System.ArgumentOutOfRangeException: 索引和长度必须引用该字符串内的位置。 参数名: length 在 System.String.Substring(Int32 startIndex, Int32 length) 在 zhuanliShow.Bind()
【技术实现步骤摘要】
本专利技术涉及卫星导航领域,尤其涉及一种基于全球卫星导航信号的机器学习场景识别方法。
技术介绍
1、目前全球卫星导航系统(gnss)定位算法在不同的场景下仍有较大的局限性,某一种特定的gnss定位算法并不能很好地适应所有环境,提供鲁棒的定位结果,这是因为接收机能接收到的可用于导航的信号及其质量取决于接收机所处的场景。场景识别能够提供有关导航传感器信号的潜在质量的信息,帮助构建一个场景自适应的导航系统,在不同场景下选择不同的定位算法或传感器,使得该系统能够在不同场景下实现精准的导航和定位。目前场景识别主要应用于自动驾驶,路径规划等领域。根据所用传感器的不同,场景识别方法可分为基于gnss信号的场景识别、基于计算机视觉的场景识别和基于深度地图的场景识别等。基于视觉的场景识别对设备算力要求高,且夜间无法工作;基于深度地图的场景识别需要lidar等设备,成本高,系统复杂;而基于gnss信号的场景识别因其对算力要求较低,识别速度快,不受昼夜交替的影响等优势获得了关注,但其在特征提取和评估方面缺乏依据,且识别准确率有待提高。
2、因此,本领域的技术人员致力于开发一种基于全球卫星导航信号的机器学习场景识别方法。保证了特征的有效性,去除了冗余特征,加快了模型训练速度,减少了运算量,降低对设备的算力要求,提升场景识别准确率。
技术实现思路
1、有鉴于现有技术的上述缺陷,本专利技术所要解决的技术问题是基于gnss的场景识别特征识别可解释性差,速度慢,对设备算力要求高,识别准确率低的问题。<
...【技术保护点】
1.一种基于全球卫星导航信号的机器学习场景识别方法,其特征在于,包括以下步骤:
2.如权利要求1所述的基于全球卫星导航信号的机器学习场景识别方法,其特征在于,所述步骤1,采用穷举法结合卡方检测的方法提取有效特征。
3.如权利要求1所述的基于全球卫星导航信号的机器学习场景识别方法,其特征在于,所述步骤1,采用信号载噪比门限确定方法。
4.如权利要求3所述的基于全球卫星导航信号的机器学习场景识别方法,其特征在于,所述信号载噪比门限确定方法,取场景下信号载噪比的下四分位数的最小值作为门限。
5.如权利要求1所述的基于全球卫星导航信号的机器学习场景识别方法,其特征在于,所述步骤1,通过卡方检测计算得到的卡方统计量和P-value,评估特征与场景间的相关性,及特征对场景识别的重要性。
6.如权利要求1所述的基于全球卫星导航信号的机器学习场景识别方法,其特征在于,所述步骤1,包括以下步骤:
7.如权利要求1所述的基于全球卫星导航信号的机器学习场景识别方法,其特征在于,所述步骤2,包括以下步骤:
8.如权利要求
9.如权利要求1所述的基于全球卫星导航信号的机器学习场景识别方法,其特征在于,所述步骤4,包括以下步骤:
10.如权利要求9所述的基于全球卫星导航信号的机器学习场景识别方法,其特征在于,所述结果融合方法,将SVM的预测概率与RF的预测概率对应相加,得到样本属于每一类场景的得分,得分最高的场景判定为样本所属的场景。
...【技术特征摘要】
1.一种基于全球卫星导航信号的机器学习场景识别方法,其特征在于,包括以下步骤:
2.如权利要求1所述的基于全球卫星导航信号的机器学习场景识别方法,其特征在于,所述步骤1,采用穷举法结合卡方检测的方法提取有效特征。
3.如权利要求1所述的基于全球卫星导航信号的机器学习场景识别方法,其特征在于,所述步骤1,采用信号载噪比门限确定方法。
4.如权利要求3所述的基于全球卫星导航信号的机器学习场景识别方法,其特征在于,所述信号载噪比门限确定方法,取场景下信号载噪比的下四分位数的最小值作为门限。
5.如权利要求1所述的基于全球卫星导航信号的机器学习场景识别方法,其特征在于,所述步骤1,通过卡方检测计算得到的卡方统计量和p-value,评估特征与场景间的相关性,及特征对...
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。