CN107807371A - 基于北斗卫星观测数据的数据相关性处理方法 - Google Patents
基于北斗卫星观测数据的数据相关性处理方法 Download PDFInfo
- Publication number
- CN107807371A CN107807371A CN201710825314.9A CN201710825314A CN107807371A CN 107807371 A CN107807371 A CN 107807371A CN 201710825314 A CN201710825314 A CN 201710825314A CN 107807371 A CN107807371 A CN 107807371A
- Authority
- CN
- China
- Prior art keywords
- data
- observation
- data sample
- observation model
- model
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Granted
Links
Classifications
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01S—RADIO DIRECTION-FINDING; RADIO NAVIGATION; DETERMINING DISTANCE OR VELOCITY BY USE OF RADIO WAVES; LOCATING OR PRESENCE-DETECTING BY USE OF THE REFLECTION OR RERADIATION OF RADIO WAVES; ANALOGOUS ARRANGEMENTS USING OTHER WAVES
- G01S19/00—Satellite radio beacon positioning systems; Determining position, velocity or attitude using signals transmitted by such systems
- G01S19/38—Determining a navigation solution using signals transmitted by a satellite radio beacon positioning system
- G01S19/39—Determining a navigation solution using signals transmitted by a satellite radio beacon positioning system the satellite radio beacon positioning system transmitting time-stamped messages, e.g. GPS [Global Positioning System], GLONASS [Global Orbiting Navigation Satellite System] or GALILEO
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N20/00—Machine learning
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01S—RADIO DIRECTION-FINDING; RADIO NAVIGATION; DETERMINING DISTANCE OR VELOCITY BY USE OF RADIO WAVES; LOCATING OR PRESENCE-DETECTING BY USE OF THE REFLECTION OR RERADIATION OF RADIO WAVES; ANALOGOUS ARRANGEMENTS USING OTHER WAVES
- G01S19/00—Satellite radio beacon positioning systems; Determining position, velocity or attitude using signals transmitted by such systems
- G01S19/01—Satellite radio beacon positioning systems transmitting time-stamped messages, e.g. GPS [Global Positioning System], GLONASS [Global Orbiting Navigation Satellite System] or GALILEO
- G01S19/03—Cooperating elements; Interaction or communication between different cooperating elements or between cooperating elements and receivers
- G01S19/07—Cooperating elements; Interaction or communication between different cooperating elements or between cooperating elements and receivers providing data for correcting measured positioning data, e.g. DGPS [differential GPS] or ionosphere corrections
- G01S19/071—DGPS corrections
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01S—RADIO DIRECTION-FINDING; RADIO NAVIGATION; DETERMINING DISTANCE OR VELOCITY BY USE OF RADIO WAVES; LOCATING OR PRESENCE-DETECTING BY USE OF THE REFLECTION OR RERADIATION OF RADIO WAVES; ANALOGOUS ARRANGEMENTS USING OTHER WAVES
- G01S19/00—Satellite radio beacon positioning systems; Determining position, velocity or attitude using signals transmitted by such systems
