一种基于无监督学习的卫星NLOS信号检测方法技术

本发明专利技术公开了一种基于无监督学习的卫星NLOS信号检测方法，使用无监督学习对GNSS信号进行分类的关键是从GNSS原始观测数据中提取主要特征，综合考虑不同特征对于GNSS接收信号的影响，选定信噪比、伪距残差和卫星高度角三个参数构成聚类分析的特征向量；将三个特征值数据进行标准化处理；对每个特征值设定合适的权重，采用k‑means++聚类算法将观测数据划分为视线(LOS)、多径和NLOS三类；将NLOS信号分离后，进行GNSS定位。相较于有监督学习的分类方法，本发明专利技术简单有效、易于实现，且无需使用先验信息，能显著降低运算负荷和GNSS设备成本，并提高复杂环境下GNSS定位精度；与传统的阈值法以及RAIM算法相比较，该方法在改善定位的精度方面具有一定的优势。

【技术实现步骤摘要】
一种基于无监督学习的卫星NLOS信号检测方法
本专利技术涉及机器学习在GNSS定位领域的应用，尤其是一种基于无监督学习的卫星NLOS信号检测方法。
技术介绍
目前，多径效应和非视线(NLOS)信号是制约GNSS定位在复杂环境尤其是城市峡谷中应用的主要因素。随着无人驾驶技术和室外机器人的蓬勃发展以及人们对于低成本GNSS设备定位准确性和可靠性需求的增加，如何消除或抑制多径和NLOS信号对定位的影响成为当下GNSS领域研究的热点。多径通常包含视线(LOS)和反射/衍射信号，而NLOS只包含后者。由多径引起的伪距观测误差一般为米级，载波相位观测误差为厘米级。而NLOS信号接收造成的测距误差在密集城市地区可达数十米，通过远处高楼的反射则有可能会更大，甚至达到一公里以上。为了提高GNSS定位的准确性，应有效规避非视线(NLOS)信号，为此，许多学者对NLOS信号检测和缓解技术进行了研究，如双极化天线、先进接收机算法、传感器集成、三维建筑物模型等。由于真实空间环境的复杂性，一个完全鲁棒的GNSS信号分类算法并不存在，以上方法仍有改进的空间。近年来，一些学者尝试利用机器学习来检测NLOS信号以增强本文档来自技高网...

【技术保护点】
1.一种基于无监督学习的卫星NLOS信号检测方法，其特征在于，包括如下步骤：(1)从GNSS原始观测数据中提取主要特征，综合考虑不同特征对于GNSS接收信号的影响，选定信噪比、伪距残差和卫星高度角三个参数构成聚类分析的特征向量；(2)将三个特征值数据进行标准化处理；(3)对每个特征值设定合适的权重，采用k‑means++聚类算法将观测数据划分为视线LOS、多径和NLOS三类；(4)将得到的NLOS标签数据剔除后，进行GNSS定位。

【技术特征摘要】
1.一种基于无监督学习的卫星NLOS信号检测方法，其特征在于，包括如下步骤：(1)从GNSS原始观测数据中提取主要特征，综合考虑不同特征对于GNSS接收信号的影响，选定信噪比、伪距残差和卫星高度角三个参数构成聚类分析的特征向量；(2)将三个特征值数据进行标准化处理；(3)对每个特征值设定合适的权重，采用k-means++聚类算法将观测数据划分为视线LOS、多径和NLOS三类；(4)将得到的NLOS标签数据剔除后，进行GNSS定位。2.如权利要求1所述的基于无监督学习的卫星NLOS信号检测方法，其特征在于，步骤(1)中，信噪比是使用最多的参数之一，高信噪比是很好的LOS检测指标；多系统融合后，可用观测卫星数量增加，观测冗余也大幅增加，伪距残差可以作为区分GNSS信号类别的指标；将卫星高度角作为辅助特征，在学习过程中予以降权处理；由于上述每一个特征对于NLOS信号都具有不确定性，且相互交叉，因此选定信噪比、伪距残差和卫星高度角三个参数构成聚类分析的特征向量来确定NLOS信号。3.如权利要求1所述的基于无监督学习的卫星NLOS信号检测方法，其特征在于，步骤(2)中，将三个特征值数据进行标准化处理具体为：数据处理后每个特征值符合标准正态分布。4.如权利要求1所述的基于无监督学习的卫星NLOS信号检测方法，其特征...

【专利技术属性】
技术研发人员：潘树国，夏炎，赵鹏飞，赵庆，赵越，叶飞，
申请(专利权)人：东南大学，
类型：发明
国别省市：江苏,32