2019-05-21 2021-01-14 Central South University InSAR and GNSS weighting method for three-dimensional surface deformation estimation
CN113657671A (zh) * 2021-08-18 2021-11-16 北京航空航天大学 一种基于集成学习的航班延误预测方法
CN113703022A (zh) * 2021-08-26 2021-11-26 杭州北斗时空研究院 一种卫星接收机自适应ckf算法实现ins辅助gnss导航定位方法

Also Published As

Publication number Publication date
CN114444377B (zh) 2024-06-21

Similar Documents

Publication Publication Date Title
JP5329409B2 (ja) マルチプルｇｐｓ測定タイプを加重最小二乗解へと融合するための方法
Parkinson et al. Progress in astronautics and aeronautics: Global positioning system: Theory and applications
Fu et al. TOPEX/POSEIDON mission overview
US7098846B2 (en) All-weather precision guidance and navigation system
KR101761782B1 (ko) 보호 수준 결정 시스템 및 그 방법
Morales et al. GNSS vertical dilution of precision reduction using terrestrial signals of opportunity
Sabatini et al. Differential Global Positioning System (DGPS) for Flight Testing.(Global Positioning System Différentiel (DGPS) pour les essais en vol)
RU2558699C1 (ru) Комплексный способ навигации летательных аппаратов
CN114235007A (zh) 一种apnt服务的定位和完好性监测方法及系统
RU2331901C1 (ru) Способ посадки летательных аппаратов с использованием спутниковой навигационной системы и система посадки на его основе
Furukawa et al. Satellite system test status of the dual-frequency precipitation radar on the global precipitation measurement core spacecraft
Kube et al. GNSS-based curved landing approaches with a virtual receiver
CN114444377A (zh) 一种基于梯度提升机的多地面测距仪选站方法
Hauschild et al. Precise on-board navigation of LEO satellites with GNSS broadcast ephemerides
De Angelis et al. Analysis of air traffic control systems interference impact on Galileo aeronautics receivers
Schneckenburger et al. From L-band measurements to a preliminary channel model for APNT
Christie et al. GPS signal quality monitoring system
Videmsek et al. Terrain referenced integrity monitor for an unmanned aircraft systems precision approach
Sanz-Marcos et al. Bistatic parasitic SAR processor evaluation
CN111175697A (zh) 一种无人机自定位精度评估方法和装置
EP2177929A1 (en) Navigation-satellite tracking method and receiving station
RU2744723C1 (ru) Способ определения координат короткоживущего беспилотного летательного аппарата
Dautermann et al. Enabling LPV for GLS equipped aircraft using an airborne SBAS to GBAS converter
Kube et al. Virtual receiver to enhance GNSS-based curved landing approaches
Yang et al. Location Awareness Method for ADS-B Signal Source Based on Satellite

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