- G01S19/38—Determining a navigation solution using signals transmitted by a satellite radio beacon positioning system
- G01S19/39—Determining a navigation solution using signals transmitted by a satellite radio beacon positioning system the satellite radio beacon positioning system transmitting time-stamped messages, e.g. GPS [Global Positioning System], GLONASS [Global Orbiting Navigation Satellite System] or GALILEO
- G01S19/40—Correcting position, velocity or attitude
- G01S19/41—Differential correction, e.g. DGPS [differential GPS]
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N20/00—Machine learning
- G06N20/10—Machine learning using kernel methods, e.g. support vector machines [SVM]
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N5/00—Computing arrangements using knowledge-based models
- G06N5/04—Inference or reasoning models
- G06N5/048—Fuzzy inferencing
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N7/00—Computing arrangements based on specific mathematical models
- G06N7/01—Probabilistic graphical models, e.g. probabilistic networks
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01S—RADIO DIRECTION-FINDING; RADIO NAVIGATION; DETERMINING DISTANCE OR VELOCITY BY USE OF RADIO WAVES; LOCATING OR PRESENCE-DETECTING BY USE OF THE REFLECTION OR RERADIATION OF RADIO WAVES; ANALOGOUS ARRANGEMENTS USING OTHER WAVES
- G01S19/00—Satellite radio beacon positioning systems; Determining position, velocity or attitude using signals transmitted by such systems
- G01S19/01—Satellite radio beacon positioning systems transmitting time-stamped messages, e.g. GPS [Global Positioning System], GLONASS [Global Orbiting Navigation Satellite System] or GALILEO
- G01S19/13—Receivers
- G01S19/23—Testing, monitoring, correcting or calibrating of receiver elements
Landscapes
- Engineering & Computer Science (AREA)
- Radar, Positioning & Navigation (AREA)
- Remote Sensing (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Software Systems (AREA)
- Data Mining & Analysis (AREA)
- Computer Networks & Wireless Communication (AREA)
- Artificial Intelligence (AREA)
- Evolutionary Computation (AREA)
- General Engineering & Computer Science (AREA)
- Computing Systems (AREA)
- Mathematical Physics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Medical Informatics (AREA)
- Fuzzy Systems (AREA)
- Automation & Control Theory (AREA)
- Computational Linguistics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Mathematical Optimization (AREA)
- Pure & Applied Mathematics (AREA)
- Mathematical Analysis (AREA)
- Computational Mathematics (AREA)
- Algebra (AREA)
- Probability & Statistics with Applications (AREA)
- Evolutionary Biology (AREA)
- Bioinformatics & Computational Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Complex Calculations (AREA)
- Position Fixing By Use Of Radio Waves (AREA)
Abstract
本发明提供一种基于北斗卫星观测数据的数据相关性处理方法及***,所述方法包括:a)收集北斗卫星导航***的观测数据;b)根据所述观测数据截取数据样本,并确定每一个数据样本的隶属度;c)构造目标分类函数,利用拉格朗日函数求解目标分类函数,将所述隶属度转换为拉格朗日系数进行数据样本分类和筛选;对筛选后的数据样本检验每段时间序列的平稳性;d)利用步骤c)中具有平稳性的数据样本建立观测模型,根据所述观测模型的估计值和实际观测值所产生的残差序列判断所述观测模型的正确性;若观测模型不正确,对观测模型优化;e)建立判别模型进行相关性分析。本发明针对卫星观测数据进行相关性分析,能够有效提高观测数据的质量。
