一种基于CNN-BP神经网络的GPS定位方法技术

本发明专利技术涉及一种基于CNN

【技术实现步骤摘要】
一种基于CNN
‑
BP神经网络的GPS定位方法


[0001]本专利技术涉及GPS(全球定位导航系统)定位导航技术，主要利用神经网络系统抑制GPS 信号接收过程中产生的多径效应。

技术介绍

[0002]近些年来，随着交通越来越发达，定位导航技术兴起，它可以引导我们到达相对应的目的地，并且在导航的过程中能够实时提供姿态信息，速度信息，还有位置信息等导航信息。目前来说，应用最广泛的就是全球定位导航技术(GPS)。在空旷没有任何遮挡的环境中，GPS 信号会直接到达接收机，得到相对于比较精确的定位信息，而在遮挡严重的城市峡谷环境中，由于高大的建筑物遍布道路两旁，狭窄的街道容易产生多径效应，严重干扰接收机的定位精度，因此，如何去抑制多径效应在GPS定位中的影响，提高定位精度是定位过程中极其重要的一点。
[0003]目前国内外针对多径效应的抑制方法主要分为三种：天线增强技术，改进接收机技术和信号后处理技术。其中，天线增强技术主要通过采用特殊类型的天线、天线阵与信号处理结合，或精心的天线选址及安装等来抑制多径效应产生的影响。改进接收机技术是通过接收机内部信号处理方法削弱多径效应的影响，当前主要有窄相关技术、多路径削弱技术等。但是这两种对于多径效应的抑制方法对接收机的硬件要求较高，计算量比较咋，占用的空间比较大，所以并不具备良好的应用场景。现在主流的多径效应抑制技术是信号后处理技术，是通过将接收机中的测量数据通过信号处理的手段来达到抑制多径效应的方法。主要的方法有基于信噪比、自适应滤波、小波变换等算法，通过这些算法来减弱伪距残差和伪距率残差中存在的多路径，以达到抑制多径效应。但是这些算法比较复杂，所起到的效果也不理想。
[0004]随着计算机技术的发展，很多学者研究利用神经网络处理多径效应带来的定位精度影响，也取得了一些很好的成效，在神经网络的基础上，本专利技术提出了一种基于卷积神经网络(CNN) 和全连接神经网络(BP)相结合的方法(以下统称CNN
‑
BP)来处理GPS定位过程中由多径效应带来的影响。
[0005]经过专利申请人检索，目前GPS多径效应抑制方法的国内专利技术专利有沈锋，李平敏在专利“一种基于稳健波束形成算法的GPS抗多径方法”(申请号CN201310138055.4)[1]中提出了一种多径效应的抑制方法。罗瑞丹，徐颖在专利“一种基于压缩感知算法的多径参数估计方法”(申请号CN201811422470.1)[2]提出利用多径信号在时间轴上的稀疏特性，基于压缩感知算法，对多径参数进行估计，从而达到抑制多径效应。陈武在专利“一种GPS多径效应改正定位方法和系统”(申请号CN201410662660.6)[3]提出根据估计的反射信号与直接信号的距离差计算位置改正数，进而对接收机的位置进行改正，减小了多径效应来提高定位精度。
[0006]参考文献：
[0007][1]沈锋，李平敏，专利名称：一种基于稳健波束形成算法的GPS抗多径方法，申请
号： CN201310138055.4
[0008][2]罗瑞丹，徐颖，专利名称：一种基于压缩感知算法的多径参数估计方法，申请号： CN201811422470.1
[0009][3]陈武,专利名称：一种GPS多径效应改正定位方法和系统，申请号：CN201410662660.6
[0010][4]李彦冬，郝宗波，雷航.卷积神经网络研究综述[J].计算机应用，2016,36(9):2508
‑
2515
[0011][5]李涛,袁赣南.基于BP神经网络GPS/INS深组合导航误差分析[C]//.第三届中国卫星导航学术年会电子文集——S09组合导航与导航新法.2012:124
‑
128.
[0012][6]张晓婷.GPS系统多径抑制技术方法研究与优化[D].上海交通大学,2016.

