本发明专利技术公开了基于卷积变换学习模型的非视距信号鉴别方法及系统，该方法包括：对采集到的卫星信号进行参数预处理，得到输出卫星信号；基于非凸log正则化算子构建卷积变换学习模型；将输出卫星信号输入至卷积变换学习模型进行特征提取，得到卫星信号的稀疏特征；基于支持向量机对卫星信号的稀疏特征进行测试分析，得到视距信号和非视距信号。该系统包括：采集模块、构建模块、提取模块和分类模块。通过使用本发明专利技术，能够排除卫星信号中非视距信号对定位性能的影响并进一步提高定位精度。本发明专利技术作为基于卷积变换学习模型的非视距信号鉴别方法及系统，可广泛应用于北斗导航卫星定位技术领域。领域。领域。
【技术实现步骤摘要】
基于卷积变换学习模型的非视距信号鉴别方法及系统
[0001]本专利技术涉及北斗导航卫星定位
，尤其涉及基于卷积变换学习模型的非视距信号鉴别方法及系统。
技术介绍
[0002]全球卫星导航系统用于各种基于位置的服务，如导航定位、授时、地理勘探、精密测量等诸多领域，目前，我国北斗系统组网完成，其他许多国家和地区也正不断构建和完善各自的全球卫星导航系统，以期提高各地的服务性能，但尽管定位卫星数量不断增加，由密集高大建筑所形成的城市峡谷环境中仍旧存在较大的定位误差，这种定位误差源自多径信号，一种被建筑物和其他物体反射或衍射后的信号，多径信号分为视距信号和非视距信号两种类型，它们对定位结果的影响显著不同，目前针对非视距多路径误差的对策可分为以下四类，首先是拒绝包含非视距信号多径误差的全球定位结果，其通过结合传感器轨迹来检测全球卫星导航系统定位结果中的跳跃并进行排除，但是降低了全球卫星导航系统的可用性，不切实际；其次从全球卫星导航系统观测中识别非视距信号，并将其排除在定位计算之外，通过接收机自主完整性监测相关技术检测到的全球卫星导航系统定位伪距中较大的测距误差，并将测距误差较大的信号排除，但在该情况下接收到的信号中非视距信号的数量是非常小的，不能应用于有较多非视距信号的环境中；紧接着是估计并校正非视距信号多径误差，通过建立3D城市地图修正非视距信号多径误差，然而非视距信号多径误差的校正是非常复杂和困难的，在精度方面还不现实；第四种是抑制射频段接收非视距信号，通过硬件抑制能够简化后续的软件算法处理流程，但在射频抑制信号需要非常多的硬件设备，将会提高系统复杂性和运行成本，又有人提出了一种基于卷积神经网络的非视距信号检测方法，该研究使用全球卫星导航系统观测数据进行非视距信号检测，相比传统方法，该方法利用卷积神经网络学习信号特征，提高了分类性能，但没有使用信号相关输出，但是卷积神经网络需要大量的标签数据进行学习，以此提高分类的精度，导致在实际应用中的效率不高；当接收到建筑物边缘附近的衍射信号或反射信号(如镜面反射)时，很难正确区分非视距信号。
技术实现思路
[0003]为了解决上述技术问题，本专利技术的目的是提供基于卷积变换学习模型的非视距信号鉴别方法及系统，能够通过排除卫星信号中非视距信号对定位性能的影响并进一步提高定位精度。
[0004]本专利技术所采用的第一技术方案是：基于卷积变换学习模型的非视距信号鉴别方法，包括以下步骤：
[0005]对采集到的卫星信号进行参数预处理，得到输出卫星信号；
[0006]基于非凸log正则化算子构建卷积变换学习模型；
[0007]将输出卫星信号输入至卷积变换学习模型进行特征提取，得到卫星信号的稀疏特
征；
[0008]基于支持向量机对卫星信号的稀疏特征进行测试分析，得到视距信号和非视距信号。
[0009]进一步，所述对采集到的卫星信号进行参数预处理，得到输出卫星信号这一步骤，其具体包括：
[0010]通过全球卫星导航系统接收机的相关器进行卫星信号的采集与分解，得到同相通道信号和正交通道信号；
[0011]将同相通道信号和正交通道信号通过乘法器分别与自身对应的副本信号相乘，得到相关信号；
[0012]结合相关信号，对同相通道信号和正交通道信号进行平方和计算，得到输出卫星信号。
[0013]进一步，所述同相通道信号和正交通道信号的表达式具体如下所示：
[0014][0015][0016]上式中，表示多普勒估计误差，表示相位估计误差，n
I
、n
Q
表示两个独立的和同分布的白噪声成分，T
i
表示相关集成时间，τ表示传播延迟，I表示同相通道信号，Q表示正交通道信号，M表示与传播延迟误差成正比的相关系数。
[0017]进一步，所述基于非凸log正则化算子构建卷积变换学习模型这一步骤，其具体包括：
[0018]引入非凸log正则化算子作为稀疏约束条件；
[0019]基于稀疏约束条件，学习卷积核组，对输入数据进行稀疏特征提取，并根据卷积核组和稀疏特征，构建基于log正则化的卷积变换优化函数；
[0020]通过近端凸差分方法对基于log正则化的卷积变换优化函数进行求解，得到求解结果；
[0021]根据求解结果采用交替更新的策略对卷积核组与稀疏特征进行交替迭代优化，构建卷积变换学习模型。
[0022]进一步，所述基于log正则化的卷积变换优化函数的表达式具体如下所示：
[0023][0024]上式中，x表示输入数据，D表示卷积核组，D
m
表示模型中第m层的卷积核组，d
k
表示卷积核组中的第k个卷积核，z
k
表示第k个卷积核得到的稀疏特征集合，F表示基于log正则化的卷积变换优化函数，K表示卷积核组中卷积核的个数，J
D
(D)表示卷积核组的多样性正则化函数，J
z
(
·
)表示log稀疏正则化函数。
[0025]进一步，所述基于log正则化的卷积变换优化函数包括非凸部分与凸部分，所述通过近端凸差分方法对基于log正则化的卷积变换优化函数进行求解，得到求解结果这一步骤，其具体包括：
[0026]对基于log正则化的卷积变换优化函数中的非凸部分进行差分分解，得到分解结果；
[0027]根据分解结果，对基于log正则化的卷积变换优化函数中的凸部分进行近端梯度下降求解，得到求解结果。
[0028]进一步，所述将输出卫星信号输入至卷积变换学习模型进行特征提取，得到卫星信号的稀疏特征这一步骤，其具体包括：
[0029]将输出卫星信号输入至卷积变换学习模型，所述卷积变换学习模型包括稀疏特征模块与卷积核模块；
[0030]基于卷积核模块对输出卫星信号进行特征提取处理，得到输出卫星信号的特征信息；
[0031]基于稀疏特征模块对输出卫星信号的特征信息进行优化训练，得到卫星信号的稀疏特征。
[0032]进一步，还包括根据卫星信号的稀疏特征对卷积变换学习模型进行迭代更新，其具体包括：
[0033]根据卫星信号的稀疏特征对稀疏特征模块与卷积核模块进行迭代更新；
[0034]直至所述稀疏特征模块与卷积核模块均满足收敛条件，停止更新，得到最终的卷积变换学习模型；
[0035]根据最终的卷积变换学习模型对卫星信号进行特征提取处理。
[0036]进一步，所述对稀疏特征模块与卷积核模块进行更新的表达式如下所示：
[0037][0038][0039]上式中，表示更新后的稀疏特征模块，表示更新后的卷积核模块，表示第t次迭代更新时的稀疏特征模块，表示第t次迭代更新时的卷积核模块，η
z
、η
d
表示梯度下降步长，表示凸函数中连续光滑部分的梯度，J
D
表示正交投影约束函数，表示利用凸差分算法得到的两个封闭凸函数中的第一个封闭本文档来自技高网...
【技术保护点】
【技术特征摘要】
1.基于卷积变换学习模型的非视距信号鉴别方法，其特征在于，包括以下步骤：对采集到的卫星信号进行参数预处理，得到输出卫星信号；基于非凸log正则化算子构建卷积变换学习模型；将输出卫星信号输入至卷积变换学习模型进行特征提取，得到卫星信号的稀疏特征；基于支持向量机对卫星信号的稀疏特征进行测试分析，得到视距信号和非视距信号。2.根据权利要求1所述基于卷积变换学习模型的非视距信号鉴别方法，其特征在于，所述对采集到的卫星信号进行参数预处理，得到输出卫星信号这一步骤，其具体包括：通过全球卫星导航系统接收机的相关器进行卫星信号的采集与分解，得到同相通道信号和正交通道信号；将同相通道信号和正交通道信号通过乘法器分别与自身对应的副本信号相乘，得到相关信号；结合相关信号，对同相通道信号和正交通道信号进行平方和计算，得到输出卫星信号。3.根据权利要求2所述基于卷积变换学习模型的非视距信号鉴别方法，其特征在于，所述同相通道信号和正交通道信号的表达式具体如下所示：述同相通道信号和正交通道信号的表达式具体如下所示：上式中，Δf
‑
表示多普勒估计误差，θ
τ
‑
表示相位估计误差，n
I
、n
Q
表示两个独立的和同分布的白噪声成分，T
i
表示相关集成时间，τ表示传播延迟，I表示同相通道信号，Q表示正交通道信号，M表示与传播延迟误差成正比的相关系数。4.根据权利要求3所述基于卷积变换学习模型的非视距信号鉴别方法，其特征在于，所述基于非凸log正则化算子构建卷积变换学习模型这一步骤，其具体包括：引入非凸log正则化算子作为稀疏约束条件；基于稀疏约束条件，学习卷积核组，对输入数据进行稀疏特征提取，并根据卷积核组和稀疏特征，构建基于log正则化的卷积变换优化函数；通过近端凸差分方法对基于log正则化的卷积变换优化函数进行求解，得到求解结果；根据求解结果采用交替更新的策略对卷积核组与稀疏特征进行交替迭代优化，构建卷积变换学习模型。5.根据权利要求4所述基于卷积变换学习模型的非视距信号鉴别方法，其特征在于，所述基于log正则化的卷积变换优化函数的表达式具体如下所示：上式中，x表示输入数据，D表示卷积核组，D
m
表示模型中第m层的卷积核组，d
k
表示卷积核组中的第k个卷积核，z
k
表示第k个卷积核得到的稀疏特征集合，F表示基于log正则化的卷积变换优化函数，K表示卷积核组中卷积核的个数，J
D
（D）表...
【专利技术属性】
技术研发人员：谢俊明，李珍妮，许泽蔚，秦睿，
申请(专利权)人：广东工业大学，
类型：发明
国别省市：
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。