Description
技术领域
本发明涉及卫星导航技术领域,特别涉及一种基于北斗卫星导航***观测数据的相关性处理方法。
背景技术
北斗卫星导航***(BeiDou Navigation Satellite System,BDS)是中国自主发展、独立运行的全球卫星导航***,是与美国GPS全球定位***、俄罗斯GLONASS卫星导航***,以及欧洲Galileo***共同被国际民航组织(International Civil AviationOrganization,ICAO)认可的四大核心卫星导航***,致力于向全球用户提供高质量的导航、定位和授时服务。
北斗卫星导航***定位过程中,不可避免地会受到多种误差的影响,如电离层延迟、对流层延迟、多路径效应等。因此,在实现北斗***精密定位前,有必要对北斗***观测数据进行质量检查和分析,以减弱、消除各种误差因素对定位结果的影响。
为提升卫星导航***精度和完好性的整体服务质量,国际民航组织提出了地基增强***的概念。地基增强***通过建立位置已知的地面基准站,在提高卫星导航精度的基础上,增加了一系列完好性监视算法,提高***完好性、可用性、连续性的指标,为北斗卫星导航***用户提供可靠的观测数据和相关服务信息,使机场覆盖空域范围内的配置相应机载设备的飞机获得到高标准的精密进近、着陆引导服务。地基增强***重点应用有GNSS中国地基区域完好性监视***(Ground-based Regional Integrity Monitoring System,GRIMS)、国际全球连续监测评估***(international GNSS Monitoring&AssessmentSystem,iGMAS)、国际GNSS服务组织(The International GNSS Service,IGS)和北斗地基增强***等区域增强***。
但是地基增强***提供的北斗卫星观测数据却常常忽略观测数据本身可能存在的问题对数据质量的影响。其中最值得注意的便是观测数据的相关性,例如双卫星各自发生故障时的通道相关性,单卫星同时发生两个故障时的前后历元的相关性等。若引发相关性的故障不能被及时告警,观测数据则受到影响,无法提供可靠的卫星状态信息,进而北斗卫星导航***的所有用户的安全都处于危险中,将对社会生命安全造成巨大危害。
因此,为了解决上述问题,需要提供一种能够对地基增强***提供的北斗卫星观测数据进行相关性分析,提高数据质量和北斗卫星导航***服务水平的基于北斗卫星观测数据的数据相关性处理方法。
发明内容
本发明的目的在于提供一种基于北斗卫星观测数据的数据相关性处理方法,所述方法包括:
a)收集北斗卫星导航***的观测数据;
b)根据所述观测数据截取数据样本,并确定每一个数据样本的隶属度;
c)构造目标分类函数,利用拉格朗日函数求解目标分类函数,将所述隶属度转化为拉格朗日系数,通过拉格朗日系数进行数据样本分类和筛选,剔除不可用的数据样本;对筛选后的数据样本采用单位根检验法检验每段时间序列的平稳性;
d)利用步骤c)中具有平稳性的数据样本建立观测模型,根据所述观测模型的估计值和实际观测值所产生的残差序列判断所述观测模型的正确性,若观测模型不正确,对观测模型优化;
e)在步骤d)中得到的正确的观测模型中查找相关性数据,并通过建立判别模型进行观测数据的相关性分析。
优选地,所述观测数据为伪距观测数据或载波观测数据。
优选地,所述数据样本通过如下方式进行分类:
(y1,ρ1,1,μ(ρ1,1)),…,(yn,ρn,1,μ(ρn,1)),其中yi∈{-1,1}为分类函数,μ(ρi,1)为数据样本ρi,1的隶属度,即数据样本ρi,1的隶属于类(yi,ρi,1,μ(ρi,1))的可靠程度。
优选地,通过如下方法对数据样本进行筛选:
c1)假设为训练数据样本从原始模式空间RN映射到高位特征空间Z之间的映射关系;
c2)构造目标分类函数
和约束条件yi[(wT·zi)+b]-1+ξi≥0,
其中,ξi为目标分类函数中的分类误差项,w为分类函数yi的权系数,惩罚因子C为常数,i=1,…,n;
c3)定义拉格朗日函数:
其中αi为拉格朗日系数;
所述拉格朗日函数分别对w,b,ξi求偏导,并令偏导数为零带入所述拉格朗日函数得到关于拉格朗日系数的二次规划函数:
其中K为核函数;
在约束条件下,求解所述二次规划函数最大值所对应的拉格朗日系数αi,当αi>0,则数据样本ρi,1可用,当αi≤0,则数据样本ρi,1不可用。
优选地,所述核函数为高斯核函数,其表达式为:
其中Gamma为高斯分布宽度。
优选地,通过如下方式对筛选后的数据样本采用单位根检验法检验每段时间序列的平稳性:
对i时刻与i-1时刻的数据样本的关系ρi,1=γρi-1,1+εi通过差分形式表示为:Δρi,1=δρi-1,1+εi,其中γ为系数,δ=γ-1,εi为i时刻的噪声项;
对Δρi,1进行OLS估计,计算统计量其中为δ的OLS估计量,为的标准差估计量;
当Tδ<τ,则数据样本的时间序列平稳,反之,则数据样本的时间序列不平稳。
优选地,所述步骤d)观测模型按照如下方法建立:
d1)选取拟拟合的观测模型为:Pt-φPt-1-…-φPt-p=εt+θ1εt-1+…+θqεt-q,其中P={Pt,t=0,±1,…}为零均值平稳随机序列,ε={εt,t=0,±1,…}为方差为σ2的白噪声序列;
d2)通过AIC准则,在p,q的变化范围内寻找使统计量F(p,q)达到最小的点(p,q),作为观测模型的阶数;
d3)通过最小二乘法对拟拟合的观测模型的未知参数φ和θ进行估计;
d4)将步骤d3)中得到的参数带入到步骤d1)中拟拟合的观测模型中得到观测模型。
优选地,通过如下方法判断观测模型的正确性:
假设观测模型的估计值和实际观测值所产生的残差序列为白噪声序列{εt},其中Pt为观测模型的实际观测值,为观测模型的估计值;
构造统计量其中N为数据样本长度,为数据样本自相关系数,M取N/10;
对于给定的显著水平η具有临界值若则否定假设,观测模型的估计值和实际观测值所产生的残差序列不是白噪声序列,观测模型错误;若则假设成立,观测模型的估计值和实际观测值所产生的残差序列是白噪声序列,观测模型正确。
优选地,在步骤d)中相关性分析包括如下步骤:
e1)计算相关系数其中
r∈(-1,0,1),为观测数据的均值,n为数据样本的总数;
e2)建立判别模型其中
和为生成元,Q(ti)为节点ti的局部多项式,Q(ti+1)为节点ti+1的局部多项式,I为示性函数,θi和θ0,i为判别模型的参数,u、v为随机变量,S(u1)=-log(-log(u1)),S(u2)=-log(-log(u2)),S-1为S的反函数;
