CN108957502B - 基于深度学习lstm的gnss多***多路径误差实时削弱方法 - Google Patents
基于深度学习lstm的gnss多***多路径误差实时削弱方法 Download PDFInfo
- Publication number
- CN108957502B CN108957502B CN201810563621.9A CN201810563621A CN108957502B CN 108957502 B CN108957502 B CN 108957502B CN 201810563621 A CN201810563621 A CN 201810563621A CN 108957502 B CN108957502 B CN 108957502B
- Authority
- CN
- China
- Prior art keywords
- lstm
- network
- gnss
- deep learning
- coordinate sequence
- 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.)
- Active
Links
Images
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
- G01S19/42—Determining position
Landscapes
- Engineering & Computer Science (AREA)
- Radar, Positioning & Navigation (AREA)
- Remote Sensing (AREA)
- Computer Networks & Wireless Communication (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Position Fixing By Use Of Radio Waves (AREA)
Abstract
本发明公开了一种基于深度学习LSTM的GNSS多***多路径误差实时削弱方法,包括以下步骤:(1)将GNSS多***组合相对定位观测数据进行单历元解算,得到包含有多路径误差的原始坐标序列;(2)搭建深度学习LSTM网络;(3)将步骤(1)中的原始坐标序列进行中值滤波作为多路径误差训练样本,输入步骤(2)中搭建的LSTM网络进行训练;训练成功后保存网络;(4)将之后观测得到的原始坐标序列输入步骤(3)保存的网络中,挖掘坐标序列中多路径误差,利用挖掘的得到的多路径误差对坐标序列进行实时改正。本发明首次将深度学习算法应用于GNSS多***多路径误差的实时削弱,可成功挖掘多***多路径误差,并且可对坐标序列进行的多路径误差实时改正。
Description
技术领域
本发明涉及GNSS高精度定位领域,特别是涉及一种基于深度学习LSTM(LongShort Term Memory Network)的GNSS(Global Navigation Satellite System)多***多路径误差实时削弱方法。
背景技术
随着空间新兴技术的发展,全球导航卫星定位***应运而生,影响改变人们的生活方式,为我们带来了极大的便利。卫星导航定位***对航空、航天、交通运输、地质、农业、测量、地球物理等各领域的传统测量方式产生深远的影响,带来了广泛的经济与社会效益。美国GPS(Global Positioning System,GPS)的现代化发展计划,俄罗斯GLONASS***的重新启动,中国BDS(BeiDou Navigation Satellite System,BDS)***的日益完善,多个卫星***组合导航定位,不仅能够解除GPS***对民用的限制,而且能够在作业环境较差的区域,提供稳定、可靠的定位结果,扩大作业范围。GNSS多***组合在生活、生产等各个领域中起着重大的作用。
多路径误差作为GNSS高精度定位主要误差源,对GNSS高精度定位结果精度影响巨大,过去由于选择单一,GNSS高精度定位研究大多集中于GPS方面,并且由于GPS卫星运行具有周日重复性,可以利用该特性基于恒星日滤波消除GPS多路径误差。但随着GNSS多***组合定位成为主流趋势,对于GNSS多***多路径误差的研究却没有有效的进展,由于不同***卫星运行周期不同,导致无法像GPS一样,利用周日重复性实时消除多路径误差,需要寻找解决GNSS多***多路径误差的有效方法。
因此,为解决上述问题,本发明提出了基于深度学习LSTM的GNSS多***多路径误差实时削弱方法。
发明内容
本发明提出一种基于深度学习LSTM的GNSS多***多路径误差实时削弱方法,能够挖掘GNSS多***多路径误差信息,进行多路径误差的实时改正。包括以下步骤:
本发明实现发明目的采用如下技术方案:
一种基于深度学习LSTM的GNSS多***多路径误差实时削弱方法,针对GNSS实时高精度定位中的多路径误差难以解决的问题,从深度学习这一全新的角度,解决GNSS高精度定位中的多路径误差。
一种基于深度学习LSTM的GNSS多***多路径误差实时削弱方法,步骤为:
步骤1,将GNSS多***组合短基线相对定位观测数据进行单历元解算,得到包含有多路径误差的坐标序列。
步骤2,搭建深度学习LSTM网络。
步骤3,将步骤(1)中的原始坐标序列进行中值滤波,得到作为训练样本的多路径误差,输入步骤(2)中搭建的LSTM网络进行训练,训练成功后保存网络。
步骤4,将之后观测得到的原始坐标序列输入步骤(3)保存的网络中即可挖掘序列中多路径误差,利用挖掘的得到的多路径误差对坐标序列进行实时改正。
作为优选,本发明提供的一种基于深度学习LSTM的GNSS多***多路径误差实时削弱方法,在步骤1中,无需知道任何关于测站的先验信息,只需要解得测站点三维动态坐标序列即可。
