本发明专利技术公开了一种基于全球卫星导航(GNSS)信号的机器学习场景识别方法，涉及卫星导航领域。本发明专利技术采用卡方检测对特征进行筛选，对特征的有效性进行了证明，去除了冗余特征；提出基于支持向量机(SVM)和随机森林(RF)的结果融合方法，利用SVM和RF原理的不同和功能的互补性提升了识别准确率，实现一种识别准确率高，低算力要求的基于GNSS信号的机器学习场景识别方法。
【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。</p>2、为实现上述目的，本专利技术提供了一种基于全球卫星导航信号的机器学习场景识别方法，包括以下步骤：
3、步骤1、对接收机接收到的gnss信号进行特征提取；
4、步骤2、在数据上进行数据集划分；
5、步骤3、使用训练集对svm和rf模型进行训练；
6、步骤4、使用训练好的svm和rf模型进行预测，结合结果融合方法得到最终的识别结果；
7、步骤5、对场景识别结果进行评估。
8、进一步地，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。
9、进一步地，所述步骤1，采用信号载噪比门限确定方法。
10、进一步地，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。
11、进一步地，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，及对场景识别的重要性。
12、进一步地，所述步骤1，包括以下步骤：
13、步骤1.1、结合穷举的思想，根据gnss接收机接收到的信息构建用于场景识别的特征；
14、步骤1.2、对构建的每一个特征进行卡方检测，对特征的卡方统计量进行从大到小排序，筛选有效特征，去除冗余特征；
15、步骤1.3、构建特征向量。
16、进一步地，所述步骤2，包括以下步骤：
17、步骤2.1、数据预处理；
18、步骤2.2、将数据集划分为训练集和测试集。
19、进一步地，所述步骤3，包括以下步骤：
20、步骤3.1、模型调参；
21、步骤3.2、将训练集数据分别输入调参后的svm和rf对模型进行训练。
22、进一步地，所述步骤4，包括以下步骤：
23、步骤4.1、测试集数据分别输入svm和rf预测样本属于场景的概率；
24、步骤4.2、svm和rf预测结果融合。
25、进一步地，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，得到样本属于场景的得分，得分最高的场景判定为样本所属的场景。
26、在本专利技术的较佳实施方式中，针对在特征提取和评估方面缺乏依据，对设备的算力要求高。本专利技术提出穷举法结合卡方检测的方法提取有效特征，去除无效特征和冗余特征。通过卡方检测计算得到的卡方统计量和p-value可以评估特征与场景间的相关性，及其对场景识别的重要性。本专利技术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。解决了当前基于gnss的场景识别特征识别可解释性差，速度慢，以及对设备算力要求高的问题。
27、针对识别准确率不高。本专利技术提出将支持向量机(svm)和随机森林(rf)的预测结果进行融合。融合方法：将svm的预测概率与rf的预测概率对应相加，得到该样本属于四类场景的得分，得分最高的场景判定为该样本所属的场景。svm是二分类模型，其原理是寻找一超平面，使两类之间的支持向量到超平面的距离最大化，通过一对多(ovr)策略将其推广到多分类。rf则是基于bagging技术的多分类模型，基础单元是决策树。二者的原理使其在功能上具有互补性。本专利技术利用svm和rf原理的不同和功能的互补性提升了识别准确率，一定程度上缓解了当前基于gnss的场景识别准确率低的问题。
28、提取特征过程中的载噪比(c/n0)门限在很多研究中使用经验值，缺少明确的确定方法。本专利技术提出c/n0门限确定方法：取四类场景下c/n0的下四分位数的最小值作为门限。c/n0小于下四分位数的信号传输过程往往受到较严重的阻挡，可将其视为异常值。取四类场景下c/n0的下四分位数的最小值作为门限可以保证四类场景下接收到的c/n0在门限以下的信号均为异常值。本专利技术更好地过滤了异常信号，使提出的特征更有效，进一步提升了场景识别的准确率。一定程度上帮助缓解了当前基于gnss的场景识别准确率低的问题。
29、本专利技术与现有技术相比较，具有如下显而易见的实质性特点和显著优点：
30、本专利技术采用卡方检测对特征进行筛选，对特征的有效性进行了证明，去除了冗余特征；提出基于svm和rf的结果融合方法，利用svm和rf原理的不同和功能的互补性提升了识别准确率，实现一种识别准确率高，低算力要求的基于gnss信号的机器学习场景识别方法。
31、以下将结合附图对本专利技术的构思、具体结构及产生的技术效果作进一步说明，以充分地了解本专利技术的目的、特征和效果。
本文档来自技高网...
【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3，包括以下步骤：
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...
【专利技术属性】
技术研发人员：何迪，杨宇婷，郁文贤，
申请(专利权)人：上海交通大学，
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。