e3)对判别模型重新定义参数β=(β0=1/θ0,…,βn=1/θn),并估计重新定义的参数其中Y为拟观测值,P为实际观测值,λ为给定的光滑度系数,r为相关系数;
根据重新定义的相邻参数的r阶差分分析观测数据的相关性。
优选地,所述新定义的相邻参数的r阶差分为:
Δ1β=(βi-βi-1,i=1,…,n)t,Δrβ=Δ(Δr-1β);
当r=0,则观测数据不相关;当r=1,则惩罚所述重新定义的相邻参数的线性变化;当r=2,则惩罚所述重新定义的相邻参数的二次变化。
本发明提供的一种基于北斗卫星观测数据的数据相关性处理方法,利用基于北斗卫星导航***(BDS)的地基增强***(GBAS)应用收集北斗卫星导航***观测数据,通过对观测数据进行分类、平稳性检测以及观测数据相关性分析,降低了噪声和野值点的影响,提高观测数据的可信度,能够指导消除了卫星故障对北斗卫星导航***的影响。
应当理解,前述大体的描述和后续详尽的描述均为示例性说明和解释,并不应当用作对本发明所要求保护内容的限制。
附图说明
参考随附的附图,本发明更多的目的、功能和优点将通过本发明实施方式的如下描述得以阐明,其中:
图1示意性示出了适用于本发明基于北斗卫星观测数据的数据相关性处理方法的数据处理***的结构框图;
图2示出了本发明基于北斗卫星观测数据的数据相关性处理方法的整体流程框图;
图3示出了本发明观测数据的分类、优化和平稳性检测的流程框图;
图4示出了本发明观测模型的建立流程框图;
图5示出了本发明观测数据相关性分析的流程框图。
具体实施方式
通过参考示范性实施例,本发明的目的和功能以及用于实现这些目的和功能的方法将得以阐明。然而,本发明并不受限于以下所公开的示范性实施例;可以通过不同形式来对其加以实现。说明书的实质仅仅是帮助相关领域技术人员综合理解本发明的具体细节。
在下文中,将参考附图描述本发明的实施例,相关技术术语应当是本领域技术人员所熟知的。在附图中,相同的附图标记代表相同或类似的部件,或者相同或类似的步骤,除非另有说明。
下面通过具体的实施例对本发明的内容进行详细的阐释,首先对本发明观测数据的来源给出说明。
地基增强***应用有GRIMS、iGMAS、IGS和北斗地基增强***等。本发明的观测数据不限于上述的地基增强***应用,卫星导航***的基本观测数据是伪距和载波两个距离观测数据,距离观测数据是通过将接收机接收到的卫星信号与接收机自身产生的信号比对,得到时间差或相位差后,进一步处理而获得的。本实施例中示例性的以伪距观测数据为例对本发明数据处理方法进行说明,应当理解本发明的宗旨并不限于此,在一些实施例中,可以是载波观测数据。
伪距观测数据:接收机对卫星信号的一个最基本的测量值;假设在某一时刻,卫星在卫星钟的控制下发出测距码,与此同时接收机则在接收机钟的控制下产生或者说复制出结构完全相同的测距码。由接收机所产生的复制码,经过一个时间延迟器延迟时间后与接收到的卫星信号进行比对,如果这两个信号尚未对齐,就调整延迟时间,直至这两个信号对齐为止。此时复制码的延迟时间就等于卫星信号的传播时间,将其乘以真空中的光速后即可得卫地间的距离。
为了使本发明的内容更加清晰的得以说明,首先对适用于本发明基于北斗卫星导航***观测数据的相关性处理方法的数据处理***进行说明,如图1所示适用于本发明基于北斗卫星导航***观测数据的相关性处理方法的数据处理***的结构框图,北斗卫星导航***的地基增强***应用300接收定位卫星200的观测数据,将观测数据传输到数据处理***100进行数据处理,数据处理***包括观测数据接收模块101、观测数据分类模块102、观测模型建立模块103,以及观测数据分析模块104,其中
观测数据接收模块101,用于接收来自北斗卫星导航***的观测数据;
观测数据分类模块102,用于对接收的观测数据进行样本截取分类,并对截取的数据样本筛选和平稳性检测;
观测模型建立模块103,用于建立为数据相关性分析提供相关性数据的观测模型;
观测数据分析模块104,用于对观测数据进行相关性分析。
如图2所示本发明一种基于北斗卫星导航***观测数据的相关性处理方法整体流程框图,实施例中一种基于北斗卫星导航***观测数据的相关性处理方法包括:
S101、收集北斗卫星导航***的观测数据
本实施例中以B1频点伪距观测数据为例,截取30天的数据为样本,时间序列间隔为30秒,共86400(2880*30=86400)个样本。在一些实施例中观测数据为载波观测数据。
S102、观测数据分类、筛选和平稳性检测
如图3所示本发明观测数据的分类、筛选和平稳性检测的流程框图,观测数据分类、筛选和平稳性检测按照如下方法进行。
S201、确定隶属度
根据所述观测数据截取数据样本,并确定每一个数据样本的隶属度。
数据样本通过如下方式进行分类:(y1,ρ1,1,μ(ρ1,1)),…,(yn,ρn,1,μ(ρn,1)),其中yi∈{-1,1}为分类函数,μ(ρi,1)为数据样本ρi,1的隶属度,即数据样本ρi,1的隶属于类(yi,ρi,1,μ(ρi,1))的可靠程度。
分类半径为其中为观测数据的均值。通过下式计算各个时刻数据样本的隶属度:
其中δ>0是预设的常数。
S202、构造目标分类函数,筛选观测数据
构造目标分类函数,利用拉格朗日函数求解目标分类函数,将隶属度转化为拉格朗日系数,通过拉格朗日系数进行数据样本外分类,剔除不可用的数据样本。根据本发明通过如下方法对数据样本进行筛选:
假设为训练数据样本从原始模式空间RN映射到高位特征空间Z之间的映射关系。
构造目标分类函数
和约束条件yi[(wT·zi)+b]-1+ξi≥0,
其中,ξi为目标分类函数中的分类误差项,w为分类函数yi的权系数,惩罚因子C为常数,i=1,…,n;
由于目标函数的最优解为最优分类面,为了求解目标分类函数定义拉格朗日函数:
其中αi≥0为拉格朗日系数。
所述拉格朗日函数分别对w,b,ξi求偏导,并令偏导数为零。
将上述求得的偏导数带入拉格朗日函数,将最优分类面问题转化为对偶问题。
根据本发明将上述求得的偏导数带入拉格朗日函数得到关于拉格朗日系数的二次规划函数:
其中K为核函数,优选地,本实施例中核函数为高斯核函数,其表达式为:
其中Gamma为高斯分布宽度。
在约束条件下,求解所述二次规划函数最大值所对应的拉格朗日系数αi,当αi>0,则数据样本ρi,1可用,当αi≤0,则数据样本ρi,1不可用。对不可用的数据样本进行删除,实现对观测数据筛选。
S203、检测观测数据的平稳性
本发明对筛选后的数据样本采用单位根检验法检验每段时间序列的平稳性。具体地,通过如下方式对筛选后的数据样本采用单位根检验法检验每段时间序列的平稳性:
对i时刻与i-1时刻的数据样本的关系ρi,1=γρi-1,1+εi通过差分形式表示为:Δρi,1=δρi-1,1+εi,其中γ为系数,δ=γ-1,εi为i时刻的噪声项;
对Δρi,1进行OLS估计,计算统计量其中为δ的OLS估计量,为的标准差估计量;