作为优选,本发明提供的一种基于深度学习LSTM的GNSS多***多路径误差实时削弱方法,在步骤2中,LSTM是一种改进之后的循环神经网络RNN(Recurrent NeuralNetwork),传统RNN网络的梯度后向传播阶段,梯度信号最后会与RNN隐含层中的相关权重相乘多次,次数与步长一致,这样意味着,相关权重大小会对网络学习训练过程产生巨大影响。如果权重过小或者权重矩阵的特征向量小于1.0,就会导致“梯度消失”,梯度变得越来越小使得网络的学习过程缓慢,甚至完全停止,对于“长距离和长期依赖”问题,由于梯度消失,使得RNN的学习变得相当困难,如果权重过大,会导致梯度***,无法收敛。
LSTM的特殊结构能够有效避免这些问题,该模型经过演化,目前最常见的两种变种:一是加入了“窥探孔连接”机制,二是CRU(Gated Recurrent Unit),LSTM神经网络就是将RNN网络中的隐含层节点替换为LSTM单元后形成的网络;
一个LSTM单元是由一个cell和输入门input、输出门output和遗忘门forget共三个门组成,核心是Cell的状态,它通过“门”来控制流入到Cell信息,Sigmoid层输出为1代表信息全部通过,输出为0表示内容被完全阻隔,正是通过这种特殊结构,LSTM才能选择哪些信息被遗忘,哪些信息被记住,某时刻t,Cell的状态通过以下公式进行更新:
it=σ(Wiht-1+Uiαt+bi) (1)
ft=σ(Wfht-1+Ufαt+bf) (2)
ot=σ(Woht-1+Uoαt+b0) (5)
ht=ot*tanh(ct) (6)
其中,σ表示sigmoid激活函数,*表示元素乘,αt为t时刻的输入向量,ht代表隐藏状态,Ui、Uf、Uc、Uo分别为xt不同门的权值矩阵,而Wi、Wf、Wc、Wo为ht不同门的权值矩阵,bi、bf、bc、bo则为各门的偏置,it、ft、ct、ot分别代表了输入门、遗忘门、记忆单元状态和输出门。
作为优选,本发明提供的一种基于深度学习LSTM的GNSS多***多路径误差实时削弱方法,在步骤3中,只需对原始坐标序列进行中值滤波即可获得LSTM网络的训练样本,无需其他更加复杂的提取多路径误差的手段,可以方便快捷的提取多路径误差作为训练样本;对于训练样本采用LSTM网络训练更加高效与准确。
作为优选,本发明提供的一种基于深度学习LSTM的GNSS多***多路径误差实时削弱方法,在步骤4中,直接将坐标序列输入步骤3中训练成功的LSTM网络,即可得到原始坐标序列中的多路径误差,从而进行实时改正。
附图说明
图1是本发明基于深度学习LSTM的实时GNSS多***多路径误差改正方法一较佳实施例的流程图,
图2是深度LSTM组成结构图,
图3是一个LSTM单元内部结构图,
图4是用于LSTM网络训练的目标站点GNSS三***XYZ方向多路径误差,
图5是目标序列X方向真实多路径误差,
图6是目标序列LSTM网络所挖掘的多路径误差,
图7是经LSTM网络所挖掘的多路径误差改正X方向坐标序列图,
图8是经LSTM网络所挖掘的多路径误差改正Y方向坐标序列图,
图9是经LSTM网络所挖掘的多路径误差改正Z方向坐标序列图,
具体实施方式
以下通过具体实施例对本发明或实用新型做进一步解释说明。
本发明的基于深度学习LSTM的GNSS多***多路径误差的实时削弱方法包括如下步骤:
步骤1,将GNSS多***短基线相对定位观测数据进行单历元解算,得到包含有多路径误差的原始坐标序列。
步骤2,搭建深度学习LSTM网络。
步骤3,将步骤(1)中的原始坐标序列进行中值滤波作为多路径误差训练样本,输入步骤(2)中搭建的LSTM网络进行训练,训练成功后保存LSTM网络。
步骤4,将之后观测得到的原始坐标序列输入步骤(3)保存的网络中即可挖掘序列中多路径误差,利用挖掘得到的多路径误差对坐标序列进行实时改正。
以下通过具体实施例对本发明基于深度学习LSTM的GNSS多***多路径误差实时削弱方法的过程做进一步说明。
在本发明一个较佳实施例中,在步骤1中,以GNSS多***连续运行观测站数据为例,对建筑物进行动态变形监测。选取距离约为7m的两个连续运行观测站进行相对定位,选取其中年积日2017年302天24h观测数据进行单历元解算,解得目标站点三维动态坐标序列,以年积日2017年234、260、290、301与2018年102天数据作为待改正目标数据。
在本发明一个较佳实施例中,在步骤2中,采用tanh函数为LSTM网络的激活函数(activation function);确定LSTM输出的完全连接人工神经网络的激活函数linear;设置每一层网络节点的舍弃率,为防止过度拟合,默认值设置为0.2;采用均方误差(meansquared error)为误差计算方式;采用RMSprop方法为权重参数的迭代更新方式;设置三层LSTM模块,将训练样本按4:1比例随机拆分为训练集和验证集;其他参数采用LSTM默认设置,如图2所示为深度LSTM网络结构图,图3为LSTM单元内部结构图。
在本发明一个较佳实施例中,在步骤3中,将求解的XYZ动态坐标序列进行中值滤波,图4是用于LSTM网络训练的目标站点GNSS三***XYZ方向多路径误差,将其作为LSTM网络的训练样本进行网络的训练。
在本发明一个较佳实施例中,在步骤4中,将之后该站点的观测数据解得的动态坐标序列,输入步骤3训练得到的LSTM网络中,得到该站点坐标序列中的GNSS三***多路径误差,如图5所示目标序列X方向坐标序列真实多路径误差,图6是目标序列经LSTM网络挖掘多路径误差。利用LSTM网络挖掘多路径误差对坐标序列进行实时的改正,图7是经LSTM网络所挖掘的多路径误差改正X方向坐标序列图,图8是经LSTM网络所挖掘的多路径误差改正Y方向坐标序列图,图9是经LSTM网络所挖掘的多路径误差改正Z方向坐标序列图。
对于本领域技术人员而言,显然本发明不限于上述示范性实施例的细节,而且在不背离本发明的精神或基本特征的情况下,能够以其他的具体形式实现本发明。因此,无论从哪一点来看,均应将实施例看作是示范性的,而且是非限制性的,本发明的范围由所附权利要求而不是上述说明限定,因此旨在将落在权利要求的等同要件的含义和范围内的所有变化囊括在本发明内。不应将权利要求中的任何附图标记视为限制所涉及的权利要求。
此外,应当理解,虽然本说明书按照实施方式加以描述,但并非每个实施方式仅包含一个独立的技术方案,说明书的这种叙述方式仅仅是为清楚起见,本领域技术人员应当将说明书作为一个整体,各实施例中的技术方案也可以经适当组合,形成本领域技术人员可以理解的其他实施方式。
Claims (5)
1.一种基于深度学习LSTM的GNSS多***多路径误差实时削弱方法,其特征在于:
基于深度学习LSTM的GNSS多***多路径误差实时削弱方法,针对GNSS实时高精度定位中的多路径误差难以解决的问题,从深度学习这一全新的角度,解决GNSS高精度定位中的多路径误差;
一种基于深度学习LSTM的GNSS多***多路径误差实时削弱方法,步骤为:
步骤1,将GNSS多***组合短基线相对定位观测数据进行单历元解算,得到包含有多路径误差的坐标序列;
步骤2,搭建深度学习LSTM网络;
步骤3,将步骤(1)中的原始坐标序列进行中值滤波,得到作为训练样本的多路径误差,输入步骤(2)中搭建的LSTM网络进行训练,训练成功后保存网络;
步骤4,将之后观测得到的原始坐标序列输入步骤(3)保存的网络中即可挖掘序列中多路径误差,利用挖掘的得到的多路径误差对坐标序列进行实时改正。
2.根据权利要求1所述的基于深度学习LSTM的GNSS多***多路径误差实时削弱方法,其特征在于,在步骤1中,无需知道任何关于测站的先验信息,只需要解得测站点三维动态坐标序列即可。
3.根据权利要求1所述的基于深度学习LSTM的GNSS多***多路径误差实时削弱方法,其特征在于,在步骤2中,LSTM是一种改进之后的循环神经网络RNN(Recurrent NeuralNetwork),传统RNN网络的梯度后向传播阶段,梯度信号最后会与RNN隐含层中的相关权重相乘多次,相乘次数与步长一致,这样意味着,相关权重大小会对网络学习训练过程产生巨大影响,如果权重过小或者权重矩阵的特征向量小于1.0,就会导致“梯度消失”,梯度变得越来越小使得网络的学习过程缓慢,甚至完全停止,对于“长距离依赖”问题,由于梯度消失,使得RNN的学习变得相当困难,如果权重过大,会导致梯度***,无法收敛;
LSTM的特殊结构能够有效避免这些问题,该模型经过演化,目前最常见的两种变种:一是加入了“窥探孔连接”机制,二是CRU(Gated Recurrent Unit),LSTM神经网络就是将RNN网络中的隐含层节点替换为LSTM单元后形成的网络;
一个LSTM单元是由一个cell和输入input、输出output和遗忘门forget共三个门组成,核心是Cell的状态,它通过“门”来控制流入到Cell信息,Sigmoid层输出为1代表信息全部通过,输出为0表示内容被完全阻隔,正是通过这种特殊结构,LSTM才能选择哪些信息被遗忘,哪些信息被记住,某时刻t,Cell的状态通过以下公式进行更新:
it=σ(Wiht-1+Uiαt+bi) (1)
ft=σ(Wfht-1+Ufαt+bf) (2)
ot=σ(Woht-1+Uoαt+b0) (5)
ht=ot*tanh(ct) (6)
其中,σ表示sigmoid激活函数,*表示元素乘,αt为t时刻的输入向量,ht代表隐藏状态,Ui、Uf、Uc、Uo分别为xt不同门的权值矩阵,而Wi、Wf、Wc、Wo为ht不同门的权值矩阵,bi、bf、bc、bo则为各门的偏置,it、ft、ct、ot分别代表了输入门、遗忘门、记忆单元状态和输出门。
4.根据权利要求1所述的基于深度学习LSTM的GNSS多***多路径误差实时削弱方法,其特征在于,在步骤3中,只需对原始坐标序列进行中值滤波即可获得LSTM网络的训练样本,无需其他更加复杂的提取多路径误差的手段,可以方便快捷的提取多路径误差作为训练样本;对于训练样本采用LSTM网络训练更加高效与准确。
5.根据权利要求1所述的基于深度学习LSTM的GNSS多***多路径误差实时削弱方法,其特征在于,在步骤4中,直接将坐标序列输入步骤3中训练成功的LSTM网络,即可得到原始坐标序列中的多路径误差,从而进行实时改正。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810563621.9A CN108957502B (zh) | 2018-06-04 | 2018-06-04 | 基于深度学习lstm的gnss多***多路径误差实时削弱方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810563621.9A CN108957502B (zh) | 2018-06-04 | 2018-06-04 | 基于深度学习lstm的gnss多***多路径误差实时削弱方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN108957502A CN108957502A (zh) | 2018-12-07 |
CN108957502B true CN108957502B (zh) | 2022-10-21 |
Family
ID=64493162
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201810563621.9A Active CN108957502B (zh) | 2018-06-04 | 2018-06-04 | 基于深度学习lstm的gnss多***多路径误差实时削弱方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN108957502B (zh) |
Families Citing this family (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109738926B (zh) * | 2019-04-01 | 2019-06-28 | 湖南联智桥隧技术有限公司 | 一种基于bp神经网络技术的gnss多路径效应改正方法 |
CN110231634A (zh) * | 2019-05-15 | 2019-09-13 | 西安交通大学 | 一种信号捕获阶段基于lstm的gnss欺骗干扰检测方法及*** |
CN110174690A (zh) * | 2019-05-30 | 2019-08-27 | 杭州中科微电子有限公司 | 一种基于长短期记忆网络辅助的卫星定位方法 |
CN110260774B (zh) * | 2019-07-22 | 2022-03-08 | 安徽理工大学 | 一种基于Pettitt算法的GNSS变形信息检验与预警方法 |
CN110519693B (zh) * | 2019-09-29 | 2020-11-03 | 东北大学 | 一种面向智能移动终端的融合定位方法 |
CN112327903B (zh) * | 2020-09-15 | 2021-09-17 | 南京航空航天大学 | 一种基于深度混合密度网络的航空器轨迹生成方法 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US5774831A (en) * | 1996-12-06 | 1998-06-30 | Gupta; Surender Kumar | System for improving average accuracy of signals from global positioning system by using a neural network to obtain signal correction values |
CN101398474A (zh) * | 2007-09-30 | 2009-04-01 | 郑州威科姆技术开发有限公司 | 北斗与gps双***秒时差切换方法 |
CN106488548A (zh) * | 2016-10-25 | 2017-03-08 | 北京邮电大学 | 一种室内多径误差的确定方法及装置 |
CN107396322A (zh) * | 2017-08-28 | 2017-11-24 | 电子科技大学 | 基于路径匹配与编码译码循环神经网络的室内定位方法 |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2016040166A1 (en) * | 2014-09-08 | 2016-03-17 | Invensense, Inc. | Method and apparatus for using map information aided enhanced portable navigation |
-
2018
- 2018-06-04 CN CN201810563621.9A patent/CN108957502B/zh active Active
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US5774831A (en) * | 1996-12-06 | 1998-06-30 | Gupta; Surender Kumar | System for improving average accuracy of signals from global positioning system by using a neural network to obtain signal correction values |
CN101398474A (zh) * | 2007-09-30 | 2009-04-01 | 郑州威科姆技术开发有限公司 | 北斗与gps双***秒时差切换方法 |
CN106488548A (zh) * | 2016-10-25 | 2017-03-08 | 北京邮电大学 | 一种室内多径误差的确定方法及装置 |
CN107396322A (zh) * | 2017-08-28 | 2017-11-24 | 电子科技大学 | 基于路径匹配与编码译码循环神经网络的室内定位方法 |
Non-Patent Citations (3)
Title |
---|
A new method to mitigate multipath error in single-frequency GPS receiver with wavelet transform;M. R. Azarbad 等;《ORIGINAL ARTICLE》;20140304;第189-198页 * |
BP神经网络在差分GPS定位技术中的应用;刘英英等;《东北大学学报(自然科学版)》;20081115(第11期);第1536-1539页 * |
小波神经网络在舰载雷达多路径效应检测中的应用;朱志宇 等;《船舶工程》;20140331;第64-67页 * |
Also Published As
Publication number | Publication date |
---|---|
CN108957502A (zh) | 2018-12-07 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN108957502B (zh) | 基于深度学习lstm的gnss多***多路径误差实时削弱方法 | |
Jokat et al. | Timing and geometry of early Gondwana breakup | |
Márquez‐Azúa et al. | Crustal velocity field of Mexico from continuous GPS measurements, 1993 to June 2001: Implications for the neotectonics of Mexico | |
Lu et al. | Spatiotemporal patterns of the Late Quaternary deformation across the northern Chinese Tian Shan foreland | |
Tadayon et al. | The post‐Eocene evolution of the Doruneh Fault region (central Iran): The intraplate response to the Reorganization of the Arabia‐Eurasia collision zone | |
CN102928858B (zh) | 基于改进扩展卡尔曼滤波的gnss单点动态定位方法 | |
CN104330084A (zh) | 一种水下航行器用神经网络辅助组合导航方法 | |
Brocher et al. | Evidence for distributed clockwise rotation of the crust in the northwestern United States from fault geometries and focal mechanisms | |
CN110609321B (zh) | 一种基于速度模型数据库的微震源定位方法 | |
CN112904419B (zh) | 一种微地震成像方法及终端设备 | |
Shabanian et al. | The Binalud Mountains: A key piece for the geodynamic puzzle of NE Iran | |
Taylor et al. | Magsat anomaly data over the Kursk region, USSR | |
Gillespie et al. | Late Paleozoic exhumation of the West Junggar Mountains, NW China | |
Xue et al. | Late Cretaceous to Late Eocene exhumation in the Nima area, central Tibet: Implications for development of low relief topography of the Tibetan Plateau | |
Bergerat et al. | The South Iceland Seismic Zone: tectonic and sismotectonic analyses revealing the evolution from rifting to transform motion | |
CN115270608A (zh) | 基于arima与lstm的海岸带地面沉降预测方法 | |
CN103123487A (zh) | 一种航天器姿态确定方法 | |
Haque et al. | Magnetostratigraphy of the Triassic Moenkopi Formation from the continuous cores recovered in Colorado Plateau Coring Project Phase 1 (CPCP‐1), Petrified Forest National Park, Arizona, USA: correlation of the Early to Middle Triassic strata and biota in Colorado Plateau and its environs | |
Aslan et al. | Cenozoic collapse of the eastern Uinta Mountains and drainage evolution of the Uinta Mountains region | |
Romero-Andrade et al. | Lineament analysis as a seismic precursor: the El Mayor Cucapah earthquake of April 4, 2010 (MW7. 2), Baja California, Mexico | |
Metzger et al. | Tajik depression and greater Pamir neotectonics from InSAR rate maps | |
Wu et al. | The terrestrial end-Permian mass extinction in the paleotropics postdates the marine extinction | |
Li et al. | Strong tracking cubature Kalman filter algorithm for GPS/INS integrated navigation system | |
Saltogianni et al. | The 2014 Cephalonia earthquakes: finite fault modeling, fault segmentation, shear and thrusting at the NW Aegean Arc (Greece) | |
Liu et al. | New chronological constraints on the Plio-Pleistocene uplift of the Guizhou Plateau, SE margin of the Tibetan Plateau |
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 |