CN115932913B - 一种卫星定位伪距修正方法及装置 - Google Patents
一种卫星定位伪距修正方法及装置 Download PDFInfo
- Publication number
- CN115932913B CN115932913B CN202211484779.XA CN202211484779A CN115932913B CN 115932913 B CN115932913 B CN 115932913B CN 202211484779 A CN202211484779 A CN 202211484779A CN 115932913 B CN115932913 B CN 115932913B
- Authority
- CN
- China
- Prior art keywords
- error
- positioning
- classification
- optimal
- satellite positioning
- 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
- 238000000034 method Methods 0.000 title claims abstract description 60
- 238000012937 correction Methods 0.000 title claims abstract description 32
- 238000012549 training Methods 0.000 claims abstract description 46
- 238000013145 classification model Methods 0.000 claims abstract description 29
- 238000005259 measurement Methods 0.000 claims abstract description 20
- 230000000694 effects Effects 0.000 claims abstract description 16
- 239000002245 particle Substances 0.000 claims description 48
- 230000006870 function Effects 0.000 claims description 33
- 238000011156 evaluation Methods 0.000 claims description 15
- 230000008569 process Effects 0.000 claims description 11
- 238000004422 calculation algorithm Methods 0.000 claims description 9
- 239000011159 matrix material Substances 0.000 claims description 9
- 238000012545 processing Methods 0.000 claims description 9
- 238000004590 computer program Methods 0.000 claims description 6
- 238000004364 calculation method Methods 0.000 claims description 5
- 230000003044 adaptive effect Effects 0.000 claims description 4
- 230000005251 gamma ray Effects 0.000 claims description 3
- 230000006399 behavior Effects 0.000 claims description 2
- 210000000349 chromosome Anatomy 0.000 claims description 2
- 238000002474 experimental method Methods 0.000 claims description 2
- 230000007613 environmental effect Effects 0.000 abstract description 6
- 238000001914 filtration Methods 0.000 description 16
- 238000005516 engineering process Methods 0.000 description 8
- 238000005562 fading Methods 0.000 description 5
- 238000010606 normalization Methods 0.000 description 4
- 238000005457 optimization Methods 0.000 description 4
- 238000013528 artificial neural network Methods 0.000 description 3
- 230000001413 cellular effect Effects 0.000 description 3