当Tδ<τ,则数据样本的时间序列平稳,反之,则数据样本的时间序列不平稳。
通过上述观测数据平稳性检测,对时间序列不平稳的数据样本重新选取时间序列以保证时间序列平稳。
本发明提供的一种基于北斗卫星导航***观测数据的相关性处理方法对北斗卫星观测数据进行分类、筛选以及平稳性检验,降低噪声和野值点对数据质量的影响,保证数据的可靠性。
S103、建立观测模型
利用步骤S102中的具有平稳性的数据样本建立观测模型,根据所述观测模型的估计值和实际观测值所产生的残差序列判断所述观测模型的正确性,若观测模型不正确,对观测模型优化。如图4所示本发明观测模型的建立流程框图,根据本发明观测模型按照如下方法建立:
S301、选取拟拟合的观测模型
选取拟拟合的观测模型为:Pt-φPt-1-…-φPt-p=εt+θ1εt-1+…+θqεt-q,其中P={Pt,t=0,±1,…}为零均值平稳随机序列,ε={εt,t=0,±1,…}为方差为σ2的白噪声序列。
S302、确定观测模型的阶数
根据本发明通过AIC准则,在p,q的变化范围内寻找使统计量F(p,q)达到最小的点(p,q),作为观测模型的阶数。具体为:定义AIC函数:
其中为噪声项方差的估计,L为给定的最高阶数,N为已知观测数据样本的容量。
S303、对观测模型的未知参数估值
本发明通过最小二乘法对拟拟合的观测模型的未知参数φ和θ进行估计。
首先计算残差k=p+1,p+2,…,N;
确定观测模型的初步模型:t=L+1,L+2,…,N;其中,φ和θ是待定参数。
未知参数φ和θ的目标函数为:
求解目标函数的最小值,得到最小二乘估计:
噪声项方差σ2的最小二乘估计为:
φ和θ的最小二乘估计方法为:
则,将未知参数φ和θ的目标函数改写为:
由方程组接触最小二乘估计:
S304、建立观测模型
将步骤S303中得到的参数φ和θ带入到步骤S301中拟拟合的观测模型中得到观测模型。
根据本发明需要对建立的观测模型进行正确性判断,实施例中通过如下方法判断观测模型的正确性:
假设观测模型的估计值和实际观测值所产生的残差序列为白噪声序列{εt},其中Pt为观测模型的实际观测值,为观测模型的估计值;
构造统计量其中N为数据样本长度,为数据样本自相关系数,M取N/10;
对于给定的显著水平η具有临界值若则否定假设,观测模型的估计值和实际观测值所产生的残差序列不是白噪声序列,观测模型错误;若则假设成立,观测模型的估计值和实际观测值所产生的残差序列是白噪声序列,观测模型正确;反之,观测模型拟合较差,观测模型不正确,需要对观测模型进行优化。具体地,观测模型按照如下方法优化:
对残差的异方差性进行分析和表征:
εt=σtLt
其中,{Lt}为独立同分布的随机变量序列,p,q≥0,αi和βi为非负常量,是条件方差,
εt的无条件方差为:
S104、观测数据相关性分析
在步骤S103中得到的正确的观测模型中查找相关性数据,并通过建立判别模型进行观测数据的相关性分析。如图5所示本发明观测数据相关性分析的流程框图,相关性分析包括如下步骤:
S401、计算相关系数
通过计算相关性系数在观测模型中查找相关性数据,具体地相关系数其中
r∈(-1,0,1),为观测数据的均值,n为数据样本的总数。
S402、建立判别模型
建立判别模型其中
和为生成元,Q(ti)为节点ti的局部多项式,Q(ti+1)为节点ti+1的局部多项式,I为示性函数,θi和θ0,i为判别模型的参数,u、v为随机变量,S(u1)=-log(-log(u1)),S(u2)=-log(-log(u2)),S-1为S的反函数。
S403、重新定义判别模型的参数
对判别模型重新定义参数β=(β0=1/θ0,…,βn=1/θn),并估计重新定义的参数其中Y为拟观测值,P为实际观测值,λ为给定的光滑度系数,r为相关系数;
根据重新定义的相邻参数的r阶差分分析观测数据的相关性。
S404、观测数据相关性分析
根据本发明,实施例中重新定义的相邻参数的r阶差分为:
Δ1β=(βi-βi-1,i=1,…,n)t,Δrβ=Δ(Δr-1β);
当相关系数r=0,则观测数据不相关;当r=1,则惩罚所述重新定义的相邻参数的线性变化;当r=2,则惩罚所述重新定义的相邻参数的二次变化。
本发明一种基于北斗卫星导航***观测数据的相关性处理方法通过建立观测建模,定量分析数据特性,对观测数据的相关性进行分析指导,消除卫星故障对北斗卫星导航***的影响。
本发明提供的一种基于北斗卫星导航***观测数据的相关性处理方法利用基于北斗卫星导航***的地基增强***应用收集北斗卫星导航***观测数据,通过对观测数据进行分类、平稳性检测以及观测数据相关性分析,降低了噪声和野值点的影响,提高观测数据的可信度,能够指导消除卫星故障对北斗卫星导航***的影响。
结合这里披露的本发明的说明和实践,本发明的其他实施例对于本领域技术人员都是易于想到和理解的。说明和实施例仅被认为是示例性的,本发明的真正范围和主旨均由权利要求所限定。
Claims (10)
1.一种基于北斗卫星观测数据的数据相关性处理方法,其特征在于,所述方法包括:
a)收集北斗卫星导航***的观测数据;
b)根据所述观测数据截取数据样本,并确定每一个数据样本的隶属度;
c)构造目标分类函数,利用拉格朗日函数求解目标分类函数,将所述隶属度转化为拉格朗日系数,通过拉格朗日系数进行数据样本分类和筛选,剔除不可用的数据样本;对筛选后的数据样本采用单位根检验法检验每段时间序列的平稳性;
d)利用步骤c)中具有平稳性的数据样本建立观测模型,根据所述观测模型的估计值和实际观测值所产生的残差序列判断所述观测模型的正确性,若观测模型不正确,对观测模型优化;
e)在步骤d)中得到的正确的观测模型中查找相关性数据,并通过建立判别模型进行观测数据的相关性分析。
2.根据权利要求1所述的方法,其特征在于,所述观测数据为伪距观测数据或载波观测数据。
3.根据权利要求1所述的方法,其特征在于,所述数据样本通过如下方式进行分类:
(y1,ρ1,1,μ(ρ1,1)),…,(yn,ρn,1,μ(ρn,1)),其中yi∈{-1,1}为分类函数,μ(ρi,1)为数据样本ρi,1的隶属度,即数据样本ρi,1的隶属于类(yi,ρi,1,μ(ρi,1))的可靠程度。
4.根据权利要求1所述的方法,其特征在于,通过如下方法对数据样本进行筛选:
c1)假设为训练数据样本从原始模式空间RN映射到高位特征空间Z之间的映射关系;
c2)构造目标分类函数
和约束条件yi[(wT·zi)+b]-1+ξi≥0,
其中,ξi为目标分类函数中的分类误差项,w为分类函数yi的权系数,惩罚因子C为常数,i=1,…,n;
c3)定义拉格朗日函数:
其中αi为拉格朗日系数;
所述拉格朗日函数分别对w,b,ξi求偏导,并令偏导数为零带入所述拉格朗日函数得到关于拉格朗日系数的二次规划函数:
其中K为核函数;
在约束条件下,求解所述二次规划函数最大值所对应的拉格朗日系数αi,当αi>0,则数据样本ρi,1可用,当αi≤0,则数据样本ρi,1不可用。