技术实现思路

[0013]本专利技术提供一种基于CNN
‑
BP神经网络的GPS定位方法，通过神经网络中CNN
‑
BP预测模型的方法处理多径信号，从而达到抑制多径效应的影响。技术方案如下：
[0014]一种基于CNN
‑
BP神经网络的GPS定位方法，包括下列步骤：
[0015]第一步，构建GPS数据集，并进行包括GPS位置、速度和卫星信息的数据预处理；
[0016]第二步，搭建CNN
‑
BP神经网络预测模型：CNN
‑
BP神经网络预测模型包括五个部分，分别是输入层，卷积层，池化层，BP神经网络层，输出层，
[0017]输入层，包括GPS位置、速度和卫星信息形成3
×
3的输入矩阵，GPS位置包括GPS经度，纬度和高度信息，速度包括加速度，角速度和速度信息，卫星信息包括卫星数量、精度和卫星时间信息；
[0018]卷积层，用于提取和优化输入特征值，卷积模块由2个1
×
1的卷积核，2个2
×
2卷积核、 2个3
×
3卷积核构成；对于3
×
3的输入矩阵，1
×
1的卷积核对输入的每个数据进行连接；2
×
2 的卷积核对输入的数据矩阵2
×
2的局部进行部分连接；3
×
3的卷积核对输入的数据矩阵进行全连接；
[0019]输入矩阵经过了卷积层处理后进入用于进行特征降维的池化层，池化模块由2个(2
×
2) 的池化核，2个(3
×
3)的池化核构成；经过卷积层处理后获得2个3
×
3特征矩阵、2个2
×
2 特征矩阵和2个特征值，对于4个特征矩阵，经过2次2
×
2池化操作和2次3
×
3池化操作，最终获得6个优化特征值；
[0020]经过池化层得到的6个优化特征值作为输入，输入到全连接的BP神经网络层，进行特征拟合；之后经过输出层输出GPS预测结果，包括GPS的经度，纬度和高度；
[0021]第三步，模型训练：把准备好的训练集中的GPS信息输入CNN
‑
BP神经网络预测模型中，卷积层与池化层采用误差反向传播算法进行训练，BP神经网络部分是全连接，需要按照链式法则从上至下逐层调整；不断更新CNN
‑
BP神经网络预测模型的网络参数一直到误差不再减小；再将训练好的网络参数保存作为模型。
[0022]本专利技术的基于CNN
‑
BP神经网络的GPS定位方法，具有以下有益效果：针对这一问题提出了CNN
‑
BP神经网络模型，设计了CNN
‑
BP模型中的各个参数，输入层结构，卷积层结构，池化层的结构，BP神经网络层的结构以及输出层的结构，并且针对本文中的GPS系统设计了相对应的CNN
‑
BP模型的训练。减小了多径效应在本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于CNN
‑
BP神经网络的GPS定位方法，包括下列步骤：第一步，构建GPS数据集，并进行包括GPS位置、速度和卫星信息的数据预处理；第二步，搭建CNN
‑
BP神经网络预测模型：CNN
‑
BP神经网络预测模型包括五个部分，分别是输入层，卷积层，池化层，BP神经网络层和输出层，其中，输入层，包括GPS位置、速度和卫星信息形成3
×
3的输入矩阵，GPS位置包括GPS经度，纬度和高度信息，速度包括加速度，角速度和速度信息，卫星信息包括卫星数量、精度和卫星时间信息；卷积层，用于提取和优化输入特征值，卷积模块由2个1
×
1的卷积核，2个2
×
2卷积核、2个3
×
3卷积核构成；对于3
×
3的输入矩阵，1
×
1的卷积核对输入的每个数据进行连接；2
×
2的卷积核对输入的数据矩阵2
×
2的局部进行部分连接；3
...

【专利技术属性】
技术研发人员：马永涛，董辉，
申请(专利权)人：天津大学，
类型：发明
国别省市：