- 208000006440 Open Bite Diseases 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 2
- 238000011161 development Methods 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 230000004927 fusion Effects 0.000 description 2
- 230000008054 signal transmission Effects 0.000 description 2
- 238000004458 analytical method Methods 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 238000005094 computer simulation Methods 0.000 description 1
- 125000004122 cyclic group Chemical group 0.000 description 1
- 238000013501 data transformation Methods 0.000 description 1
- 230000036039 immunity Effects 0.000 description 1
- 238000004451 qualitative analysis Methods 0.000 description 1
- 238000004445 quantitative analysis Methods 0.000 description 1
- 230000004044 response Effects 0.000 description 1
- 230000035945 sensitivity Effects 0.000 description 1
- 230000007704 transition Effects 0.000 description 1
Classifications
-
- 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
- Position Fixing By Use Of Radio Waves (AREA)
Abstract
本发明公开一种卫星定位伪距修正方法及装置,通过原始量测数据以及差异性数据进行模型训练,考虑了由于环境因素产生的差异性数据对卫星定位精度的影响,使得分类模型具有较好鲁棒性并具有更准确的识别效果,在获取卫星信号进行定位结果输出时,通过获取判决阈值后,根据判决阈值以及卫星定位误差指数确定当前卫星信号对应的定位场景,并根据定位场景修正卡尔曼滤波器参数,再根据修正后的卡尔曼滤波器参数更新判决阈值,降低了在不确定性环境中实现高精度卫星定位的难度,从而能够输出精确的卫星定位结果。
Description
技术领域
本发明涉及卫星定位技术领域,特别是涉及一种卫星定位伪距修正方法及装置。
背景技术
伴随着现代科学技术的快速发展,卫星定位在一些重要领域的作用日渐显著,因此定位结果的可靠性和高效性显得格外重要。目前,提高定位精度主要采取的措施有差分技术和插值滤波技术。在差分技术领域,1985年由Blackwell提出了利用差分GPS技术消除公共误差的原理,但是存在着卫星星历误差。1994年由Edwards等人提出了一种新的载波相位差分技术,此后卫星定位技术进入全新的发展阶段。在插值滤波领域,一些学者阐述了利用插值滤波技术来估计定位误差的修正值,解决了定位精度低的难题。
根据差分GPS基准站的信息发送方式,可以将卫星差分定位技术分为位置差分、伪距差分和相位差分三类,其工作原理基本一致,不同之处在于所发送的改正数值不同,且差分定位精度也有所差异。对于卫星导航系统,最普遍的方法是伪距差分技术,该方法能够得到米级定位精度。其中使用范围最广的是卡尔曼滤波方法,该方法是一种状态最优估计方法,使用最优化估计方法对观测系统的状态进行估计,但是在处理强非线性系统时存在发散性和精度较差的问题。
现有技术中,卡尔曼滤波方法主要利用观测值来对状态值进行估计。卡尔曼滤波方法的整体框架实质上就是对先验和后验估计方法的循环操作。其方法思想是,用上一次的最优状态估计和最优误差估计计算这一次的先验状态估计和先验误差估计,再用得到的先验误差估计以及量测噪声得到卡尔曼增益,结合前面所得到的先验估计和卡尔曼增益得到本次的最优估计。
假设线性空间方程组为
xk=Ak-1xk-1+qk-1, (1)
zk=Bxk+rk, (2)
其中,xk为状态向量,其值是不可观测的;zk为观测向量,其值是可观测的;Ak-1和B分别代表空间方程的状态转移矩阵和观测矩阵;qk-1和rk分别表示均值为零的过程噪声和观测噪声,其协方差的大小分别为矩阵Qk-1和Rk。具体实现步骤如下:
1)初始化,状态在初始时刻的估计值可以表示为:
其误差协方差的大小可以表示为:
2)预测部分,状态在k时刻的一步预测值可以表示为:
结合公式(1),(2)和(3),预测值相应的误差协方差矩阵的计算公式如下:
3)更新部分,计算卡尔曼滤波增益矩阵为:
Kk=Pk|k-1BT(BPk|k-1BT+Rk)-1 (7)
计算更新后的状态在k时刻的估计值为:
计算更新后的误差协方差的大小为:
虽然卡尔曼滤波方法在处理线性模型以及弱非线性系统时有着比较理想的效果,定位精度显著提高。但是在实际应用场景中,信号传输过程中时延误差往往导致严重的非线性问题。因此,当系统具有较强的非线性或者初始误差较大时,卡尔曼滤波方法的局限性使其很难满足要求。当北斗信号受到干扰时,北斗信号接收机不能接收有效数据,无法对INS进行校正和补偿,而卡尔曼滤波方法是通过计算测量、预测估计值,以及滤波增益来进行测量更新阶段,因而,当增益计算维数很大时,误差会随时间积累而发散,所以当系统参数不准确时,影响状态估计产生较大误差,滤波增益矩阵失去准确的计算能力,使得卡尔曼滤波计算出的结果不准确,失去调控的能力。也就是说,在现代复杂的电磁环境中,传统伪距定位难以兼顾精度和抗噪性能的问题。
发明内容
本发明所要解决的技术问题是:提供一种卫星定位伪距修正方法及装置,降低了卫星在不确定性环境中实现高精度定位的难度,从而提高卫星定位系统的可靠性。
为了解决上述技术问题,本发明采用的技术方案为:
一种卫星定位伪距修正方法,包括步骤:
通过原始量测数据以及差异性数据进行模型训练,得到分类模型;
获取卫星信号;
通过所述分类模型处理所述卫星信号,生成判决阈值;
根据所述判决阈值确定定位场景,并根据所述定位场景修正滤波器参数;
根据修正后的所述滤波器参数更新所述判决阈值,并输出定位结果。
为了解决上述技术问题,本发明采用的另一技术方案为:
一种卫星定位伪距修正装置,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如上述的一种卫星定位伪距修正方法中的各个步骤。
本发明的有益效果在于:通过原始量测数据以及差异性数据进行模型训练,考虑了由于环境因素产生的差异性数据对卫星定位精度的影响,使得分类模型具有较好鲁棒性并具有更准确的识别效果,在获取卫星信号进行定位结果输出时,通过获取判决阈值后,根据判决阈值以及卫星定位误差指数确定当前卫星信号对应的定位场景,并根据定位场景修正卡尔曼滤波器参数,再根据修正后的卡尔曼滤波器参数更新判决阈值,降低了在不确定性环境中实现高精度卫星定位的难度,从而能够输出精确的卫星定位结果。
附图说明
图1为本发明实施例中的一种卫星定位伪距修正方法的框架结构图;
图2为本发明实施例中的一种卫星定位伪距修正方法的步骤流程图;
图3为本发明实施例中的一种卫星定位伪距修正方法的动态阈值判决步骤流程图;
图4为本发明实施例中的一种卫星定位伪距修正装置的结构示意图。
具体实施方式
为详细说明本发明的技术内容、所实现目的及效果,以下结合实施方式并配合附图予以说明。
请参照图2,一种卫星定位伪距修正方法,包括步骤:
通过原始量测数据以及差异性数据进行模型训练,得到分类模型;所述分类模型用于输出卫星定位误差指数;
获取卫星信号,通过所述分类模型处理所述卫星信号,得到所述卫星定位误差指数;
获取判决阈值,根据所述判决阈值以及所述卫星定位误差指数确定定位场景;
根据所述定位场景修正卡尔曼滤波器参数;
根据修正后的所述卡尔曼滤波器参数更新所述判决阈值后,输出定位结果。
由上述描述可知,本发明的有益效果在于:通过原始量测数据以及差异性数据进行模型训练,考虑了由于环境因素产生的差异性数据对卫星定位精度的影响,使得分类模型具有较好鲁棒性并具有更准确的识别效果,在获取卫星信号进行定位结果输出时,通过获取判决阈值后,根据判决阈值以及卫星定位误差指数确定当前卫星信号对应的定位场景,并根据定位场景修正卡尔曼滤波器参数,再根据修正后的卡尔曼滤波器参数更新判决阈值,降低了在不确定性环境中实现高精度卫星定位的难度,从而能够输出精确的卫星定位结果。
进一步地,所述通过原始量测数据以及差异性数据进行模型训练,得到分类模型包括:
对所述原始量测数据以及差异性数据进行归一化处理,得到数据源;
通过评价函数对所述数据源内的每一样本进行场景分类;
根据完成所述场景分类的所述数据源进行模型训练,得到分类模型。
由上述描述可知,通过对原始量测数据以及差异性数据进行归一化处理,将不同数据生成具有可比性的数据源,提高模型训练效果。
进一步地,所述评价函数包括:
其中,Di表示第i个数据源;Di0表示数据源Di的期望值;wi表示数据源Di在具体场景下的传播增益;n表示卫星定位误差指数。
由上述描述可知,通过将评价函数与卫星定位误差指数关联,且为正相关关系,评分分数随着卫星定位误差指数的增大而增大,从而能够提高评分精度,有效实现对样本的场景分类。
进一步地,所述根据完成所述场景分类的所述数据源进行模型训练,得到分类模型还包括:
对所述数据源进行无监督训练,得到分类误差;
通过有监督训练对所述分类误差进行修正;
根据修正后的所述分类误差得到所述分类模型。
由上述描述可知,基于误差指数的半监督方法,由无监督预训练与有监督微调两个部分组成,先通过无监督预训练生成分类误差,再通过有监督训练对分类误差进一步的调整,使得分类模型的拟合效果达到最佳。
进一步地,所述对所述数据源进行无监督训练包括:
Si={Di|i=1,2,…,n};
式中,μ为分类误差,Si为进行无监督训练的数据源Di的集合;表示Si所包含的数据源的预期训练值/>的集合,预期值/>是专家认定值,即专家根据用于训练的数据源的分布特点给出评估值。
由上述描述可知,通过对数据源进行无监督训练得到分类误差,能够根据分类误差对不同数据源进行有效的分类。
进一步地,所述通过有监督训练对所述分类误差进行修正包括:
式中,μA表示修正后的分类误差;μ表示分类误差;L[Si,Di]表示在某个确定状态下分类器的最优误差估计函数;γi为权重指标。
由上述描述可知,通过监督训练对分类误差进一步的调整,起到对分类误差修正的效果,从而使得分类模型的拟合效果达到最佳。