5.根据权利要求4所述的方法,其特征在于,所述核函数为高斯核函数,其表达式为:
其中Gamma为高斯分布宽度。
6.根据权利要求1所述的方法,其特征在于,通过如下方式对筛选后的数据样本采用单位根检验法检验每段时间序列的平稳性:
对i时刻与i-1时刻的数据样本的关系ρi,1=γρi-1,1+εi通过差分形式表示为:Δρi,1=δρi-1,1+εi,其中γ为系数,δ=γ-1,εi为i时刻的噪声项;
对Δρi,1进行OLS估计,计算统计量其中为δ的OLS估计量,为的标准差估计量;
当Tδ<τ,则数据样本的时间序列平稳,反之,则数据样本的时间序列不平稳。
7.根据权利要求1所述的方法,其特征在于,所述步骤d)观测模型按照如下方法建立:
d1)选取拟拟合的观测模型为:Pt-φPt-1-…-φPt-p=εt+θ1εt-1+…+θqεt-q,其中P={Pt,t=0,±1,…}为零均值平稳随机序列,ε={εt,t=0,±1,…}为方差为σ2的白噪声序列;
d2)通过AIC准则,在p,q的变化范围内寻找使统计量F(p,q)达到最小的点(p,q),作为观测模型的阶数;
d3)通过最小二乘法对拟拟合的观测模型的未知参数φ和θ进行估计;
d4)将步骤d3)中得到的参数带入到步骤d1)中拟拟合的观测模型中得到观测模型。
8.根据权利要求1所述的方法,其特征在于,通过如下方法判断观测模型的正确性:
假设观测模型的估计值和实际观测值所产生的残差序列为白噪声序列{εt},其中Pt为观测模型的实际观测值,为观测模型的估计值;
构造统计量其中N为数据样本长度,为数据样本自相关系数,M取N/10;
对于给定的显著水平η具有临界值若则否定假设,观测模型的估计值和实际观测值所产生的残差序列不是白噪声序列,观测模型错误;若则假设成立,观测模型的估计值和实际观测值所产生的残差序列是白噪声序列,观测模型正确。
9.根据权利要求1所述的方法,其特征在于,在步骤d)中相关性分析包括如下步骤:
e1)计算相关系数其中r∈(-1,0,1),为观测数据的均值,n为数据样本的总数;
e2)建立判别模型其中 和为生成元,Q(ti)为节点ti的局部多项式,Q(ti+1)为节点ti+1的局部多项式,I为示性函数,θi和θ0,i为判别模型的参数,u、v为随机变量,S(u1)=-log(-log(u1)),S(u2)=-log(-log(u2)),S-1为S的反函数;
e3)对判别模型重新定义参数β=(β0=1/θ0,…,βn=1/θn),并估计重新定义的参数其中Y为拟观测值,P为实际观测值,λ为给定的光滑度系数,r为相关系数;
根据重新定义的相邻参数的r阶差分分析观测数据的相关性。
10.根据权利要求9所述的方法,其特征在于,所述新定义的相邻参数的r阶差分为:
Δ1β=(βi-βi-1,i=1,…,n)t,Δrβ=Δ(Δr-1β);
当r=0,则观测数据不相关;当r=1,则惩罚所述重新定义的相邻参数的线性变化;当r=2,则惩罚所述重新定义的相邻参数的二次变化。
Priority Applications (2)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201710825314.9A CN107807371B (zh) | 2017-09-14 | 2017-09-14 | 基于北斗卫星观测数据的数据相关性处理方法 |
US15/788,117 US10282673B2 (en) | 2017-09-14 | 2017-10-19 | Data correlation processing method based on observation data from BeiDou satellite |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201710825314.9A CN107807371B (zh) | 2017-09-14 | 2017-09-14 | 基于北斗卫星观测数据的数据相关性处理方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN107807371A true CN107807371A (zh) | 2018-03-16 |
CN107807371B CN107807371B (zh) | 2019-10-01 |
Family
ID=61591463
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201710825314.9A Active CN107807371B (zh) | 2017-09-14 | 2017-09-14 | 基于北斗卫星观测数据的数据相关性处理方法 |
Country Status (2)
Country | Link |
---|---|
US (1) | US10282673B2 (zh) |
CN (1) | CN107807371B (zh) |
Cited By (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109359270A (zh) * | 2018-08-30 | 2019-02-19 | 北京航空航天大学 | 北斗地基增强***完好性风险监测的阈值模型建立方法 |
CN111198386A (zh) * | 2018-11-16 | 2020-05-26 | 千寻位置网络有限公司 | 一种gnss增强***的完好性监测***及方法 |
CN111505671A (zh) * | 2020-04-13 | 2020-08-07 | 广东星舆科技有限公司 | 一种定位可信度的综合评判方法 |
CN111581803A (zh) * | 2020-04-30 | 2020-08-25 | 北京航空航天大学 | 一种全球电离层电子含量的克里金代理模型算法 |
CN112269193A (zh) * | 2020-10-15 | 2021-01-26 | 周建华 | 一种监测站伪距观测序列辅助的导航卫星故障检测方法 |
CN112526559A (zh) * | 2020-12-03 | 2021-03-19 | 北京航空航天大学 | 一种多工况条件下的***关联性状态监测方法 |
CN114070385A (zh) * | 2022-01-17 | 2022-02-18 | 天津七一二通信广播股份有限公司 | 复杂机场环境下gbas***及应用方法 |
Families Citing this family (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109901204B (zh) * | 2019-03-27 | 2020-12-04 | 北京航空航天大学 | 一种基于伪距误差分布模型的gbas完好性性能评估方法 |
CN109901203B (zh) * | 2019-03-27 | 2020-12-18 | 北京航空航天大学 | 一种对流层折射率高精度预测的地基增强*** |
