CN116953744A - 一种导航卫星非视距信号识别方法和导航卫星定位方法 - Google Patents
一种导航卫星非视距信号识别方法和导航卫星定位方法 Download PDFInfo
- Publication number
- CN116953744A CN116953744A CN202311092720.0A CN202311092720A CN116953744A CN 116953744 A CN116953744 A CN 116953744A CN 202311092720 A CN202311092720 A CN 202311092720A CN 116953744 A CN116953744 A CN 116953744A
- Authority
- CN
- China
- Prior art keywords
- line
- sight
- navigation satellite
- signal
- snr
- 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
Links
- 238000000034 method Methods 0.000 title claims abstract description 52
- 238000013145 classification model Methods 0.000 claims abstract description 24
- 230000000007 visual effect Effects 0.000 claims abstract description 16
- 238000012549 training Methods 0.000 claims abstract description 11
- 230000008859 change Effects 0.000 claims abstract description 7
- 238000007637 random forest analysis Methods 0.000 claims description 12
- 238000004364 calculation method Methods 0.000 claims description 10
- 238000012545 processing Methods 0.000 claims description 7
- 230000009467 reduction Effects 0.000 claims description 7
- 239000013585 weight reducing agent Substances 0.000 claims description 7
- 238000005259 measurement Methods 0.000 claims description 6
- 230000011218 segmentation Effects 0.000 claims description 4
- 238000007781 pre-processing Methods 0.000 abstract description 2
- 238000003908 quality control method Methods 0.000 abstract description 2
- 230000009286 beneficial effect Effects 0.000 description 8
- 238000003066 decision tree Methods 0.000 description 7
- 230000006870 function Effects 0.000 description 7
- 238000010801 machine learning Methods 0.000 description 7
- 238000000556 factor analysis Methods 0.000 description 6
- 238000004422 calculation algorithm Methods 0.000 description 5
- 238000012360 testing method Methods 0.000 description 4
- 230000008901 benefit Effects 0.000 description 3
- 230000000694 effects Effects 0.000 description 3