进一步地,所述根据所述定位场景修正卡尔曼滤波器参数包括:
ΔKi=α·en·Δλi,j;
Ki+1=Ki+ΔKi;
Δλi,j=λi-λj;
上式表示了卡尔曼滤波增益矩阵K的更新过程,K的更新量ΔKi由上述公式所计算得到,其中,α为指数修正因子;en表示观测卫星信号的误差估计。
由上述描述可知,由于定位场景会随着北斗接收机的实际位置不同而改变,因此,通过采用自适应滤波的方式,使得卡尔曼滤波的参数能够根据定位场景进行自适应补偿,当发生定位场景切换时自动对滤波器参数进行修正。
进一步地,所述根据修正后的所述卡尔曼滤波器参数更新所述判决阈值包括:
将修正后的所述卡尔曼滤波器参数作为粒子群算法的输入参数,计算得到最优的所述判决阈值;
根据最优的所述判决阈值确定所述定位场景以及修正所述卡尔曼滤波器参数。
由上述描述可知,通过粒子群算法对修正后的滤波器参数进行优化,从而输出最优的判决阈值,提高对场景定位的精确性。
进一步地,所述将修正后的所述卡尔曼滤波器参数作为粒子群算法的输入参数,计算得到最优的所述判决阈值包括:
d′i={d′i|d′i=max E(di)};
其中,μ'表示为影响因子;ni为滤波器输出的定位误差指数,表示第i代群体的级联定位误差指数;d′i表示第i代群体中的误差代价最优的个体;di表示第i代群体中的个体;E为误差代价函数,fit(ft)为适应度函数;f表示判决阈值。
由上述描述可知,通过误差代价函数用于体现离子个体的适应度,当一个粒子个体对应的误差代价函数E值越大,则说明个体的适应度越小,并进一步通过适应度函数输出粒子对应的适应度,提高粒子群算法的优化效果。
本发明上述卫星定位伪距修正方法及装置能够适用于复杂环境下的卫星定位,提高卫星定位系统的可靠性,以下通过具体实施方式进行说明:
实施例一
请参照图1,本实施例的定位方法包括定位场景识别和动态阈值判决两个部分;首先,通过北斗接收机获取到的原始量测数据与具有差异性特征的多源数据融合来用于分类模型的训练;由于卫星定位的原始量测数据通常很难体现环境因素对误差波动特性的全局性解读,通过与多源数据融合训练能够获得好鲁棒性的卫星定位场景分类模型和更准确的识别效果;其次,场景切换模块通过AI分类模型的识别结果进行模式鉴别,再采用自适应滤波算法得到估计误差对观测量进行修正,智能优化算法根据建立的卫星定位误差指数作为评价指标实现输出判决阈值的动态更新,最终实现了在卫星系统定位领域对保持良好的伪距修正效果的目的;
请参照图2,一种卫星定位伪距修正方法,包括步骤:
S0、始量测数据以及差异性数据的采集;采用卫星接收机获取所述原始量测数据,并根据不同的数据类型作相应的无量纲化处理;所述差异性数据为多源数据,多源数据的采集通过对定位环境从不同层次、不同时间尺度等不同方面的判断进而确定影响因素;
S1、通过原始量测数据以及差异性数据进行模型训练,得到分类模型;所述分类模型用于输出卫星定位误差指数;
S11、对所述原始量测数据以及差异性数据进行归一化处理,得到数据源,具体的:采用最大最小化归一化法处理数据,最大最小化归一化公式可表示为:
x'=(x-xmin)/(xmax-xmin);
x表示输入数据,xmax为输入数据的最大值,xmin为输入数据的最小值,x'为输出数据;通过对收集到的所述原始数据进行数据变换和处理,使不同数据源之间具有可比性,保证了卫星系统建模的质量与定位误差分析的正确结果;
S12、通过评价函数对所述数据源内的每一样本进行场景分类;对于给定的数据源输入Di,利用评价函数h(Di)对每一个样本,分别估计数据源输入Di属于各个类别的概率值,即估计数据源对于每一种分类结果出现的概率;评价函数的选取与卫星定位误差指数密切相关,即评价分数随着卫星定位误差指数的增大而增大;对于特定的定位场景下,评价函数h(Di)和卫星定位误差指数n可表示为:
其中,Di表示第i个数据源;Di0表示数据源Di的期望值;wi表示数据源Di在具体场景下的传播增益;n表示卫星定位误差指数;
S13、根据完成所述场景分类的所述数据源进行模型训练,得到分类模型;即将场景作为标记进行训练,分类模型可根据输入的数据得到对应的评分;为了提高定位场景分类模型的泛化性能,在一可选的实施方式中,采用基于误差指数的半监督方法,由无监督预训练与有监督微调两个部分组成,无监督预训练部分采用神经网络分类器作为训练模型,利用经过预处理后的融合数据完作为分类器的训练集,分类器通过根据分类误差的大小进行参数更新,有监督微调部分则是对于分类误差进一步的调整,使得整个分类器的拟合效果达到最佳,具体的:
S131、对所述数据源进行无监督训练,得到分类误差,所述分类误差μ可表示为:
Si={Di|i=1,2,…,n};
式中,μ为分类误差,Si为进行无监督训练的数据源Di的集合;表示Si所包含的数据源的预期训练值/>的集合,预期值/>是专家认定值,即专家根据用于训练的数据源的分布特点给出评估值;
S131、通过有监督训练对所述分类误差进行修正,修正后的分类误差μA可表示为:
式中,μA表示修正后的分类误差;L[Si,Di]表示在某个确定状态下分类器的最优误差估计函数;γi为权重指标;
S2、获取卫星信号,通过所述分类模型处理所述卫星信号,得到所述卫星定位误差指数;
S3、获取判决阈值,根据所述判决阈值以及所述卫星定位误差指数确定定位场景;
S4、根据所述定位场景修正卡尔曼滤波器参数;
S5、根据修正后的所述卡尔曼滤波器参数更新所述判决阈值后,输出定位结果。
实施例二
本实施例与实施例一的不同在于,具体限定了动态判决阈值的获取过程;
请参照图3,获取卫星信号后,执行如实施例一中的步骤S2,得到所述卫星定位误差指数;
S3、获取判决阈值,根据所述判决阈值以及所述卫星定位误差指数确定定位场景;所述判决阈值ft采用实数编码的方式生成初始群体;由于卫星定位场景主要由卫星信号的传播环境决定,当传播空间中障碍物较多时,卫星定位误差指数n会增大,对于不同的传播环境必须确定合适的判决阈值;根据所述判决阈值和卫星定位误差指数将卫星定位场景划分为三种工作模式;
1)无遮挡区域,无遮挡区域的判决变量J1表示为:
2)蜂窝阴影区域,蜂窝阴影区域的判决变量J2表示为:
3)障碍物遮挡区域,障碍物遮挡区域的判决变量J3表示为:
其中,n为卫星定位误差指数;ft表示动态调整的判决阈值;λ1,λ2,λ3分别表示无遮挡场景,蜂窝阴影场景和障碍物遮挡场景中引入的传播损耗;传播损耗由遮挡区域的大小Oa和信号传播衰落特性Cfading定义,传播损耗与遮挡区域的大小Oa呈正相关关系,当传播环境中障碍物较多时,λ会增大;传播损耗与信号传播衰落特性Cfading呈负相关关系,由于卫星信号在不同的传播路径有着不同的衰落特性,因此传播损耗应该将这种情况考虑在内,可表示为:
根据场景切换识别模块得到的判决变量,定量分析和定性分析相结合的方式给出判决变量与场景切换的对应关系如表1;
表1场景切换准则
S4、根据所述定位场景修正卡尔曼滤波器参数;由于定位场景会随着北斗接收机的实际位置不同而改变,因此在不同的定位场景下,卡尔曼滤波的参数应根据定位场景进行自适应补偿,当发生定位场景切换时给出滤波器参数的修正量为:
ΔKi=α·en·Δλi,j;
Ki+1=Ki+ΔKi;
Δλi,j=λi-λj;
上式表示了卡尔曼滤波增益矩阵K的更新过程,K的更新量ΔKi由上述公式所计算得到;其中,α为修正因子,通过调整常数大小控制补偿效果;en表示观测卫星信号的误差估计;将由步骤S3得到的所述判决变量反馈至自适应滤波模块进行补偿,即当场景切换情况发生时,根据判决变量J1,J2,J3变化及时做出反馈响应,构成级联结构形成闭环反馈;
S5、根据修正后的所述卡尔曼滤波器参数更新所述判决阈值后,输出定位结果;即将自适应滤波器输出的误差指数结果传输给判决阈值更新模块,由于定位场景识别的判决变量生成极大地依赖判决门限的灵敏度,因此采用群体优化算法对判决阈值进行最优化估计,具体的:
S51、种群初始化:对判决阈值ft采用实数编码的方式生成初始群体;如每个粒子的位置由90个实数变量构成,则每个粒子的染色体编码形式为s={d1,d2,…,d90};随机生成一组对应于判决阈值的初始权值的粒子群;
S52、计算粒子的适应度值:根据级联误差指数ni作为代价函数E来确定粒子的适应度,一个粒子个体对应的误差代价函数E值越大,则说明个体的适应度越小。误差代价函数E和适应度函数表达式fit(ft)为
d′i={d′i|d′i=max E(di)};
其中,μ'表示为影响因子,在具体实验中通常为大于1的常数;ni为滤波器输出的定位误差指数,表示第i代群体的级联定位误差指数;d′i表示第i代群体中的误差代价最优的个体;di表示第i代群体中的个体;E为误差代价函数,fit(ft)为适应度函数;当某个粒子的位置编码向量di与同一代群体中的历史最优个体之间的差异越小,则误差代价值越小;
S53、粒子群更新规则:将修正后的所述卡尔曼滤波器参数作为粒子群算法的输入参数,计算得到最优的所述判决阈值;具体的,粒子群方法初始化为一群随机粒子,引入级联误差指数作ni为更新规则找到最优解;在每一次的迭代中,粒子通过跟踪三个方向(spbest,sgbest,snbest)更新自己的位置,其中spbest为粒子个体搜索到的最优解,sgbest为整个粒子群的最优解,snbest为历史最优的级联误差指数对应的最优解;在找到这三个最优值后,粒子的速度和位置更新公式为
vi+1=kivi+c1r1(si,pbest-si)+c2r2(si,gbest-si)+c3r2(si,nbest-si);
si+1=si+vi;
其中,vi和vi+1分别表示更新前和更新后的粒子速度,si和si+1分别表示更新前和更新后的粒子位置,si,pbest表示更新前的粒子个体搜索到的最优解,sg,pbest表示更新前的整个例子群体搜索到的最优解,si,nbest表示对于更新前的历史种群中级联误差指数达到的最优解,表示第i代群体中具有最低误差指数的个体最优解;c1为个体学习因子,表示个体对于自身行为的学习程度;c2为群体学习因子,反映了对于粒子群总体智慧的学习程度;c3为级联学习因子,反映了对于粒子对于特定定位场景下对于平均接收信号误差的降低能力;
S54、终止条件:根据最优的所述判决阈值确定所述定位场景以及修正所述卡尔曼滤波器参数,具体的:判断当前最优权值使得误差代价函数是否满足精度要求,若满足,则当前群体中的最优个体对应自适应网络的最优参数符合系统的要求,则终止方法流程,并输出计算结果作为更新后的动态阈值;不满足,则返回到步骤S52继续进程。
实施例三
请参照图4,一种卫星定位伪距修正装置,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如实施例一或实施例二所述的一种卫星定位伪距修正方法中的各个步骤。
综上所述,本发明提供的一种卫星定位伪距修正方法及装置,利用神经网络较强的非线性逼近能力和对环境变化的适应能力,模拟北斗信号受到干扰时的不同定位场景,定量地刻画定位环境导致的信号传输过程中时延误差,进而达到准确描述北斗接收机的原始量测数据以及差异性数据的波动特性,并考虑了由于环境因素产生的差异性数据对卫星定位精度的影响,使得分类模型具有较好鲁棒性并具有更准确的识别效果;在获取卫星信号进行定位结果输出时,采用动态阈值判决方法辅助BP神经网络对接收定位数据的总体误差进行校正和补偿,通过引入级联卫星定位误差指数,用于衡量在某个特定定位场景下对状态估计的影响程度大小,设定基于粒子群方法的动态阈值作为级联误差指数的判决门限,利用粒子群方法强大的记忆能力和全局优化能力,设计判决门限的动态调整过程以优化系统的总体性能,从而根据定位场景修正卡尔曼滤波器参数,再根据修正后的卡尔曼滤波器参数更新判决阈值,降低了在不确定性环境中实现高精度卫星定位的难度,从而能够输出精确的卫星定位结果。
以上所述仅为本发明的实施例,并非因此限制本发明的专利范围,凡是利用本发明说明书及附图内容所作的等同变换,或直接或间接运用在相关的技术领域,均同理包括在本发明的专利保护范围内。
Claims (6)
1.一种卫星定位伪距修正方法,其特征在于,包括步骤:
通过原始量测数据以及差异性数据进行模型训练,得到分类模型;所述分类模型用于输出卫星定位误差指数;所述差异性数据为多源数据,多源数据的采集通过对定位环境从不同层次、不同时间尺度的判断进而确定影响因素;
获取卫星信号,通过所述分类模型处理所述卫星信号,得到所述卫星定位误差指数;
获取判决阈值,根据所述判决阈值以及所述卫星定位误差指数确定定位场景;
根据所述定位场景修正卡尔曼滤波器参数;
根据修正后的所述卡尔曼滤波器参数更新所述判决阈值后,输出定位结果,具体的:
S51、种群初始化:对判决阈值ft采用实数编码的方式生成初始群体;如每个粒子的位置由90个实数变量构成,则每个粒子的染色体编码形式为s={d1,d2,…,d90};随机生成一组对应于判决阈值的初始权值的粒子群;
S52、计算粒子的适应度值:根据级联误差指数ni作为代价函数E来确定粒子的适应度,一个粒子个体对应的误差代价函数E值越大,则说明个体的适应度越小;误差代价函数E和适应度函数表达式fit(ft)为:
d′i={d′i|d′i=max E(di)};
其中,μ'表示为影响因子,在具体实验中为大于1的常数;ni为滤波器输出的定位误差指数,表示第i代群体的级联定位误差指数;d′i表示第i代群体中的误差代价最优的个体;di表示第i代群体中的个体;E为误差代价函数,fit(ft)为适应度函数;当某个粒子的位置编码向量di与同一代群体中的历史最优个体之间的差异越小,则误差代价值越小;
S53、粒子群更新规则:将修正后的所述卡尔曼滤波器参数作为粒子群算法的输入参数,计算得到最优的所述判决阈值;具体的,粒子群方法初始化为一群随机粒子,引入级联误差指数作ni为更新规则找到最优解;在每一次的迭代中,粒子通过跟踪三个方向(spbest,sgbest,snbest)更新自己的位置,其中spbest为粒子个体搜索到的最优解,sgbest为整个粒子群的最优解,snbest为历史最优的级联误差指数对应的最优解;在找到这三个最优值后,粒子的速度和位置更新公式为:
vi+1=kivi+c1r1(si,pbest-si)+c2r2(si,gbest-si)+c3r2(si,nbest-si);
si+1=si+vi;
其中,vi和vi+1分别表示更新前和更新后的粒子速度,si和si+1分别表示更新前和更新后的粒子位置,si,pbest表示更新前的粒子个体搜索到的最优解,sg,pbest表示更新前的整个例子群体搜索到的最优解,si,nbest表示对于更新前的历史种群中级联误差指数达到的最优解,sj,nibest表示第i代群体中具有最低误差指数的个体最优解;c1为个体学习因子,表示个体对于自身行为的学习程度;c2为群体学习因子,反映了对于粒子群总体智慧的学习程度;c3为级联学习因子,反映了对于粒子对于特定定位场景下对于平均接收信号误差的降低能力;
S54、终止条件:根据最优的所述判决阈值确定所述定位场景以及修正所述卡尔曼滤波器参数,具体的:判断当前最优权值使得误差代价函数是否满足精度要求,若满足,则当前群体中的最优个体对应自适应网络的最优参数符合系统的要求,则终止方法流程,并输出计算结果作为更新后的动态阈值;不满足,则返回到步骤S52继续进程;
所述通过原始量测数据以及差异性数据进行模型训练,得到分类模型包括:
对所述原始量测数据以及差异性数据进行归一化处理,得到数据源;
通过评价函数对所述数据源内的每一样本进行场景分类;
根据完成所述场景分类的所述数据源进行模型训练,得到分类模型;
所述评价函数包括:
其中,Di表示第i个数据源;Di0表示数据源Di的期望值;wi表示数据源Di在具体场景下的传播增益;n表示卫星定位误差指数;Q表示指数幅度调节函数,根据输入变量的数量级大小确定其调节范围,其具体作用为规范化卫星定位误差指数在一定数量级范围内变化。
2.根据权利要求1所述的一种卫星定位伪距修正方法,其特征在于,所述根据完成所述场景分类的所述数据源进行模型训练,得到分类模型还包括:
对所述数据源进行无监督训练,得到分类误差;
通过有监督训练对所述分类误差进行修正;
根据修正后的所述分类误差得到所述分类模型。
3.根据权利要求2所述的一种卫星定位伪距修正方法,其特征在于,所述对所述数据源进行无监督训练包括:
Si={Di|i=1,2,…,n};
式中,μ为分类误差,Si为进行无监督训练的数据源Di的集合;表示Si所包含的数据源的预期训练值/>的集合,预期值/>是专家认定值,即专家根据用于训练的数据源的分布特点给出评估值。
4.根据权利要求2所述的一种卫星定位伪距修正方法,其特征在于,所述通过有监督训练对所述分类误差进行修正包括:
式中,μ为分类误差,μA表示修正后的分类误差;L[Si,Di]表示在某个确定状态下分类器的最优误差估计函数;γi为权重指标。
5.根据权利要求1所述的一种卫星定位伪距修正方法,其特征在于,所述根据所述定位场景修正卡尔曼滤波器参数包括:
ΔKi=α·en·Δλi,j;
Ki+1=Ki+ΔKi;
Δλi,j=λi-λj;
上式表示了卡尔曼滤波增益矩阵K的更新过程,K的更新量ΔKi由上述公式所计算得到,其中,α为指数修正因子;en表示观测卫星信号的误差估计。
6.一种卫星定位伪距修正装置,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如权利要求1-5任意一项所述的一种卫星定位伪距修正方法中的各个步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211484779.XA CN115932913B (zh) | 2022-11-24 | 2022-11-24 | 一种卫星定位伪距修正方法及装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211484779.XA CN115932913B (zh) | 2022-11-24 | 2022-11-24 | 一种卫星定位伪距修正方法及装置 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN115932913A CN115932913A (zh) | 2023-04-07 |
CN115932913B true CN115932913B (zh) | 2024-03-08 |
Family
ID=86648189
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202211484779.XA Active CN115932913B (zh) | 2022-11-24 | 2022-11-24 | 一种卫星定位伪距修正方法及装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN115932913B (zh) |
Families Citing this family (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116719073B (zh) * | 2023-08-09 | 2023-10-20 | 深圳华大北斗科技股份有限公司 | 面向gnss解算域的粗差探测与剔除方法 |
Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108983271A (zh) * | 2018-07-18 | 2018-12-11 | 兰州交通大学 | 基于rtk-gps/ins列车组合定位方法 |
CN109781099A (zh) * | 2019-03-08 | 2019-05-21 | 兰州交通大学 | 一种自适应ukf算法的导航方法及系统 |
CN111780755A (zh) * | 2020-06-30 | 2020-10-16 | 南京理工大学 | 一种基于因子图和可观测度分析的多源融合导航方法 |
CN112577521A (zh) * | 2020-11-26 | 2021-03-30 | 北京邮电大学 | 一种组合导航误差校准方法及电子设备 |
CN112782732A (zh) * | 2020-12-29 | 2021-05-11 | 湖北三江航天险峰电子信息有限公司 | 一种基于粒子群算法的导航信号解析方法及计算机存可读介质 |
CN113219506A (zh) * | 2021-05-07 | 2021-08-06 | 江苏俱为科技有限公司 | 一种多模融合无缝切换的定位方法 |
CN113959433A (zh) * | 2021-09-16 | 2022-01-21 | 南方电网深圳数字电网研究院有限公司 | 一种组合导航方法及装置 |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110487271A (zh) * | 2019-09-26 | 2019-11-22 | 哈尔滨工程大学 | 一种GNSS信号受阻时Elman神经网络辅助紧组合导航方法 |
-
2022
- 2022-11-24 CN CN202211484779.XA patent/CN115932913B/zh active Active
Patent Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108983271A (zh) * | 2018-07-18 | 2018-12-11 | 兰州交通大学 | 基于rtk-gps/ins列车组合定位方法 |
CN109781099A (zh) * | 2019-03-08 | 2019-05-21 | 兰州交通大学 | 一种自适应ukf算法的导航方法及系统 |
CN111780755A (zh) * | 2020-06-30 | 2020-10-16 | 南京理工大学 | 一种基于因子图和可观测度分析的多源融合导航方法 |
CN112577521A (zh) * | 2020-11-26 | 2021-03-30 | 北京邮电大学 | 一种组合导航误差校准方法及电子设备 |
CN112782732A (zh) * | 2020-12-29 | 2021-05-11 | 湖北三江航天险峰电子信息有限公司 | 一种基于粒子群算法的导航信号解析方法及计算机存可读介质 |
CN113219506A (zh) * | 2021-05-07 | 2021-08-06 | 江苏俱为科技有限公司 | 一种多模融合无缝切换的定位方法 |
CN113959433A (zh) * | 2021-09-16 | 2022-01-21 | 南方电网深圳数字电网研究院有限公司 | 一种组合导航方法及装置 |
Non-Patent Citations (1)
Title |
---|
变增益联邦KF组合导航定位算法研究;张怡;赵凯华;姚斌;;计算机工程与应用(19);全文 * |
Also Published As
Publication number | Publication date |
---|---|
CN115932913A (zh) | 2023-04-07 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110503071B (zh) | 基于变分贝叶斯标签多伯努利叠加模型的多目标跟踪方法 | |
CN113160274A (zh) | 一种基于YOLOv4的改进DeepSort目标检测跟踪方法 | |
Kalandros et al. | Tutorial on multisensor management and fusion algorithms for target tracking | |
Azami et al. | Classification of GPS satellites using improved back propagation training algorithms | |
Jouaber et al. | Nnakf: A neural network adapted kalman filter for target tracking | |
CN109827579B (zh) | 一种组合定位中滤波模型实时校正的方法和系统 | |
CN115932913B (zh) | 一种卫星定位伪距修正方法及装置 | |
CN111488552B (zh) | 基于高斯混合概率假设密度的紧邻多目标跟踪方法 | |
CN108009925A (zh) | 一种基于网络聚类的基金资产配置系统及方法 | |
CN112116019A (zh) | 一种多传感器Vine Copula异构信息决策融合方法 | |
Singh et al. | Unsupervised change detection from remote sensing images using hybrid genetic FCM | |
CN111259332B (zh) | 一种杂波环境下的模糊数据关联方法及多目标跟踪方法 | |
CN114567288B (zh) | 基于变分贝叶斯的分布协同非线性系统状态估计方法 | |
CN110233608B (zh) | 一种基于权值自适应的粒子滤波方法和雷达系统 | |
Ren et al. | Improved shape-based distance method for correlation analysis of multi-radar data fusion in self-driving vehicle | |
CN113971688A (zh) | 一种增强id重识别的无锚多目标跟踪方法 | |
Kaltiokallio et al. | A Multi-Hypotheses Importance Density for SLAM in Cluttered Scenarios | |
CN113191427A (zh) | 一种多目标车辆跟踪方法及相关装置 | |
Besada et al. | Design of IMM filter for radar tracking using evolution strategies | |
US20230034973A1 (en) | Methods and Systems for Predicting Trajectory Data of an Object | |
Skoglar et al. | On information measures based on particle mixture for optimal bearings-only tracking | |
CN114565020B (zh) | 一种基于深度置信网络和扩展卡尔曼滤波的飞行器传感器信号融合方法 | |
CN115327503A (zh) | 基于高斯粒子滤波的固定单站无源定位方法和相关装置 | |
CN113011597A (zh) | 一种回归任务的深度学习方法和装置 | |
CN115047444B (zh) | 基于广义时变平滑层策略的多普勒雷达滤波方法及系统 |
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 |