CN112630805B (zh) * | 2019-09-24 | 2022-06-28 | 千寻位置网络有限公司 | 卫星钟差预报方法及其*** |
CN112380781B (zh) * | 2020-11-30 | 2022-10-18 | 中国人民解放军国防科技大学 | 基于再分析资料和不平衡学习的卫星观测补全方法 |
EP4013138A1 (en) * | 2020-12-10 | 2022-06-15 | Nokia Solutions and Networks Oy | Determining open loop power control parameters |
CN113642252B (zh) * | 2021-08-31 | 2022-05-17 | 中国人民解放军国防科技大学 | 基于单颗卫星的目标定位方法、装置、电子设备及介质 |
CN114485655B (zh) * | 2022-04-06 | 2022-07-29 | 深圳华大北斗科技股份有限公司 | Gnss/ins组合导航数据质量控制方法 |
CN115599774B (zh) * | 2022-12-15 | 2023-03-10 | 深圳市规划和自然资源数据管理中心(深圳市空间地理信息中心) | 基于局部时空树回归模型的时空非平稳性分析方法及*** |
CN115808881B (zh) * | 2023-01-21 | 2023-04-21 | 中国科学院数学与***科学研究院 | 一种无拖曳卫星在轨质量估计方法和自适应控制方法 |
CN115859007B (zh) * | 2023-02-17 | 2023-05-12 | 广东石油化工学院 | 一种石化仪表采样数据滑窗约束容错滤波降噪方法和装置 |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2001272449A (ja) * | 2000-03-23 | 2001-10-05 | Toshiba Corp | 航法支援gps測位システムの地上疑似衛星装置および地上疑似衛星装置の疑似gps衛星信号同期化方法 |
US20030065409A1 (en) * | 2001-09-28 | 2003-04-03 | Raeth Peter G. | Adaptively detecting an event of interest |
CN101776762A (zh) * | 2009-12-30 | 2010-07-14 | 北京航空航天大学 | 基于多地基增强***的完好性监测方法、装置与*** |
CN105205217A (zh) * | 2015-08-25 | 2015-12-30 | 中国科学院地理科学与资源研究所 | 一种判别水文时间序列非平稳性的方法 |
US20170212246A1 (en) * | 2014-08-20 | 2017-07-27 | Sony Semiconductor Solutions Corporation | Receiving apparatus, receiving method, and program for global navigation satellite system |
US20170220711A1 (en) * | 2014-08-01 | 2017-08-03 | Nec Corporation | Flow rate prediction device, mixing ratio estimation device, method, and computer-readable recording medium |
-
2017
- 2017-09-14 CN CN201710825314.9A patent/CN107807371B/zh active Active
- 2017-10-19 US US15/788,117 patent/US10282673B2/en active Active
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2001272449A (ja) * | 2000-03-23 | 2001-10-05 | Toshiba Corp | 航法支援gps測位システムの地上疑似衛星装置および地上疑似衛星装置の疑似gps衛星信号同期化方法 |
US20030065409A1 (en) * | 2001-09-28 | 2003-04-03 | Raeth Peter G. | Adaptively detecting an event of interest |
CN101776762A (zh) * | 2009-12-30 | 2010-07-14 | 北京航空航天大学 | 基于多地基增强***的完好性监测方法、装置与*** |
US20170220711A1 (en) * | 2014-08-01 | 2017-08-03 | Nec Corporation | Flow rate prediction device, mixing ratio estimation device, method, and computer-readable recording medium |
US20170212246A1 (en) * | 2014-08-20 | 2017-07-27 | Sony Semiconductor Solutions Corporation | Receiving apparatus, receiving method, and program for global navigation satellite system |
CN105205217A (zh) * | 2015-08-25 | 2015-12-30 | 中国科学院地理科学与资源研究所 | 一种判别水文时间序列非平稳性的方法 |
Non-Patent Citations (1)
Title |
---|
CHUN-FU LIN 等: "Fuzzy Support Vector Machine", 《IEEE TRANSACTIONS ON NEURAL NETWORKS》 * |
Cited By (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109359270A (zh) * | 2018-08-30 | 2019-02-19 | 北京航空航天大学 | 北斗地基增强***完好性风险监测的阈值模型建立方法 |
CN111198386A (zh) * | 2018-11-16 | 2020-05-26 | 千寻位置网络有限公司 | 一种gnss增强***的完好性监测***及方法 |