- 238000003672 processing method Methods 0.000 description 2
- 238000011160 research Methods 0.000 description 2
- 238000005070 sampling Methods 0.000 description 2
- 238000012706 support-vector machine Methods 0.000 description 2
- 241000251468 Actinopterygii Species 0.000 description 1
- 238000012935 Averaging Methods 0.000 description 1
- 238000004458 analytical method Methods 0.000 description 1
- 238000012937 correction Methods 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000002474 experimental method Methods 0.000 description 1
- 238000000605 extraction Methods 0.000 description 1
- 238000013507 mapping Methods 0.000 description 1
- 230000008569 process Effects 0.000 description 1
- 238000004904 shortening Methods 0.000 description 1
- 230000003068 static effect Effects 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
- G01S19/01—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
- G01S19/35—Constructional details or hardware or software details of the signal processing chain
- G01S19/37—Hardware or software details of the signal processing chain
-
- 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
-
- 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)
- Radar, Positioning & Navigation (AREA)
- Remote Sensing (AREA)
- Signal Processing (AREA)
- Computer Networks & Wireless Communication (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Position Fixing By Use Of Radio Waves (AREA)
Abstract
本发明属于导航卫星观测数据预处理与质量控制技术领域，具体涉及一种导航卫星非视距信号识别方法和导航卫星定位方法。获取导航卫星的观测数据，利用惯性和鱼眼相机进行导航卫星视距信号和非视距信号的区分，并生成导航卫星非视距信号的视觉标签；然后提取其K1维特征并进行降维，得到K2个公共因子，一个公共因子与每个特征均呈线性变化关系，K1＞K2≥2；进而利用较优特征构建用于识别导航卫星非视距信号的分类模型，并结合视觉标签对分类模型进行训练；最后利用训练后的分类模型对导航卫星非视距信号进行识别并得到非视距信号发生的概率，利用该概率对GNSS非视距观测值进行降权，从而提升GNSS精密定位的性能。
Description
技术领域
本发明属于导航卫星观测数据预处理与质量控制技术领域，具体涉及一种导航卫星非视距信号识别方法和导航卫星定位方法。
背景技术
全球卫星导航系统(global navigation satellite system，GNSS)因其能为用户提供全球、全天候的高精度导航、定位和授时信息而被广泛应用。但在以高楼峡谷、高架林立和林荫遮挡为代表的复杂的城市环境中，GNSS信号不可避免地被遮挡、干扰和反射等，进而产生非视距与多路径误差，非视距信号引起的测距误差通常大于多路径误差，严重时可致百米甚至无边界的定位误差。因此，在复杂城市环境中，识别、削弱和抑制非视距信号是实现GNSS高精度、稳健、高可靠性定位亟待解决的关键难题。
国内外研究机构和研究人员对GNSS非视距信号进行了广泛的关注和研究。GNSS非视距信号处理方法中，通过天线设计和接收机信号处理只能削弱部分非视距信号误差的影响，同时会大幅增加硬件成本、设备重量和体积，且主要应用于开阔环境下高精度的大地测量领域，不适用于城市环境下面向大众用户的动态导航定位。基于城市三维模型和射线跟踪/阴影匹配的方法，受限于城市三维模型的精度和时效性。在基于机器学习的非视距信号识别方法中，直接挖掘GNSS特征的无监督分类方法的可靠性受限，特征值的选取仍不够丰富；以决策树为代表的监督分类方法的计算效率较低；静态数据训练出的分类模型无法适用于复杂动态场景，动态数据训练出的分类模型尚未应用于远离该场景的城市环境，模型的通用性受限。针对识别出来的非视距信号值，直接将其剔除的方法虽然简单，但遮挡较为严重的城市峡谷中会严重影响定位的空间几何构型，大大降低定位精度，甚至出现无法定位的情形。因而，需要进一步研究非视距观测值的处理策略，以提升GNSS定位的精度、可用性和可靠性。
发明内容
本发明的目的在于提供一种导航卫星非视距信号识别方法，用以解决采用现有技术中的GNSS非视距信号识别效率低的问题，同时还提供了一种导航卫星定位方法，用于解决由于非视距信号测距误差较大降低导航卫星定位精度的问题。
为解决上述技术问题，本发明提供了一种导航卫星非视距信号识别方法，包括如下步骤：1)获取导航卫星的观测数据，进行导航卫星视距信号和导航卫星非视距信号的区分，并生成导航卫星非视距信号的视觉标签；2)基于导航卫星和接收机的相对位置信息和观测数据，提取K1维特征；对提取的特征进行降维处理，并得到用于导航卫星非视距信号识别的K2个公共因子，一个公共因子与每个特征均呈线性变化关系，K1＞K2≥2；3)利用K2个公共因子，构建用于识别导航卫星非视距信号的分类模型，并结合视觉标签对分类模型进行训练；4)利用训练后的分类模型对导航卫星非视距信号进行识别。
上述技术方案的有益效果为：本发明将高维特征进行聚合，使用K2个公共因子代表原来的K1维特征的绝大部分信息，避免机器学习过拟合，提高分类模型的泛化能力，离线训练出了可用于非视距信号准确识别的分类模型，在几乎不损失特征信息的基础上，大大降低了计算负担。
进一步地，步骤2)中多维特征包括两个频点的信噪比、两个频点的信噪比变化幅度、两个频点的伪距一致性、两个频点的伪距多路径和卫星高度角中的至少四个特征。
上述技术方案的有益效果为：采用多维特征，可以提高非视距信号识别精度。
进一步地，所述公共因子包括三个，分别为信号接收强度因子、观测量一致性因子和卫星高度角因子，计算公式为：
F1＝k11SNR1+k12SNR2+k13SFM1+k14SFM2+k15PD1
+k16PD2+k17MP1-k18MP2+k19elevation
F2＝k21SNR1+k22SNR2+k23SFM1+k24SFM2+k25PD1
+k26PD2+k27MP1+k28MP2+k29elevation
F3＝k31SNR1+k32SNR2+k33SFM1+k34SFM2+k35PD1
+k36PD2+k37MP1+k38MP2+k39elevation
式中，F1、F2和F3分别为信号接收强度因子、观测量一致性因子和卫星高度角因子；SNR1和SNR2分别为两个频点的信噪比，SFM1和SFM2分别为两个频点的信噪比变化幅度，PD1和PD2分别为两个频点的伪距一致性，MP1和MP2分别为两个频点的伪距多路径误差，elevation为卫星高度角；k11～k19、k21～k29、k31～k39均为系数，称为因子载荷。
上述技术方案的有益效果为：三个因子表征不同的信息，可以提升分类模型的分类精度。
进一步地，步骤1)中进行导航卫星视距信号和导航卫星非视距信号的区分的手段为：采用相机拍摄天空图像，分割出图像中的天空区域和遮挡区域；利用导航卫星和惯性测量单元组成的惯性组合导航系统解算出载体的位姿，并确定导航卫星在天空图像中的投影；根据天空分割结果和卫星投影结果，统计投影坐标范围内非天空区域的占比，以确定是否为导航卫星非视距信号。
上述技术方案的有益效果为：通过鱼眼相机和惯性组合导航系统对GNSS非视距信号进行准确标记，提升分类模型的分类效果。
进一步地，所述分类模型为随机森林分类模型。
为解决上述技术问题，本发明还提供了一种导航卫星定位方法，包括如下步骤：
a)获取导航卫星的观测数据，基于导航卫星的位置信息，提取其K1维特征；对提取的特征进行降维处理，并得到用于提高导航卫星非视距信号识别精度的K2个公共因子，一个公共因子与每个特征均呈线性变化关系，K1＞K2≥2；
b)利用训练后的分类模型对导航卫星非视距信号进行识别并确定其为非视距信号的概率；
c)将所述概率与非视距观测值的权函数相乘，得到降权后的权函数，利用降权后的权函数进行导航卫星定位。
上述技术方案的有益效果为：首先，本直接利用离线训练出的非视距信号分类模型，对导航卫星的信号进行分类，适用于低成本大众用户。其次，基于分类模型输出的概率对识别出来的GNSS非视距观测值进行降权，从而显著提升GNSS定位的精度，缩短定位的收敛时间。
进一步地，步骤a)中多维特征包括两个频点的信噪比、两个频点的信噪比变化幅度、两个频点的伪距一致性、两个频点的伪距多路径和卫星高度角中的至少四个特征。
上述技术方案的有益效果为：采用多维特征，可以提高非视距信号识别精度。
进一步地，所述公共因子包括三个，分别为信号接收强度因子、观测量一致性因子和卫星高度角因子，计算公式为：
F1＝k11SNR1+k12SNR2+k13SFM1+k14SFM2+k15PD1
+k16PD2+k17MP1-k18MP2+k19elevation
F2＝k21SNR1+k22SNR2+k23SFM1-k24SFM2+k25PD1
+k26PD2+k27MP1+k28MP2+k29elevation
F3＝k31SNR1+k32SNR2+k33SFM1+k34SFM2+k35PD1
+k36PD2+k37MP1+k38MP2+k39elevation
式中，F1、F2和F3分别为信号接收强度因子、观测量一致性因子和卫星高度角因子；SNR1和SNR2分别为两个频点的信噪比，SFM1和SFM2分别为两个频点的信噪比变化幅度，PD1和PD2分别为两个频点的伪距一致性，MP1和MP2分别为两个频点的伪距多路径误差，elevation为卫星高度角；k11～k19、k21～k29、k31～k39均为系数，称为因子载荷。
上述技术方案的有益效果为：三个因子表征不同的信息，可以提升分类模型的分类精度。
进一步地，非视距观测值的权函数为：
式中，Y(F)为步骤b)中预测出来的非视距信号发生的概率，F表示公共因子的集合；P为非视距观测值的权；θ为卫星高度角；a、b、c均为系数；θ0为常数，SNR为导航卫星的信噪比。
附图说明
图1是本发明的导航定位方法的流程图。
具体实施方式
为了使本发明的目的、技术方案及优点更加清楚明了，以下结合附图及实施例，对本发明进行进一步详细说明。
一种导航卫星非视距信号识别方法实施例：
本发明的一种导航卫星非视距信号识别方法实施例，其实施流程如下：
1)针对城市复杂环境中采集的高采样率动态车载GNSS数据，利用鱼眼相机和惯性导航系统辅助，进行导航卫星视距信号和导航卫星非视距信号的区分，并生成导航卫星非视距信号的视觉标签。
其中，GNSS非视距信号的视觉标签生成方法具体为：利用朝向天空的高视场角鱼眼相机拍摄天空图，并利用GNSS和惯性测量单元组成的惯性组合导航系统解算出载体的位姿；采用天空分割算法分离出天空区域和遮挡区域，获取周围环境遮挡信息；根据组合导航系统的位姿矫正和鱼眼畸变，计算导航卫星在图像中的投影；根据天空分割结果和卫星投影结果，统计投影坐标范围内非天空区域的占比，以确定是否为GNSS非视距观测值。其中，卫星投影的流程大致如下：①利用RINEX观测数据和CODE提供的多系统精密轨道钟差产品计算卫星在地心地固坐标系下的位置，并实时解算出的接收机位置，将站星向量转换至导航坐标系下(地平坐标系)；②导航坐标系下的待投影点，结合相机外参，经IMU传感器位置姿态矫正后转换至相机坐标系下；③相机坐标系下的空间坐标点经鱼眼畸变改正后投影为图像物理坐标系下的平面坐标点；④像平面坐标系下的投影点，结合相机内参转换至像素坐标系下。
2)采用精密轨道产品内插出导航卫星的位置，提取9维GNSS特征值，包括两个频点的信噪比、两个频点的信噪比变化幅度、两个频点的伪距一致性、两个频点的伪距多路径和卫星高度角。作为其他实施方式，还可提取更多维GNSS特征，以提高分类精度，当然也可提取更少维特征，以提高算法速率。
采用机器学习算法对GNSS非视距信号识别时，合理、有效的GNSS特征值的选取至关重要。任何一个单一特征对GNSS非视距信号识别的效果都不理想而且容易出现误判，因此融合9个GNSS特征值信息，以提高非视距信号识别的准确性。
3)针对上述9个GNSS特征值，通过因子分析法降维得到3个公共因子，包括信号接收强度因子、观测量一致性因子和卫星高度角因子。
基于因子分析法选取的9个特征值进行降维，计算特征根，分析因子对于变量解释的贡献率，按照特征值大于1的标准，筛选出3个因子：两个频率上的信噪比和信噪比变化幅度在同一个因子上有较大载荷，将该因子称为信号接收强度因子；两个频率上的伪距一致性和伪距多路径误差在同一个因子上有较大载荷，将该因子称为观测量一致性因子；卫星高度角仅在第三个因子上有较大载荷，称为卫星高度角因子。一个公共因子与每个特征值均呈线性变化关系，有的呈正线性关系，有的呈负线性关系。
本实施例中，GNSS特征值与公共因子的表达式具体为：
式中，SNR1和SNR2分别为频率1和频率2的信噪比，SFM1和SFM2分别为频率1和频率2的信噪比变化幅度，PD1和PD2分别为频率1和频率2的伪距一致性，MP1和MP2分别为频率1和频率2的伪距多路径误差，elevation为卫星高度角；F1、F2和F3分别为信号接收强度因子、观测量一致性因子和卫星高度角因子；k11～k19、k21～k29、k31～k39均为系数，称为因子载荷，各个系数会根据原始数据的不同有所变化，本实施例中根据原始数据得到的取值具体如公式(2)所示。
通过数据降维，一方面可以减少机器学习算法的计算载荷；另一方面公共因子融合了多变量的特征信息，可以降低机器学习过拟合的风险，提高算法的泛化能力。
4)将融合了9维GNSS特征信息的3个公共因子和对应的视觉标签值输入到随机森林分类器中训练，提取GNSS视距和非视距信号分类的规则，离线训练出用于GNSS非视距信号预测的随机森林分类模型。需说明的是，本实施例中分类模型选择随机森林分类模型，作为其他实施方式，还可选择现有技术中的其他分类模型。
具体地，训练集中的每个样本都表示为Fi＝(F1i,F2i,F3i)，i∈[1,N],N是样本数，F为公共因子变量。在训练样本集T＝{(F1,y1),(F2,y2),…,(FN,yN)},(yi＝0,1)中随机且有放回地抽取l(l＜T)个样本子集用于训练决策树，且保证每个子集的样本数量相同，表示为：{T1,T2,…Tl}。其中，yi＝0代表GNSS视距观测值，yi＝1代表非视距观测值。从3个公共因子变量中随机等概率抽取d个子因子组成该节点的分裂因子子集，计算基尼系数：
式中，Fd是当前所选子因子；Gini为基尼系数；p0和p1分别表示样本点属于视距和非视距信号的概率。采用基尼系数值最小原则，选出一个最优的分裂因子和最优分裂值对该节点进行分裂，递归建树直到每个特征因子成为分裂节点，重复上述随机过程m次，即建立了m棵决策树，组成随机森林。
针对输入的测试样本集，每棵决策树做出预测，计算非视距信号发生的概率。然后对所有决策树的预测概率yn(F)取平均值，得到随机森林输出的非视距信号发生的概率Y(F)：
式中，Y(F)可以为GNSS信号污染程度的表征，用以优化GNSS精密定位。
5)对于低成本接收机和天线采集的动态观测数据，通过离线训练出的随机森林模型进行GNSS非视距信号识别，利用训练后的随机森林分类模型对导航卫星非视觉信号进行识别。
一种导航卫星定位方法实施例：
本发明的一种导航卫星定位方法实施例，是基于一种导航卫星非视距信号识别方法实施例中介绍的方法的基础上进行的处理，流程如图1所示，具体如下：
1)按照导航卫星非视距信号识别方法实施例中介绍的方法对导航卫星非视觉信号进行识别，并得到非视距信号的概率Y(即公式(4)的结果)。
2)基于预测的GNSS非视距信号发生的概率，通过构造等价权函数，对非视距观测值的方差进行膨胀，通过降低非视距观测值的权值，以降低非视距观测值对GNSS定位待估参数的影响，优化精密定位的性能。
具体地，为削弱GNSS非视距观测量对精密定位解算的影响，将已探测出的非视距观测值的方差进行膨胀，根据随机森林模型输出的非视距信号发生的预测概率，通过构造等价权函数实现降权，该等加权函数综合了信噪比、高度角和非视距信号概率。
式中，P为原始权，为非视距观测值的等价权，θ为高度角，a、b、c和θ0是定值，具体取值可为a＝0.13m，b＝0.56m，c＝1.1×104m2s-1，θ0＝0.1745rad；SNR为卫星的信噪比。
下面进行实验。首先用低成本UBLOX F9P接收机和螺旋天线在A市采集的车载动态数据训练GNSS非视距信号识别的模型，然后分别利用A市和B市采集的数据作为本地测试集和异地测试集。实验结果表明：与不采用视觉标签相比，基于视觉标签的GNSS非视距信号分类准确度显著提升；与梯度提升决策树(gradient boosted decision tree，GBDT)、支持向量机(support vector machine，SVM)以及朴素贝叶斯(naive Bayesian，NB)三种机器学习模型相比，本发明所提方法最好地兼顾了非视距信号识别的准确度和分类效率，在两个测试集上的准确度分别达到87.5％、72.5％，单历元非视距信号识别平均仅需12.2ms；因子分析法大大降低了计算时间，效率提升达到了29.5％；基于本发明方法识别非视距信号和观测值降权的GNSS精密单点定位的精度、稳定性和收敛速度得到显著提升。因此，本发明与现有技术相比，具有以下突出的有益技术效果：
(1)提高GNSS非视距信号识别的时效性，降低GNSS非视距信号识别的计算负担。本发明通过随机抽样确定训练子集，然后选择若干基学习器并行、独立地训练模型，最后采用投票的方式集成各基学习器的分类结果，大大提高了非视距信号识别的效率，缩短了非视距信号识别的时间。通过因子分析，本发明仅使用3个公共因子变量代表了原来9维GNSS特征的绝大部分信息，在几乎不损失特征信息的基础上，大大降低了计算负担。
(2)适用于低成本接收机和天线，极大提升GNSS精密定位性能。本发明提出的方法具有较广泛的适用性，对于低成本接收机和天线接收的质量较差的观测值，可以直接采用本发明进行GNSS非视距信号的识别，基于预测的非视距信号发生的概率，对识别出来的GNSS非视距观测值进行降权，从而显著提升GNSS定位的精度，缩短定位的收敛时间。
(3)易于扩展。发明提出的方法具有较强的扩展性，适用于各类卫星导航系统观测数据的非视距信号识别。对GPS、Galileo、BDS和GLONASS等卫星导航系统的观测数据，都可纳入本发明的GNSS非视距信号识别方法。首先不仅限于上述4个卫星导航系统，仍适用于将来建设的全球卫星导航系统或区域卫星导航系统；其次不限于GNSS的两个频率，可以扩展到多个频率上的观测值。本发明有效应用于“测绘科学与技术”学科中的“大地测量学与测量工程”技术领域，实现了GNSS非视距信号的识别与降权，提升了GNSS精密定位的性能，经济和社会效益巨大。
综上，本发明综合了视觉标签、因子分析法和随机森林模型的优点，通过鱼眼相机和惯性组合导航系统对GNSS非视距信号进行准确标记，采用因子分析将高维特征值进行聚合，避免机器学习过拟合，离线训练出了可用于非视距信号识别的随机森林模型；基于离线训练模型预测的非视距观测值发生的概率，提出的非视距观测值降权方法可以显著提升GNSS精密定位的性能。而且，本发明的方法简单，易操作，在用户端无需外部设备的支持，极大提升了通用性，适合于大众用户，尤其是低成本用户。
Claims (9)
1.一种导航卫星非视距信号识别方法，其特征在于，包括如下步骤：
1)获取导航卫星的观测数据，进行导航卫星视距信号和导航卫星非视距信号的区分，并生成导航卫星非视距信号的视觉标签；
2)基于导航卫星和接收机的相对位置信息和观测数据，提取K1维特征；对提取的特征进行降维处理，并得到用于导航卫星非视距信号识别的K2个公共因子，一个公共因子与每个特征均呈线性变化关系，K1＞K2≥2；
3)利用K2个公共因子，构建用于识别导航卫星非视距信号的分类模型，并结合视觉标签对分类模型进行训练；
4)利用训练后的分类模型对导航卫星非视距信号进行识别。
2.根据权利要求1所述的导航卫星非视距信号识别方法，其特征在于，步骤2)中多维特征包括两个频点的信噪比、两个频点的信噪比变化幅度、两个频点的伪距一致性、两个频点的伪距多路径和卫星高度角中的至少四个特征。
3.根据权利要求2所述的导航卫星非视距信号识别方法，其特征在于，所述公共因子包括三个，分别为信号接收强度因子、观测量一致性因子和卫星高度角因子，计算公式为：
F1＝k11SNR1+k12SNR2+k13SFM1+k14SFM2+k15PD1+k16PD2+k17MP1-k18MP2+k19elevation
F2＝k21SNR1+k22SNR2+k23SFM1+k24SFM2+k25PD1+k26PD2+k27MP1+k28MP2+k29elevation
F3＝k31SNR1+k32SNR2+k33SFM1+k34SFM2+k35PD1+k36PD2+k37MP1+k38MP2+k39elevation
式中，F1、F2和F3分别为信号接收强度因子、观测量一致性因子和卫星高度角因子；SNR1和SNR2分别为两个频点的信噪比，SFM1和SFM2分别为两个频点的信噪比变化幅度，PD1和PD2分别为两个频点的伪距一致性，MP1和MP2分别为两个频点的伪距多路径误差，elevation为卫星高度角；k11～k19、k21～k29、k31～k39均为系数，称为因子载荷。
4.根据权利要求1所述的导航卫星非视距信号识别方法，其特征在于，步骤1)中进行导航卫星视距信号和导航卫星非视距信号的区分的手段为：
采用相机拍摄天空图像，分割出图像中的天空区域和遮挡区域；
利用导航卫星和惯性测量单元组成的惯性组合导航系统解算出载体的位姿，并确定导航卫星在天空图像中的投影；
根据天空分割结果和卫星投影结果，统计投影坐标范围内非天空区域的占比，以确定是否为导航卫星非视距信号。
5.根据权利要求1～4任一项所述的导航卫星非视距信号识别方法，其特征在于，所述分类模型为随机森林分类模型。
6.一种导航卫星定位方法，其特征在于，包括如下步骤：
a)获取导航卫星的观测数据，基于导航卫星的位置信息，提取其K1维特征；对提取的特征进行降维处理，并得到用于提高导航卫星非视距信号识别精度的K2个公共因子，一个公共因子与每个特征均呈线性变化关系，K1＞K2≥2；
b)利用训练后的分类模型对导航卫星非视距信号进行识别并确定其为非视距信号的概率；
c)将所述概率与非视距观测值的权函数相乘，得到降权后的权函数，利用降权后的权函数进行导航卫星定位。
7.根据权利要求6所述的导航卫星定位方法，其特征在于，步骤a)中多维特征包括两个频点的信噪比、两个频点的信噪比变化幅度、两个频点的伪距一致性、两个频点的伪距多路径和卫星高度角中的至少四个特征。
8.根据权利要求7所述的导航卫星定位方法，其特征在于，所述公共因子包括三个，分别为信号接收强度因子、观测量一致性因子和卫星高度角因子，计算公式为：
F1＝k11SNR1+k12SNR2+k13SFM1+k14SFM2+k15PD1+k16PD2+k17MP1-k18MP2+k19elevation
F2＝k21SNR1+k22SNR2+k23SFM1+k24SFM2+k25PD1+k26PD2+k27MP1+k28MP2+k29elevation
F3＝k31SNR1+k32SNR2+k33SFM1+k34SFM2+k35PD1+k36PD2+k37MP1+k38MP2+k39elevation
式中，F1、F2和F3分别为信号接收强度因子、观测量一致性因子和卫星高度角因子；SNR1和SNR2分别为两个频点的信噪比，SFM1和SFM2分别为两个频点的信噪比变化幅度，PD1和PD2分别为两个频点的伪距一致性，MP1和MP2分别为两个频点的伪距多路径误差，elevation为卫星高度角；k11～k19、k21～k29、k31～k39均为系数，称为因子载荷。
9.根据权利要求6～8任一项所述的导航卫星定位方法，其特征在于，非视距观测值的权函数为：
式中，Y(F)为步骤b)中预测出的非视距信号发生的概率，F表示公共因子的集合；P为非视距观测值的权；θ为卫星高度角；a、b、c均为系数；θ0为常数，SNR为导航卫星的信噪比。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202311092720.0A CN116953744A (zh) | 2023-08-28 | 2023-08-28 | 一种导航卫星非视距信号识别方法和导航卫星定位方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202311092720.0A CN116953744A (zh) | 2023-08-28 | 2023-08-28 | 一种导航卫星非视距信号识别方法和导航卫星定位方法 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN116953744A true CN116953744A (zh) | 2023-10-27 |
Family
ID=88454752
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202311092720.0A Pending CN116953744A (zh) | 2023-08-28 | 2023-08-28 | 一种导航卫星非视距信号识别方法和导航卫星定位方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN116953744A (zh) |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN117665869A (zh) * | 2023-11-29 | 2024-03-08 | 武汉大学 | 基于信号特征与机器学习的卫星导航非视距观测检测方法 |
-
2023
- 2023-08-28 CN CN202311092720.0A patent/CN116953744A/zh active Pending
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN117665869A (zh) * | 2023-11-29 | 2024-03-08 | 武汉大学 | 基于信号特征与机器学习的卫星导航非视距观测检测方法 |
| CN117665869B (zh) * | 2023-11-29 | 2024-08-16 | 武汉大学 | 基于信号特征与机器学习的卫星导航非视距观测检测方法 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| US11237276B2 (en) | System and method for gaussian process enhanced GNSS corrections generation | |
| US20240142637A1 (en) | System and method for gaussian process enhanced gnss corrections generation | |
| CN110412635B (zh) | 一种环境信标支持下的gnss/sins/视觉紧组合方法 | |
| CN108896040B (zh) | 天空海一体化水下潜器惯性/重力组合导航方法和系统 | |
| CN112666588B (zh) | 一种城市峡谷环境下基于景象匹配与机器学习的定位方法 | |
| TW201445168A (zh) | 一種接收機和衛星定位及測速方法 | |
| CN112230247B (zh) | 一种用于城市复杂环境下gnss完好性监测方法 | |
| CN108428220A (zh) | 静止轨道卫星序列遥感影像海岛礁区域自动几何校正方法 | |
| CN116953744A (zh) | 一种导航卫星非视距信号识别方法和导航卫星定位方法 | |
| CN114562992A (zh) | 一种基于因子图及场景约束的多径环境组合导航方法 | |
| Sun et al. | Using dual‐polarization GPS antenna with optimized adaptive neuro‐fuzzy inference system to improve single point positioning accuracy in urban canyons | |
| Sun et al. | An integrated urban positioning algorithm using matching, particle swam optimized adaptive neuro fuzzy inference system and a spatial city model | |
| CN117607910B (zh) | 一种基于矢量跟踪新息矢量的欺骗检测方法及系统 | |
| CN112230254B (zh) | 一种gps载波相位多径误差的校正方法及装置 | |
| WO2023236643A1 (zh) | 定位方法、装置、设备及存储介质 | |
| CN115616637A (zh) | 一种基于三维格网多径建模的城市复杂环境导航定位方法 | |
| CN113917509B (zh) | 一种双差模糊度固定方法、设备以及可读存储介质 | |
| CN116953747A (zh) | 移动终端的定位方法、装置、设备及存储介质 | |
| CN111896002B (zh) | 地形辅助导航匹配区在线规划与适配性分析方法及系统 | |
| Li et al. | An efficient GNSS NLOS signal identification and processing method using random forest and factor analysis with visual labels | |
| Zhang et al. | INS Aided GNSS Pseudo-range Error Prediction Using Machine Learning for Urban Vehicle Navigation | |
| CN113031013A (zh) | 一种星载gnss-r海冰边界探测方法及系统 | |
| Zheng et al. | GNSS NLOS detection method based on stacking ensemble learning and applications in smartphones | |
| CN115616641B (zh) | 一种基于粒子滤波的城市峡谷中组合导航高精度定位方法 | |
| CN114943344B (zh) | 联合svm和hmm的导航场景感知通用模型构建方法 |
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 |