基于集成学习的非视距信号检测方法和装置制造方法及图纸

本申请公开了一种基于集成学习的非视距信号检测方法和装置。通过应用本申请的技术方案，可以利用卫星样本数据训练得到初级分类模型以及次级分类模型。以使后续利用该多个分类模型，在实际场景中检测卫星数据的非视距信号。从而实现将多个单一分类模型进行集成，也可以克服利用单一分类模型进行检测所导致的性能不足或容易过拟合的问题，从而提高GNSS非视距信号的检测性能。视距信号的检测性能。视距信号的检测性能。

【技术实现步骤摘要】
基于集成学习的非视距信号检测方法和装置


[0001]本申请中涉及数据处理技术，尤其是一种基于集成学习的非视距信号检测方法和装置。

技术介绍

[0002]相关技术中，随着全球导航卫星系统(Global Navigation Satellite System,GNSS)技术的快速发展和普及，GNSS已经在人们的日常生活中扮演着日益重要的角色。GNSS接收机通过接收到不同卫星的GNSS信号，然后通过定位解算方法，能够及时、准确地计算获得用户的位置结果，在交通运输、测绘、城市管理、物联网等领域具有广泛的应用。
[0003]其中，在GNSS接收机假设接收到的GNSS信号为视距(Line
‑
of
‑
Sight,LOS)信号：也即假设GNSS信号是由卫星端发出后经过大气层直接到达接收机端的信号。然而，在很多实际应用场景中，尤其是在城市环境下，由于存在建筑、树木等遮挡问题，导致GNSS接收机接收到的一部分信号为非视距(Non
‑
Line
‑
of
‑
Sight,NLOS)信号。也即LOS信号被建筑、树木等环境因素遮挡，接收机实际接收到信号的是经过环境因素反射或折射后的信号。由于存在信号反射或折射等问题，存在较大的测距误差，给接收机最终的定位解算结果带来严重的误差。
[0004]因此，如何对GNSS中的NLOS信号进行精确检测，成为了本领域人员需要解决的问题。

技术实现思路

[0005]本申请实施例提供一种基于集成学习的非视距信号检测方法和装置。用于解决相关技术中存在的无法对GNSS中的NLOS信号进行精确检测的问题，
[0006]其中，根据本申请实施例的一个方面，提供的一种基于集成学习的非视距信号检测方法，包括：
[0007]获取卫星样本数据集，所述卫星样本数据集包括至少一个目标卫星在不同接收机位置以及不同接收时刻下的原始观测数据；
[0008]基于所述卫星样本数据集中的特征提取，训练得到初级分类模型以及次级分类模型；
[0009]将获取到的待检测卫星数据分别输入至所述初级分类模型以及所述次级分类模型，得到对应的初级矢量值以及次级矢量值；
[0010]基于所述初级矢量值以及次级矢量值，确定所述待检测卫星数据是否为非视距信号。
[0011]可选地，在基于本申请上述方法的另一个实施例中，所述卫星样本数据集包括以下数据：
[0012]获取时间、卫星编号、观测伪距、信噪比以及所述目标卫星在地心地固坐标系下的三维坐标位置。
[0013]可选地，在基于本申请上述方法的另一个实施例中，在所述获取卫星样本数据集之后，还包括：
[0014]利用接收机真实位置和每个目标卫星的三维坐标位置，计算卫星样本数据集中，每个目标卫星在地心地固坐标系下的视距矢量数据；
[0015]根据所述目标卫星的视距矢量数据，对每个卫星样本数据进行标注，所述标注对应于视距信号或非视距信号。
[0016]可选地，在基于本申请上述方法的另一个实施例中，在所述获取卫星样本数据集之后，还包括：
[0017]利用最小二乘迭代算法，计算得到每个所述卫星样本数据对应的接收机位置；
[0018]利用所述接收机位置、所述三维坐标位置以及所述观测伪距，计算每个卫星样本数据的俯仰角度，伪距残差值以及伪距变化率；
[0019]利用归一化算法，对所述卫星样本数据集中的每个提取特征进行归一化处理，得到每个所述提取特征的归一化特征，所述提取特征包括卫星样本数据中包括的所述俯仰角度，伪距残差值、伪距变化率、观测伪距、信噪比以及三维坐标位置。
[0020]可选地，在基于本申请上述方法的另一个实施例中，在所述得到每个所述提取特征的归一化特征之后，还包括：
[0021]利用每个所述提取特征的归一化特征以及每个卫星样本数据对应的标注结果，对多个初始的单一分类模型进行训练，得到多个所述初级分类模型；
[0022]获取每个所述初级分类模型对所述卫星样本数据生成的多个输出结果，并将所述多个输出结果进行拼接，得到合并特征矢量数据。
[0023]可选地，在基于本申请上述方法的另一个实施例中，在所述得到合并特征矢量数据之后，还包括：
[0024]利用每个所述卫星样本数据对应的标注结果以及所述合并特征矢量数据，对初始的逻辑回归模型进行训练，得到所述次级分类模型。
[0025]可选地，在基于本申请上述方法的另一个实施例中，所述基于所述初级矢量值以及次级矢量值，确定所述待检测卫星数据是否为非视距信号，包括：
[0026]将所述初级矢量值以及次级矢量值作为所述待检测卫星数据的二分类矢量数据，其中所述初级矢量值与所述次级矢量值的和值为1；
[0027]当检测到所述初级矢量值大于0.5时，确定所述待检测卫星数据为非视距信号。
[0028]其中，根据本申请实施例的又一个方面，提供的一种基于集成学习的非视距信号检测装置，包括：
[0029]获取模块，被配置为获取卫星样本数据集，所述卫星样本数据集包括至少一个目标卫星在不同接收机位置以及不同接收时刻下的原始观测数据；
[0030]训练模块，被配置为基于所述卫星样本数据集中的特征提取，训练得到初级分类模型以及次级分类模型；
[0031]输入模块，被配置为将获取到的待检测卫星数据分别输入至所述初级分类模型以及所述次级分类模型，得到对应的初级矢量值以及次级矢量值；
[0032]确定模块，被配置为基于所述初级矢量值以及次级矢量值，确定所述待检测卫星数据是否为非视距信号。
[0033]根据本申请实施例的又一个方面，提供的一种电子设备，包括：
[0034]存储模型，用于存储可执行指令；以及
[0035]显示模型，用于与所述存储模型显示以执行所述可执行指令从而完成上述任一所述基于集成学习的非视距信号检测方法的操作。
[0036]根据本申请实施例的还一个方面，提供的一种计算机可读存储介质，用于存储计算机可读取的指令，所述指令被执行时执行上述任一所述基于集成学习的非视距信号检测方法的操作。
[0037]本申请中，可以获取卫星样本数据集，卫星样本数据集包括至少一个目标卫星在不同接收机位置以及不同接收时刻下的原始观测数据；基于卫星样本数据集中的特征提取，训练得到初级分类模型以及次级分类模型；将获取到的待检测卫星数据分别输入至初级分类模型以及次级分类模型，得到对应的初级矢量值以及次级矢量值；基于初级矢量值以及次级矢量值，确定待检测卫星数据是否为非视距信号。通过应用本申请的技术方案，可以利用卫星样本数据训练得到初级分类模型以及次级分类模型。以使后续利用该多个分类模型，检测卫星数据的非视距信号。从而实现将多个单一分类模型进行集成，也可以克服利用单一分类模型进行检测所导致的性能不足或容易过拟合的问题，从而提高GNSS非视距信号的检测性能。
[0038]下面通过附图和实施例，对本申请本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于集成学习的非视距信号检测方法，其特征在于，包括：获取卫星样本数据集，所述卫星样本数据集包括至少一个目标卫星在不同接收机位置以及不同接收时刻下的原始观测数据；基于所述卫星样本数据集中的特征提取，训练得到初级分类模型以及次级分类模型；将获取到的待检测卫星数据分别输入至所述初级分类模型以及所述次级分类模型，得到对应的初级矢量值以及次级矢量值；基于所述初级矢量值以及次级矢量值，确定所述待检测卫星数据是否为非视距信号。2.如权利要求1所述的方法，其特征在于，所述卫星样本数据集包括以下数据：获取时间、卫星编号、观测伪距、信噪比以及所述目标卫星在地心地固坐标系下的三维坐标位置。3.如权利要求2所述的方法，其特征在于，在所述获取卫星样本数据集之后，还包括：利用接收机真实位置和每个目标卫星的三维坐标位置，计算卫星样本数据集中，每个目标卫星在地心地固坐标系下的视距矢量数据；根据所述目标卫星的视距矢量数据，对每个卫星样本数据进行标注，所述标注对应于视距信号或非视距信号。4.如权利要求3所述的方法，其特征在于，在所述获取卫星样本数据集之后，还包括：利用最小二乘迭代算法，计算得到每个所述卫星样本数据对应的接收机位置；利用所述接收机位置、所述三维坐标位置以及所述观测伪距，计算每个卫星样本数据的俯仰角度，伪距残差值以及伪距变化率；利用归一化算法，对所述卫星样本数据集中的每个提取特征进行归一化处理，得到每个所述提取特征的归一化特征，所述提取特征包括卫星样本数据中包括的所述俯仰角度，伪距残差值、伪距变化率、观测伪距、信噪比以及三维坐标位置。5.如权利要求4所述的方法，其特征在于，在所述得到每个所述提取特征的归一化特征之后，还包括：利用每个所述提取特征的归一化特征以及每个卫星样本数据对应的标注结果，对多个初始的单一分类模型进行训练，得到多个所述初级分类模...

【专利技术属性】
技术研发人员：孙源，邓中亮，
申请(专利权)人：北京邮电大学，
类型：发明
国别省市：