CN111505671A (zh) * | 2020-04-13 | 2020-08-07 | 广东星舆科技有限公司 | 一种定位可信度的综合评判方法 |
CN111581803A (zh) * | 2020-04-30 | 2020-08-25 | 北京航空航天大学 | 一种全球电离层电子含量的克里金代理模型算法 |
CN111581803B (zh) * | 2020-04-30 | 2022-04-26 | 北京航空航天大学 | 一种全球电离层电子含量的克里金代理模型构建方法 |
CN112269193A (zh) * | 2020-10-15 | 2021-01-26 | 周建华 | 一种监测站伪距观测序列辅助的导航卫星故障检测方法 |
CN112526559A (zh) * | 2020-12-03 | 2021-03-19 | 北京航空航天大学 | 一种多工况条件下的***关联性状态监测方法 |
CN112526559B (zh) * | 2020-12-03 | 2024-05-10 | 北京航空航天大学 | 一种多工况条件下的***关联性状态监测方法 |
CN114070385A (zh) * | 2022-01-17 | 2022-02-18 | 天津七一二通信广播股份有限公司 | 复杂机场环境下gbas***及应用方法 |
CN114070385B (zh) * | 2022-01-17 | 2022-05-03 | 天津七一二通信广播股份有限公司 | 复杂机场环境下gbas***及应用方法 |
Also Published As
Publication number | Publication date |
---|---|
CN107807371B (zh) | 2019-10-01 |
US10282673B2 (en) | 2019-05-07 |
US20190080261A1 (en) | 2019-03-14 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN107807371A (zh) | 基于北斗卫星观测数据的数据相关性处理方法 | |
EP1498745B1 (en) | Enhanced real time kinematics determination method and apparatus | |
CN109521443B (zh) | 一种探测星历异常的方法 | |
CN108508461B (zh) | 基于gnss载波相位高精度定位完好性监测方法 | |
JP6564028B2 (ja) | ガイダンスの質を強化するためのモニターベースのアンビギュイティ検証 | |
US6943728B2 (en) | Enhanced rapid real time kinematics determination method and apparatus | |
US8054215B2 (en) | Precision registration for radar | |
US10408942B2 (en) | Systems and methods to detect GPS spoofing | |
US8787943B2 (en) | Method and system for localizing mobile communication terminals | |
US20140306842A1 (en) | Accuracy and performance of the hybrid positioning system | |
CN110133689A (zh) | 自适应用户自主完好性监测方法 | |
Al Hage et al. | Localization integrity for intelligent vehicles through fault detection and position error characterization | |
EP2037291A1 (en) | Integrity monitoring method for GNSS navigation based on historical information | |
Pesonen | A framework for Bayesian receiver autonomous integrity monitoring in urban navigation | |
US7924221B2 (en) | Method and apparatus for monitoring the integrity of satellite navigation signals | |
CN108761498A (zh) | 一种针对高级接收机自主完好性监测的位置估计优化方法 | |
Zhu et al. | GNSS integrity enhancement for urban transport applications by error characterization and fault detection and exclusion (FDE) | |
Schroth et al. | Failure detection and exclusion via range consensus | |
Schroth et al. | Enhancements of the range consensus algorithm (RANCO) | |
WO2023236643A1 (zh) | 定位方法、装置、设备及存储介质 | |
Elsayed et al. | Bounding of correlated double-differenced GNSS observation errors using NRTK for precise positioning of autonomous vehicles | |
Gao et al. | A method for estimating the positioning accuracy of vehicles in urban environments | |
EP4009081A1 (en) | Method and system for fast ionosphere scintillation detection | |
Nam et al. | Enhanced Local-Area DGNSS for Autonomous Vehicle Navigation: Optimal Smoothing Strategy | |
Saidani et al. | High integrity multi-sensor navigation system for safety critical applications |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |