CN110703284B - 一种基于稀疏核学习的单站gnss瞬时速度和加速度构建方法 - Google Patents
一种基于稀疏核学习的单站gnss瞬时速度和加速度构建方法 Download PDFInfo
- Publication number
- CN110703284B CN110703284B CN201910874925.1A CN201910874925A CN110703284B CN 110703284 B CN110703284 B CN 110703284B CN 201910874925 A CN201910874925 A CN 201910874925A CN 110703284 B CN110703284 B CN 110703284B
- Authority
- CN
- China
- Prior art keywords
- vector
- observation
- epoch
- time
- kernel function
- 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
- G01S19/52—Determining velocity
-
- 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
- G01S19/24—Acquisition or tracking or demodulation of signals transmitted by the system
- G01S19/246—Acquisition or tracking or demodulation of signals transmitted by the system involving long acquisition integration times, extended snapshots of signals or methods specifically directed towards weak signal acquisition
-
- 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
- G01S19/24—Acquisition or tracking or demodulation of signals transmitted by the system
- G01S19/27—Acquisition or tracking or demodulation of signals transmitted by the system creating, predicting or correcting ephemeris or almanac data within the receiver
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
- G06F17/10—Complex mathematical operations
- G06F17/16—Matrix or vector computation, e.g. matrix-matrix or matrix-vector multiplication, matrix factorization
Landscapes
- Engineering & Computer Science (AREA)
- Radar, Positioning & Navigation (AREA)
- Remote Sensing (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Mathematical Physics (AREA)
- Computer Networks & Wireless Communication (AREA)
- Data Mining & Analysis (AREA)
- Theoretical Computer Science (AREA)
- Mathematical Analysis (AREA)
- Mathematical Optimization (AREA)
- Pure & Applied Mathematics (AREA)
- Computational Mathematics (AREA)
- Algebra (AREA)
- Databases & Information Systems (AREA)
- Software Systems (AREA)
- General Engineering & Computer Science (AREA)
- Computing Systems (AREA)
- Power Engineering (AREA)
- Complex Calculations (AREA)
- Position Fixing By Use Of Radio Waves (AREA)
Abstract
本发明公开了一种基于稀疏核学习的单站GNSS瞬时速度和加速度构建方法,步骤如下:S1:采集预设时段内的GNSS载波相位观测量;S2:构建时间差分载波相位观测量及第一观测方程;S3:逐历元处理时间差分载波相位观测量,获取历元间位移和接收机钟差的增量向量、协方差矩阵和互协方差矩阵;S4:获取不同方向的位移增量序列观测向量,及其协方差矩阵;S5:获取相应方向位移的稀疏核函数模型;S6:根据稀疏核函数模型,获取瞬时速度和加速度大小。本发明在采用稀疏核学习方法进行建模的同时,不失一般性地将初始历元处的位移设为零,并据此进行消元,从而不仅减少了计算量,还提高了建模精度。
Description
技术领域
本发明涉及GNSS卫星导航数据处理技术领域,尤其涉及一种基于稀疏核学习的单站GNSS瞬时速度和加速度构建方法。
背景技术
采用GNSS的时间差分载波相位观测量可以在单站情况下进行精密的速度测量,然而这种GNSS测速方法存在如下两点不足:
第一,该方法是一种历元间平均速度测量方法,而不是瞬时速度测量方法;
第二,该方法只能得到观测历元处的速度值,而无法直接得到其他时刻处(不在观测历元处)的速度。
对上述速度进行中心差分而得到的加速度也将存在类似的缺陷。然而在很多科学和工程领域,人们感兴趣的是载体的瞬时速度和/或瞬时加速度,而不是历元间平均速度和平均加速度。
发明内容
发明目的:针对单站情况下,通过GNSS载波相位观测量载体的瞬时速度和瞬时加速度的过程中,存在的无法测量瞬时速度和除观测历元处之外其他时刻处的速度无法直接获取的问题,本发明提出一种基于稀疏核学习的单站GNSS瞬时速度和加速度构建方法。
技术方案:为实现本发明的目的,本发明所采用的技术方案是:
一种基于稀疏核学习的单站GNSS瞬时速度和加速度构建方法,所述方法具体包括有如下步骤:
S1:采集预设时间段内的GNSS载波相位观测量;
S2:将所述GNSS载波相位观测量进行历元间差分操作,构建时间差分载波相位观测量及对应的第一观测方程;
S3:通过最小二乘法逐历元处理所述时间差分载波相位观测量,获取历元间位移和接收机钟差的增量向量及其协方差矩阵,并计算得到位移增量和接收机钟差增量组成的增量向量的估计值在相邻历元间的互协方差矩阵;
S4:从所述位移增量和接收机钟差增量组成的增量参数向量的估计值中,提取出三个不同方向的位移增量,并分别组成三个序列,所述三个序列即为相应方向的位移增量序列,同时将所述位移增量序列称为位移增量序列观测向量,将所述位移增量序列观测向量表示为y,对应的观测误差表示为e,观测误差的协方差矩阵表示为Qee,所述观测误差的协方差矩阵通过协方差矩阵和互协方差矩阵进行构建;
S5:根据所述位移增量序列观测向量y和观测误差的协方差矩阵Qee,获取相应方向位移的稀疏核函数模型;
S6:根据所述稀疏核函数模型,确定出相应方向的速度模型和加速度模型,获取瞬时速度和加速度大小。
进一步地讲,在所述步骤S2中,构建所述时间差分载波相位观测量及对应的第一观测方程,具体如下:
S2.1:根据所述预设时间段内的GNSS载波相位观测量,将前后两个历元处的载波相位观测量相减,得到所述预设时间段内所有的时间差分载波相位观测量;
其中:为第k历元处的观测向量,Hk为第k历元处的观测矩阵,hk为第k历元处的位移增量和接收机钟差增量组成的增量参数向量,εk为第k历元处的载波相位观测量的观测误差,εk-1为第k-1历元处的载波相位观测量的观测误差。
进一步地讲,在所述步骤S3中,通过最小二乘法逐历元处理所述时间差分载波相位观测量,具体为:
为第k历元处的位移增量和接收机钟差增量组成的增量参数向量的估计值,Hk为第k历元处的观测矩阵,Qεε,k为εk的协方差矩阵,εk为第k历元处的载波相位观测量的观测误差,Qhh,k为的协方差矩阵,Qεε,k-1为εk-1的协方差矩阵,εk-1为第k-1历元处的载波相位观测量的观测误差,为第k历元处的观测向量。
进一步地讲,在所述步骤S3中,所述位移增量和接收机钟差增量组成的增量参数向量的估计值在相邻历元间的互协方差矩阵的计算公式,具体为:
Rhh,k为和之间的互协方差矩阵,为第k历元处的位移增量和接收机钟差增量组成的增量参数向量的估计值,为第k-1历元处的位移增量和接收机钟差增量组成的增量参数向量的估计值,为第k历元处的观测向量,为第k-1历元处的观测向量,εk-1为第k-1历元处的观测向量的观测误差,Qεε,k-1为εk-1的协方差矩阵,Qεε,k为εk的协方差矩阵,εk为第k历元处的载观测向量的观测误差,Qεε,k-2为εk-2的协方差矩阵,εk-2为第k-2历元处的观测向量的观测误差,Hk为第k历元处的观测矩阵,Hk-1为第k-1历元处的观测矩阵。
进一步地讲,在所述步骤S4中,所述观测误差的协方差矩阵Qee的主对角线元素,即为所述位移增量序列观测向量对应的协方差矩阵中的对角线元素,所述观测误差的协方差矩阵Qee的次对角线元素,即为所述位移增量序列观测向量对应的互协方差矩阵中的对角线元素,所述观测误差的协方差矩阵,具体为:
其中:Qee为观测误差向量的协方差矩阵,令建模方向对应于向量hk的第j个元素,hk为第k历元处的位移增量和接收机钟差增量组成的增量参数向量,则:q1为Qhh,1的第j个对角线元素,q2为Qhh,2的第j个对角线元素,q3为Qhh,3的第j个对角线元素,qn-2为Qhh,n-2的第j个对角线元素,qn-1为Qhh,n-1的第j个对角线元素,Qhh,k为的协方差矩阵,为第k历元处的位移增量和接收机钟差增量组成的增量向量的估计值,r1为Rhh,1的第j个对角线元素,r2为Rhh,2的第j个对角线元素,rn-2为Rhh,n-2的第j个对角线元素,Rhh,k为和之间的互协方差矩阵,为第k-1历元处的位移增量和接收机钟差增量组成的增量向量的估计值。
进一步地讲,在所述步骤S5中,获取相应方向位移的稀疏核函数模型,具体如下:
S5.1:预设N组超参数,从中选出第i组超参数进行使用,所述超参数包括核函数宽度参数和正则化参数;
S5.2:根据所述选出的核函数宽度参数,采用Gauss RBF核函数,将任一方向位移的时间连续函数表示为如下核函数模型,具体为:
其中:xt为t时刻相应方向的位移,n为观测历元的总个数,αj为第j个核函数的系数,K为核函数,t为时间,tj为第j个核函数的中心时刻;
S5.3:通过所述不同方向的位移增量序列和核函数模型,获取各方向的位移增量序列和核函数模型之间的关系,具体为:
其中:κkj=K(tk,tj)-K(tk-1,tj)
dk为相应方向位移增量序列在第k历元处的值,为tk时刻处相应方向的位移,为tk-1时刻处相应方向的位移,n为观测历元的总个数,αj为第j个核函数的系数,tk为第k个观测历元对应的时间,tk-1为第k-1个观测历元对应的时间,tj为第j个核函数的中心时刻,K为核函数;
S5.4:根据所述各方向的位移增量序列和核函数模型之间的关系,确定出所述第二观测方程,具体为:
y=Aα+e
其中:矩阵A的第k行第j列元素为:κkj=K(tk,tj)-K(tk-1,tj)
y为位移增量序列观测向量,A为κkj组成的矩阵,K为核函数,tk为第k个观测历元对应的时间,tk-1为第k-1个观测历元对应的时间,tj为第j个核函数的中心时刻,α为所有核函数系数组成的向量,e为观测误差向量;
S5.5:将初始历元处的位移设置为零,确定出第一个核函数系数的求解公式,具体为:
α1=-bTβ
其中:uj=K(t1,tj),u=[u1 u2…un]T
α1为第一个核函数的系数,b为向量u中除第一个元素之外的向量部分,K为核函数,t1为初始时间,tj为第j个核函数的中心时刻,β为待求解参数;
S5.6:将所述第一个核函数系数的求解公式代入第二观测方程中,同时令A=[cC],确定出待求解参数的观测方程,具体为:
其中:κkj=K(tk,tj)-K(tk-1,tj),uj=K(t1,tj),u=[u1 u2…un]T,B=C-cbT
y为位移增量序列观测向量,A为κkj组成的矩阵,K为核函数,tk为第k个观测历元对应的时间,tk-1为第k-1个观测历元对应的时间,tj为第j个核函数的中心时刻,α为所有核函数系数组成的向量,e为观测误差向量,c为矩阵A中的第一列向量,C为矩阵A中除第一列向量之外的矩阵,α1为第一个核函数的系数,β为待求解参数,b为向量u中除第一个元素之外的向量部分,t1为初始时间;
S5.7:根据所述选出的正则化参数,所述待求解参数通过稀疏正则化方法进行求解,确定出所述待求解参数的大小;
S5.8:将所述确定出的待求解参数代入AIC求解公式中,所述AIC求解公式具体为:
AICi为第i组超参数对应的AIC值,n为观测历元的总个数,y为位移增量序列观测向量,c为矩阵A中的第一列向量,C为矩阵A中除第一列向量之外的矩阵,b为向量u中除第一个元素之外的向量部分,A为κkj组成的矩阵,K为核函数,tk为第k个观测历元对应的时间,tk-1为第k-1个观测历元对应的时间,tj为第j个核函数的中心时刻,t1为初始时间,为最终确定出的待求解参数,Qee为观测误差向量的协方差矩阵,n0为中非零元素的个数;
S5.9:从所述预设的N组超参数中选择一组未被选择过的超参数,并重复步骤S5.1-步骤S5.8,直至所述预设的N组超参数中所有的超参数均被选择,获取每组超参数对应的AIC值,并从所有AIC值中选出最小值,所述最小AIC值对应的一组超参数即为最优超参数,同时将所述最优超参数对应的核函数模型作为最终的模型。
进一步地讲,在所述步骤S5.7中,所述最终确定出的待求解参数,即为能使如下代价函数最小时对应的待求解参数,所述代价函数具体为:
其中:B=C-cbT,κkj=K(tk,tj)-K(tk-1,tj),uj=K(t1,tj),u=[u1 u2…un]T
φ为稀疏正则化代价函数,y为位移增量序列观测向量,c为矩阵A中的第一列向量,C为矩阵A中除第一列向量之外的矩阵,A为κkj组成的矩阵,K为核函数,tk为第k个观测历元对应的时间,tk-1为第k-1个观测历元对应的时间,tj为第j个核函数的中心时刻,b为向量u中除第一个元素之外的向量部分,t1为初始时间,β为待求解参数,Qee为观测误差向量的协方差矩阵,μi为第i组正则化参数;
所述待求解参数的观测方程通过稀疏正则化方法进行求解,具体如下:
S5.7.1:将待求解参数进行初始化,具体为:
其中:B=C-cbT,κkj=K(tk,tj)-K(tk-1,tj),uj=K(t1,tj),u=[u1 u2…un]T
β0为迭代前待求解参数的初步估计值,θ1和s1均为第一次迭代运算引入的辅助变量,c为矩阵A中的第一列向量,C为矩阵A中除第一列向量之外的矩阵,A为κkj组成的矩阵,K为核函数,tk为第k历元对应的时间,tk-1为第k-1历元对应的时间,tj为第j个核函数的中心时刻,b为向量u中除第一个元素之外的向量部分,t1为初始时间,Qee为观测误差向量的协方差矩阵,μi为第i组正则化参数,I为单位矩阵,y为位移增量序列观测向量;
S5.7.2:将所述迭代前待求解参数的初步估计值进行迭代计算,直至算法收敛,确定出每次迭代过程中所述待求解参数的大小,具体为:
βm为第m次迭代时待求解参数的估计值,sm+1和θm+1为第m+1次迭代运算引入的辅助变量,为θm-2λBTQee -1(Bθ-y)的软阈值函数,θm和sm为第m次迭代运算引入的辅助变量,λmax为最大特征值,c为矩阵A中的第一列向量,C为矩阵A中除第一列向量之外的矩阵,A为κkj组成的矩阵,K为核函数,tk为第k历元对应的时间,tk-1为第k-1历元对应的时间,tj为第j个核函数的中心时刻,b为向量u中除第一个元素之外的向量部分,t1为初始时间,Qee为观测误差向量的协方差矩阵,y为位移增量序列观测向量,βm-1为第m-1次迭代时待求解参数的估计值。
进一步地讲,在所述步骤S5.7.2中,所述软阈值函数的求解过程,具体如下:
S5.7.2.1:给定向量w,对所述给定的向量进行软阈值操作,得到一个同维数的向量,所述同维数向量的第j个元素,具体为:
w表示软阈值函数中的自变量,(|wj|-α)+为铰链函数,sgn(wj)为符号函数,θm为第m次迭代运算引入的辅助变量,λmax为最大特征值,c为矩阵A中的第一列向量,C为矩阵A中除第一列向量之外的矩阵,A为κkj组成的矩阵,K为核函数,tk为第k历元对应的时间,tk-1为第k-1历元对应的时间,tj为第j个核函数的中心时刻,b为向量u中除第一个元素之外的向量部分,t1为初始时间,Qee为观测误差向量的协方差矩阵,y为位移增量序列观测向量;
S5.7.2.2:对所述铰链函数进行求解,具体为:
其中:(|wj|-α)+为铰链函数,wj为w的第j个分量,w表示软阈值函数中的向量,α为所有核函数系数组成的向量;
S5.7.2.3:对所述符号函数进行求解,具体为:
其中:sgn(wj)为符号函数,wj为w的第j个分量,w表示软阈值函数中的向量。
qk为Qhh,k的第k个对角线元素,Qhh,k为的协方差矩阵,为第k历元处的位移增量和接收机钟差增量组成的增量序列的估计值,rk为Rhh,k的第k个对角线元素,Rhh,k为和之间的互协方差矩阵,为第k-1历元处的位移增量和接收机钟差增量组成的增量序列的估计值,n为历元的总个数,rk-1为Rhh,k的第k-1个对角线元素,fk为向量f的第k个元素,gk为向量g的第k个元素,和均为辅助变量。
进一步地讲,在所述步骤S6中,获取所述瞬时速度和加速度大小,具体如下:
S6.1:将所述确定出的待求解参数代入第一个核函数系数的求解公式中,获取第一个核函数系数的值;
S6.2:根据所述第一个核函数系数的值,通过所述最终的核函数模型,确定出相应方向的速度模型和加速度模型,具体为:
vt为方向分量中第t时刻对应的速度,at为方向分量中第t时刻对应的加速度,xt为方向分量中第t时刻对应的时间函数,t为时间,n为历元的总个数,αj为第j个核函数的系数,为最优的核函数宽度参数,tj为第j个核函数的中心时刻;
S6.3:将任意时刻代入所述速度模型和加速度模型中,获取所述时刻对应的瞬时速度和加速度大小。
有益效果:与现有技术相比,本发明的技术方案具有以下有益技术效果:
(1)本发明在进行最小二乘估计时,除了得到向量估计值、估计值的协方差矩阵外,还将得到估计值序列在相邻历元处的互协方差,该互协方差可以反映出时间差分载波相位观测量的有色噪声特性,同时该互协方差在后续的建模过程中也会被使用,从而使得本发明所采用的随机模型更具有实用性;
(2)本发明的单站GNSS瞬时速度和加速度构建方法适用于单站场合,无需参考站等额外设施,也无需精密星厉等第三方产品,并且在采用稀疏核学习方法进行建模的同时,还不失一般性地将初始历元处的位移设为零,并据此进行消元,从而不仅减少了计算量,还提高了建模的精度;
(3)本发明的单站GNSS瞬时速度和加速度构建方法充分考虑了观测量历元间的相关性,并针对性地采用了高效的TMA算法,再进一步降低计算量的同时,还可以得到载体在任一时刻的瞬时速度和瞬时加速度,并且通过高阶微分,还可以得到除速度、加速度之外的其他量。
附图说明
图1是本发明单站GNSS瞬时速度和加速度构建方法的流程示意图。
具体实施方式
为使本发明实施例的目的、技术方案和优点更加清楚,下面将结合本发明实施例中的附图,对本发明实施例中的技术方案进行清楚、完整地描述。其中,所描述的实施例是本发明一部分实施例,而不是全部的实施例。因此,以下对在附图中提供的本发明的实施例的详细描述并非旨在限制要求保护的本发明的范围,而是仅仅表示本发明的选定实施例。
实施例1
参考图1,本实施例提供了一种基于稀疏核学习的单站GNSS瞬时速度和加速度构建方法,该方法适用于单站GNSS数据,这里的单站是指单独的流动站,不需要参考站。同时该方法可以采用广播星厉,而不需要第三方提供的精密星厉,从而也不需要额外的设备和信息辅助。该方法具体包括如下步骤:
步骤S1:采集预设时间段内的GNSS载波相位观测量。在本实施例中,预设时间段可以是航空重力测量中的一个航线时间,也可以将一个航线时间划分为N个时间段,其中划分的任一时间段均可作为预设时间段。同时其中的GNSS可以为GPS、Beidou、Galileo等任一码分多址卫星导航***。
步骤S2:将步骤S1采集的GNSS载波相位观测量进行历元间差分操作,从而构建时间差分载波相位观测量及其对应的第一观测方程。其中进行历元间差分操作,可以有效消除大部分历元间共模误差或时间慢变误差,譬如:电离层延迟误差、对流层延迟误差、卫星轨道误差、卫星钟差、多路径误差。在本实施例中,构建时间差分载波相位观测量,具体如下:
步骤S2.1:根据预设时间段内的GNSS载波相位观测量,将其中前后两个历元处的载波相位观测量都进行相减,从而可以得到预设时间段内所有的时间差分载波相位观测量。
同时通过时间差分载波相位观测量组建观测向量,由于在时间差分的过程中,可以消去大部分历元间共模误差或时间慢变误差,从而可以通过第一观测方程获取观测向量,该第一观测方程具体为:
其中:为第k历元处的观测向量,Hk为第k历元处的观测矩阵,hk为第k历元处的位移增量和接收机钟差增量组成的增量参数向量,εk为第k历元处的载波相位观测量的观测误差,εk-1为第k-1历元处的载波相位观测量的观测误差。
步骤S3:通过最小二乘法对步骤S2.2中获取得到的时间差分载波相位观测量逐历元进行处理,从而获取历元间位移增量向量,其中包括有历元间位移增量的估计值序列和估计值向量的协方差矩阵。同时在采用最小二乘进行数据处理时,除了计算常规的参数估计及其协方差矩阵外,还要计算相邻历元间的互协方差矩阵。
在本实施例中,通过最小二乘法逐历元处理时间差分载波相位观测量,具体为:
为第k历元处的位移增量和接收机钟差增量组成的增量参数向量的估计值,Hk为第k历元处的观测矩阵,Qεε,k为εk的协方差矩阵,εk为第k历元处的载波相位观测量的观测误差,Qhh,k为的协方差矩阵,Qεε,k-1为εk-1的协方差矩阵,εk-1为第k-1历元处的载波相位观测量的观测误差,为第k历元处的观测向量。
同时还计算得到第k历元处的位移增量和接收机钟差增量组成的增量序列hk的估计值第k-1历元处的位移增量和接收机钟差增量组成的增量序列hk-1的估计值之间的互协方差矩阵,该互协方差矩阵来源与步骤S2.2中历元间差分操作中引入的历元间相关性。
在本实施例中,互协方差矩阵的计算公式具体为:
Rhh,k为和之间的互协方差矩阵,为第k历元处的位移增量和接收机钟差增量组成的增量参数向量的估计值,为第k-1历元处的位移增量和接收机钟差增量组成的增量参数向量的估计值,为第k历元处的观测向量,为第k-1历元处的观测向量,εk-1为第k-1历元处的观测向量的观测误差,Qεε,k-1为εk-1的协方差矩阵,Qεε,k为εk的协方差矩阵,εk为第k历元处的载观测向量的观测误差,Qεε,k-2为εk-2的协方差矩阵,εk-2为第k-2历元处的观测向量的观测误差,Hk为第k历元处的观测矩阵,Hk-1为第k-1历元处的观测矩阵。
步骤S4:从步骤S2中的位移增量和接收机钟差增量组成的增量参数向量的估计值中,提取三个不同方向的位移增量,并分别组成三个序列,该三个序列分别为相应方向的位移增量序列,即东、北、天三个方向的位移增量序列,并分别标记为:其中表示东方向的位移增量序列,表示北方向的位移增量序列,表示天方向的位移增量序列。从而舍去位置增量或位移增量和接收机钟差增量组成的增量序列中的第四组变量,也就是接收机钟差参数。同时将每个方向的位移增量序列作为该方向的位移增量序列观测向量。
在本实施例中,将位移增量序列观测向量表示为y,对应的观测误差表示为e,观测误差的协方差矩阵表示为Qee。同时观测误差的协方差矩阵、位移增量序列观测向量对应的观测误差之间满足下列关系式,具体为:
Qee=cov[e]
其中:Qee为观测误差向量的协方差矩阵,e为观测误差向量。
将每个方向的位移增量序列均代入步骤S3中,通过协方差矩阵计算公式获取每个方向的位移增量序列所对应的协方差矩阵,通过互协方差矩阵计算公式提取每个方向的位移增量序列中历元间的互协方差矩阵。其中,计算得到的协方差矩阵和互协方差矩阵均为3×3大小的矩阵。
将位移增量序列观测向量对应的协方差矩阵中的对角线元素,作为观测误差的协方差矩阵中的主对角线元素,将位移增量序列观测向量对应的互协方差矩阵中的对角线元素,作为观测误差的协方差矩阵中的次对角线元素。其中观测误差的协方差矩阵为对称三对角矩阵,同时该观测误差的协方差矩阵,具体为:
其中:Qee为观测误差向量的协方差矩阵,令建模方向对应于向量hk的第j个元素,hk为第k历元处的位移增量和接收机钟差增量组成的增量参数向量,则:q1为Qhh,1的第j个对角线元素,q2为Qhh,2的第j个对角线元素,q3为Qhh,3的第j个对角线元素,qn-2为Qhh,n-2的第j个对角线元素,qn-1为Qhh,n-1的第j个对角线元素,Qhh,k为的协方差矩阵,为第k历元处的位移增量和接收机钟差增量组成的增量向量的估计值,r1为Rhh,1的第j个对角线元素,r2为Rhh,2的第j个对角线元素,rn-2为Rhh,n-2的第j个对角线元素,Rhh,k为和之间的互协方差矩阵,为第k-1历元处的位移增量和接收机钟差增量组成的增量向量的估计值。
步骤S5:根据位移增量序列观测向量y和观测误差的协方差矩阵Qee,获取相应方向位移的稀疏核函数模型。具体如下:
步骤S5.1:预设N组超参数,从中选出第i组超参数进行使用,其中超参数包括有核函数宽度参数σ和正则化参数μ。
步骤S5.2:根据步骤S5.1中选择的核函数宽度参数σ,采用Gauss RBF核函数,将任一方向位移的时间连续函数均表示为如下核函数模型,具体为:
其中:xt为t时刻相应方向的位移,n为观测历元的总个数,αj为第j个核函数的系数,K为核函数,t为时间,tj为第j个核函数的中心时刻。
在本实施例中,由于选择了东、北、天三个不同方向的位移增量序列,从而核函数模型也分为东、北、天三个不同方向的核函数模型,并分别标记为:其中表示东方向对应的核函数模型,为北方向对应的核函数模型,为天方向对应的核函数模型。同时第j个核函数的系数αj为待求解的参数,第j个核函数的中心时刻tj为第k个观测历元的时刻。
同时
K(t,tj)=exp[-σi -2(t-tj)]
其中:K为核函数,σi为第i组核函数宽度参数,t为时间,tj为第j个核函数的中心时刻。
其中:κkj=K(tk,tj)-K(tk-1,tj)
dk为相应方向位移增量序列在第k历元处的值,为tk时刻处相应方向的位移,为tk-1时刻处相应方向的位移,n为观测历元的总个数,αj为第j个核函数的系数,tk为第k个观测历元对应的时间,tk-1为第k-1个观测历元对应的时间,tj为第j个核函数的中心时刻,K为核函数。
步骤S5.4:根据各方向的位移增量序列和核函数模型之间的关系,确定出第二观测方程,具体为:
y=Aα+e
其中:κkj=K(tk,tj)-K(tk-1,tj)
y为位移增量序列观测向量,A为κkj组成的矩阵,K为核函数,tk为第k个观测历元对应的时间,tk-1为第k-1个观测历元对应的时间,tj为第j个核函数的中心时刻,α为所有核函数系数组成的向量,e为观测误差向量。
在本实施例中,所有核函数系数组成的向量α,具体为:
α=[α1 α2…αn]T
其中:α1为第一个核函数的系数,α2为第二个核函数的系数,αn为第n个核函数的系数。
S5.5:在载波相位时间差分方法中缺乏初值信息,我们无法得到绝对位置,然而在速度和加速度测量中,绝对位置是不必要的。从而将初始历元处的位移设置为零,并根据该条件对要求解的核函数的系数进行转化,则待求解的核函数的系数的个数将从n个系数转化为n-1个系数。
将初始历元处的位移设置为零并不失一般性,因为在速度和加速度的估计中,初始位移的具体数值不会产生影响。且初始历元处位移为零是一个约束条件,根据该约束条件可以对问题进行消元处理,即将原来的n个待估参数转化为n-1个待估参数,这样做的好处在于:待估参数的减少意味着建模精度的提高。
其中:uj=K(t1,tj),u=[u1 u2…un]T
α1=-bTβ
其中:uj=K(t1,tj),u=[u1 u2…un]T
α1为第一个核函数的系数,b为向量u中除第一个元素之外的向量部分,K为核函数,t1为初始时间,tj为第j个核函数的中心时刻,β为待求解参数。
从而在确定了待求解参数β的大小之后,即可确定出第一个核函数的系数α1的大小,进而能够得到向量u。
在本实施例中,待求解参数β具体为:
β=[α2 α3…αn]T
其中:β为待求解参数,α2为第二个核函数的系数,α3为第三个核函数的系数,αn为第n个核函数的系数。
步骤S5.6:将第一个核函数系数的求解公式代入第二观测方程中,并令A=[c C],从而确定出待求解参数的观测方程,具体为:
其中:κkj=K(tk,tj)-K(tk-1,tj),uj=K(t1,tj),u=[u1 u2…un]T,B=C-cbT
y为位移增量序列观测向量,A为κkj组成的矩阵,K为核函数,tk为第k个观测历元对应的时间,tk-1为第k-1个观测历元对应的时间,tj为第j个核函数的中心时刻,α为所有核函数系数组成的向量,e为观测误差向量,c为矩阵A中的第一列向量,C为矩阵A中除第一列向量之外的矩阵,α1为第一个核函数的系数,β为待求解参数,b为向量u中除第一个元素之外的向量部分,t1为初始时间。
步骤S5.7:根据步骤S5.1中选出的正则化参数,待求解参数的观测方程通过稀疏正则化方法进行求解,从而确定出待求解参数的大小。
在本实施例中,最终确定出的待求解参数,即为能使如下代价函数最小时对应的待求解参数,该代价函数具体为:
其中:B=C-cbT,κkj=K(tk,tj)-K(tk-1,tj),uj=K(t1,tj),u=[u1 u2…un]T
φ为稀疏正则化代价函数,y为位移增量序列观测向量,c为矩阵A中的第一列向量,C为矩阵A中除第一列向量之外的矩阵,A为κkj组成的矩阵,K为核函数,tk为第k个观测历元对应的时间,tk-1为第k-1个观测历元对应的时间,tj为第j个核函数的中心时刻,b为向量u中除第一个元素之外的向量部分,t1为初始时间,β为待求解参数,Qee为观测误差向量的协方差矩阵,μi为第i组正则化参数
具体地讲,待求解参数的观测方程通过稀疏正则化方法进行求解,具体如下:
步骤S5.7.1:将待求解参数进行初始化,具体为:
其中:B=C-cbT,κkj=K(tk,tj)-K(tk-1,tj),uj=K(t1,tj),u=[u1 u2…un]T
β0为迭代前待求解参数的初步估计值,θ1和s1均为第一次迭代运算引入的辅助变量,c为矩阵A中的第一列向量,C为矩阵A中除第一列向量之外的矩阵,A为κkj组成的矩阵,K为核函数,tk为第k历元对应的时间,tk-1为第k-1历元对应的时间,tj为第j个核函数的中心时刻,b为向量u中除第一个元素之外的向量部分,t1为初始时间,Qee为观测误差向量的协方差矩阵,μi为第i组正则化参数,I为单位矩阵,y为位移增量序列观测向量;
步骤S5.7.2:将迭代前待求解参数的初步估计值进行迭代计算,直至算法收敛,从而确定出第k次迭代时待求解参数的大小,具体为:
βm为第m次迭代时待求解参数的估计值,sm+1和θm+1为第m+1次迭代运算引入的辅助变量,为θm-2λBTQee -1(Bθm-y)的软阈值函数,θm和sm为第m次迭代运算引入的辅助变量,λmax为最大特征值,c为矩阵A中的第一列向量,C为矩阵A中除第一列向量之外的矩阵,A为κkj组成的矩阵,K为核函数,tk为第k历元对应的时间,tk-1为第k-1历元对应的时间,tj为第j个核函数的中心时刻,b为向量u中除第一个元素之外的向量部分,t1为初始时间,Qee为观测误差向量的协方差矩阵,y为位移增量序列观测向量,βm-1为第m-1次迭代时待求解参数的估计值。
步骤S5.7.2.1:给定向量w,对该给定的向量进行软阈值操作,获取得到一个同维数的向量,该同维数向量的第j个元素,具体为:
w表示软阈值函数中的自变量,(|wj|-α)+为铰链函数,sgn(wj)为符号函数,θm为第m次迭代运算引入的辅助变量,λmax为最大特征值,c为矩阵A中的第一列向量,C为矩阵A中除第一列向量之外的矩阵,A为κkj组成的矩阵,K为核函数,tk为第k历元对应的时间,tk-1为第k-1历元对应的时间,tj为第j个核函数的中心时刻,b为向量u中除第一个元素之外的向量部分,t1为初始时间,Qee为观测误差向量的协方差矩阵,y为位移增量序列观测向量。
步骤S5.7.2.2:对铰链函数进行求解,具体为:
其中:(|wj|-α)+为铰链函数,wj为w的第j个分量,w表示软阈值函数中的向量,α为所有核函数系数组成的向量。
步骤S5.7.2.3:对符号函数进行求解,具体为:
其中:sgn(wj)为符号函数,wj为w的第j个分量,w表示软阈值函数中的向量。
步骤S5.8:将最终确定出的待求解参数代入AIC求解公式中,该AIC求解公式具体为:
AICi为第i组超参数对应的AIC值,n为观测历元的总个数,y为位移增量序列观测向量,c为矩阵A中的第一列向量,C为矩阵A中除第一列向量之外的矩阵,b为向量u中除第一个元素之外的向量部分,A为κkj组成的矩阵,K为核函数,tk为第k个观测历元对应的时间,tk-1为第k-1个观测历元对应的时间,tj为第j个核函数的中心时刻,t1为初始时间,为最终确定出的待求解参数,Qee为观测误差向量的协方差矩阵,n0为中非零元素的个数。
qk为Qhh,k的第k个对角线元素,Qhh,k为的协方差矩阵,为第k历元处的位移增量和接收机钟差增量组成的增量序列的估计值,rk为Rhh,k的第k个对角线元素,Rhh,k为和之间的互协方差矩阵,为第k-1历元处的位移增量和接收机钟差增量组成的增量序列的估计值,n为历元的总个数,rk-1为Rhh,k的第k-1个对角线元素,fk为向量f的第k个元素,gk为向量g的第k个元素,和均为辅助变量。
步骤S5.9:从预设的N组超参数中选择一组未被选择过的超参数,并重复步骤S5.1-步骤S5.8,直至预设的N组超参数中所有的超参数均被选择,同时得到每组超参数对应的AIC值,并将所有的AIC值进行比较,从中选出最小值,该最小AIC值对应的一组超参数即为最优超参数,同时该最优超参数对应的核函数模型即为最终的模型。
步骤S6:通过稀疏核函数模型,确定出速度模型和加速度模型,获取瞬时速度和加速度大小。具体如下:
步骤S6.2:根据第一个核函数的系数α1的大小,通过最终的核函数模型,确定出速度模型和加速度模型,在本实施例中,以东向做具体说明,具体为:
vt为方向分量中第t时刻对应的速度,at为方向分量中第t时刻对应的加速度,xt为方向分量中第t时刻对应的时间函数,t为时间,n为历元的总个数,αj为第j个核函数的系数,为最优的核函数宽度参数,tj为第j个核函数的中心时刻。
步骤S6.3:将任一时刻t代入步骤S6.2中的速度模型和加速度模型中,从而即可获取得到该历元处载体在该时刻的瞬时速度和瞬时加速度。同时还可以进行更高阶地求导,得到加加速度等其他量。
以上示意性的对本发明及其实施方式进行了描述,该描述没有限制性,附图中所示的也只是本发明的实施方式之一,实际的结构和方法并不局限于此。所以,如果本领域的普通技术人员受其启示,在不脱离本发明创造宗旨的情况下,不经创造性的设计出与该技术方案相似的结构方式及实施例,均属于本发明的保护范围。
Claims (10)
1.一种基于稀疏核学习的单站GNSS瞬时速度和加速度构建方法,其特征在于,所述方法具体包括有如下步骤:
S1:采集预设时间段内的GNSS载波相位观测量;
S2:将所述GNSS载波相位观测量进行历元间差分操作,构建时间差分载波相位观测量及对应的第一观测方程;
S3:通过最小二乘法逐历元处理所述时间差分载波相位观测量,获取历元间位移和接收机钟差的增量向量及其协方差矩阵,并计算得到位移增量和接收机钟差增量组成的增量向量的估计值在相邻历元间的互协方差矩阵;
S4:从所述位移增量和接收机钟差增量组成的增量参数向量的估计值中,提取出三个不同方向的位移增量,并分别组成三个序列,所述三个序列即为相应方向的位移增量序列,同时将所述位移增量序列称为位移增量序列观测向量,将所述位移增量序列观测向量表示为y,对应的观测误差表示为e,观测误差的协方差矩阵表示为Qee,所述观测误差的协方差矩阵通过协方差矩阵和互协方差矩阵进行构建;
S5:根据所述位移增量序列观测向量y和观测误差的协方差矩阵Qee,获取相应方向位移的稀疏核函数模型;
S6:根据所述稀疏核函数模型,确定出相应方向的速度模型和加速度模型,获取瞬时速度和加速度大小。
2.根据权利要求1所述的一种基于稀疏核学习的单站GNSS瞬时速度和加速度构建方法,其特征在于,在所述步骤S2中,构建所述时间差分载波相位观测量及对应的第一观测方程,具体如下:
S2.1:根据所述预设时间段内的GNSS载波相位观测量,将前后两个历元处的载波相位观测量相减,得到所述预设时间段内所有的时间差分载波相位观测量;
4.根据权利要求1或2所述的一种基于稀疏核学习的单站GNSS瞬时速度和加速度构建方法,其特征在于,在所述步骤S3中,所述位移增量和接收机钟差增量组成的增量参数向量的估计值在相邻历元间的互协方差矩阵的计算公式,具体为:
5.根据权利要求4所述的一种基于稀疏核学习的单站GNSS瞬时速度和加速度构建方法,其特征在于,在所述步骤S4中,所述观测误差的协方差矩阵Qee的主对角线元素,即为所述位移增量序列观测向量对应的协方差矩阵中的对角线元素,所述观测误差的协方差矩阵Qee的次对角线元素,即为所述位移增量序列观测向量对应的互协方差矩阵中的对角线元素,所述观测误差的协方差矩阵,具体为:
其中:Qee为观测误差向量的协方差矩阵,令建模方向对应于向量hk的第j个元素,hk为第k历元处的位移增量和接收机钟差增量组成的增量参数向量,则:q1为Qhh,1的第j个对角线元素,q2为Qhh,2的第j个对角线元素,q3为Qhh,3的第j个对角线元素,qn-2为Qhh,n-2的第j个对角线元素,qn-1为Qhh,n-1的第j个对角线元素,Qhh,k为的协方差矩阵,为第k历元处的位移增量和接收机钟差增量组成的增量向量的估计值,r1为Rhh,1的第j个对角线元素,r2为Rhh,2的第j个对角线元素,rn-2为Rhh,n-2的第j个对角线元素,Rhh,k为和之间的互协方差矩阵,为第k-1历元处的位移增量和接收机钟差增量组成的增量向量的估计值。
6.根据权利要求5所述的一种基于稀疏核学习的单站GNSS瞬时速度和加速度构建方法,其特征在于,在所述步骤S5中,获取相应方向位移的稀疏核函数模型,具体如下:
S5.1:预设N组超参数,从中选出第i组超参数进行使用,所述超参数包括核函数宽度参数和正则化参数;
S5.2:根据所述选出的核函数宽度参数,采用Gauss RBF核函数,将任一方向位移的时间连续函数表示为如下核函数模型,具体为:
其中:xt为t时刻相应方向的位移,n为观测历元的总个数,αj为第j个核函数的系数,K为核函数,t为时间,tj为第j个核函数的中心时刻;
S5.3:通过所述不同方向的位移增量序列和核函数模型,获取各方向的位移增量序列和核函数模型之间的关系,具体为:
其中:κkj=K(tk,tj)-K(tk-1,tj)
dk为相应方向位移增量序列在第k历元处的值,为tk时刻处相应方向的位移,为tk-1时刻处相应方向的位移,n为观测历元的总个数,αj为第j个核函数的系数,tk为第k个观测历元对应的时间,tk-1为第k-1个观测历元对应的时间,tj为第j个核函数的中心时刻,K为核函数;
S5.4:根据所述各方向的位移增量序列和核函数模型之间的关系,确定出第二观测方程,具体为:
y=Aα+e
其中:矩阵A的第k行第j列元素为:κkj=K(tk,tj)-K(tk-1,tj)
y为位移增量序列观测向量,A为κkj组成的矩阵,K为核函数,tk为第k个观测历元对应的时间,tk-1为第k-1个观测历元对应的时间,tj为第j个核函数的中心时刻,α为所有核函数系数组成的向量,e为观测误差向量;
S5.5:将初始历元处的位移设置为零,确定出第一个核函数系数的求解公式,具体为:
α1=-bTβ
其中:uj=K(t1,tj),u=[u1 u2…un]T
α1为第一个核函数的系数,b为向量u中除第一个元素之外的向量部分,K为核函数,t1为初始时间,tj为第j个核函数的中心时刻,β为待求解参数;
S5.6:将所述第一个核函数系数的求解公式代入第二观测方程中,同时令A=[c C],确定出待求解参数的观测方程,具体为:
其中:κkj=K(tk,tj)-K(tk-1,tj),uj=K(t1,tj),u=[u1 u2…un]T,B=C-cbT
y为位移增量序列观测向量,A为κkj组成的矩阵,K为核函数,tk为第k个观测历元对应的时间,tk-1为第k-1个观测历元对应的时间,tj为第j个核函数的中心时刻,α为所有核函数系数组成的向量,e为观测误差向量,c为矩阵A中的第一列向量,C为矩阵A中除第一列向量之外的矩阵,α1为第一个核函数的系数,β为待求解参数,b为向量u中除第一个元素之外的向量部分,t1为初始时间;
S5.7:根据所述选出的正则化参数,所述待求解参数通过稀疏正则化方法进行求解,确定出所述待求解参数的大小;
S5.8:将所述确定出的待求解参数代入AIC求解公式中,所述AIC求解公式具体为:
AICi为第i组超参数对应的AIC值,n为观测历元的总个数,y为位移增量序列观测向量,c为矩阵A中的第一列向量,C为矩阵A中除第一列向量之外的矩阵,b为向量u中除第一个元素之外的向量部分,A为κkj组成的矩阵,K为核函数,tk为第k个观测历元对应的时间,tk-1为第k-1个观测历元对应的时间,tj为第j个核函数的中心时刻,t1为初始时间,为最终确定出的待求解参数,Qee为观测误差向量的协方差矩阵,n0为中非零元素的个数;
S5.9:从所述预设的N组超参数中选择一组未被选择过的超参数,并重复步骤S5.1-步骤S5.8,直至所述预设的N组超参数中所有的超参数均被选择,获取每组超参数对应的AIC值,并从所有AIC值中选出最小值,所述最小AIC值对应的一组超参数即为最优超参数,同时将所述最优超参数对应的核函数模型作为最终的模型。
7.根据权利要求6所述的一种基于稀疏核学习的单站GNSS瞬时速度和加速度构建方法,其特征在于,在所述步骤S5.7中,所述最终确定出的待求解参数,即为能使如下代价函数最小时对应的待求解参数,所述代价函数具体为:
其中:B=C-cbT,κkj=K(tk,tj)-K(tk-1,tj),uj=K(t1,tj),u=[u1 u2…un]T
φ为稀疏正则化代价函数,y为位移增量序列观测向量,c为矩阵A中的第一列向量,C为矩阵A中除第一列向量之外的矩阵,A为κkj组成的矩阵,K为核函数,tk为第k个观测历元对应的时间,tk-1为第k-1个观测历元对应的时间,tj为第j个核函数的中心时刻,b为向量u中除第一个元素之外的向量部分,t1为初始时间,β为待求解参数,Qee为观测误差向量的协方差矩阵,μi为第i组正则化参数;
所述待求解参数的观测方程通过稀疏正则化方法进行求解,具体如下:
S5.7.1:将待求解参数进行初始化,具体为:
其中:B=C-cbT,κkj=K(tk,tj)-K(tk-1,tj),uj=K(t1,tj),u=[u1 u2…un]T
β0为迭代前待求解参数的初步估计值,θ1和s1均为第一次迭代运算引入的辅助变量,c为矩阵A中的第一列向量,C为矩阵A中除第一列向量之外的矩阵,A为κkj组成的矩阵,K为核函数,tk为第k历元对应的时间,tk-1为第k-1历元对应的时间,tj为第j个核函数的中心时刻,b为向量u中除第一个元素之外的向量部分,t1为初始时间,Qee为观测误差向量的协方差矩阵,μi为第i组正则化参数,I为单位矩阵,y为位移增量序列观测向量;
S5.7.2:将所述迭代前待求解参数的初步估计值进行迭代计算,直至算法收敛,确定出每次迭代过程中所述待求解参数的大小,具体为:
8.根据权利要求7所述的一种基于稀疏核学习的单站GNSS瞬时速度和加速度构建方法,其特征在于,在所述步骤S5.7.2中,所述软阈值函数的求解过程,具体如下:
S5.7.2.1:给定向量w,对所述给定的向量进行软阈值操作,得到一个同维数的向量,所述同维数向量的第j个元素,具体为:
w表示软阈值函数中的自变量,(|wj|-α)+为铰链函数,sgn(wj)为符号函数,θm为第m次迭代运算引入的辅助变量,λmax为最大特征值,c为矩阵A中的第一列向量,C为矩阵A中除第一列向量之外的矩阵,A为κkj组成的矩阵,K为核函数,tk为第k历元对应的时间,tk-1为第k-1历元对应的时间,tj为第j个核函数的中心时刻,b为向量u中除第一个元素之外的向量部分,t1为初始时间,Qee为观测误差向量的协方差矩阵,y为位移增量序列观测向量;
S5.7.2.2:对所述铰链函数进行求解,具体为:
其中:(|wj|-α)+为铰链函数,wj为w的第j个分量,w表示软阈值函数中的向量,α为所有核函数系数组成的向量;
S5.7.2.3:对所述符号函数进行求解,具体为:
其中:sgn(wj)为符号函数,wj为w的第j个分量,w表示软阈值函数中的向量。
9.根据权利要求8所述的一种基于稀疏核学习的单站GNSS瞬时速度和加速度构建方法,其特征在于,在所述步骤S5.7.2.1和步骤S5.8中,Qee -1(Bθm-y)和均通过TMA算法进行求解,即依次执行如下公式,具体为:
10.根据权利要求6所述的一种基于稀疏核学习的单站GNSS瞬时速度和加速度构建方法,其特征在于,在所述步骤S6中,获取所述瞬时速度和加速度大小,具体如下:
S6.1:将所述确定出的待求解参数代入第一个核函数系数的求解公式中,获取第一个核函数系数的值;
S6.2:根据所述第一个核函数系数的值,通过所述最终的核函数模型,确定出相应方向的速度模型和加速度模型,具体为:
vt为方向分量中第t时刻对应的速度,at为方向分量中第t时刻对应的加速度,xt为方向分量中第t时刻对应的时间函数,t为时间,n为历元的总个数,αj为第j个核函数的系数,为最优的核函数宽度参数,tj为第j个核函数的中心时刻;
S6.3:将任意时刻代入所述速度模型和加速度模型中,获取所述时刻对应的瞬时速度和加速度大小。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910874925.1A CN110703284B (zh) | 2019-09-17 | 2019-09-17 | 一种基于稀疏核学习的单站gnss瞬时速度和加速度构建方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910874925.1A CN110703284B (zh) | 2019-09-17 | 2019-09-17 | 一种基于稀疏核学习的单站gnss瞬时速度和加速度构建方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN110703284A CN110703284A (zh) | 2020-01-17 |
CN110703284B true CN110703284B (zh) | 2022-11-29 |
Family
ID=69194426
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910874925.1A Active CN110703284B (zh) | 2019-09-17 | 2019-09-17 | 一种基于稀疏核学习的单站gnss瞬时速度和加速度构建方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN110703284B (zh) |
Families Citing this family (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111669183B (zh) * | 2020-06-30 | 2022-04-19 | 中南大学 | 一种压缩感知采样与重建方法、设备及存储介质 |
CN112881743B (zh) * | 2021-01-13 | 2023-05-02 | 徐培亮 | 一种基于正则化算法的速度和加速度计算方法及测量装置 |
Family Cites Families (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106569241B (zh) * | 2016-09-27 | 2019-04-23 | 北京航空航天大学 | 一种基于gnss的单频高精度定位方法 |
US10267924B2 (en) * | 2017-01-04 | 2019-04-23 | Qualcomm Incorporated | Systems and methods for using a sliding window of global positioning epochs in visual-inertial odometry |
CN107917708A (zh) * | 2017-11-10 | 2018-04-17 | 太原理工大学 | 基于贝叶斯压缩感知的gps/ins紧组合周跳探测和修复算法 |
CN109085629B (zh) * | 2018-08-29 | 2020-11-17 | 广州市中海达测绘仪器有限公司 | Gnss基线向量解算定位方法、装置和导航定位设备 |
-
2019
- 2019-09-17 CN CN201910874925.1A patent/CN110703284B/zh active Active
Also Published As
Publication number | Publication date |
---|---|
CN110703284A (zh) | 2020-01-17 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN103675861B (zh) | 一种基于星载gnss多天线的卫星自主定轨方法 | |
CN107677272B (zh) | 一种基于非线性信息滤波的auv协同导航方法 | |
CN111007557B (zh) | 自适应运动学模型辅助的gnss载波相位与多普勒融合测速方法 | |
CN110703284B (zh) | 一种基于稀疏核学习的单站gnss瞬时速度和加速度构建方法 | |
CN102435763A (zh) | 一种基于星敏感器的航天器姿态角速度测量方法 | |
CN110764127B (zh) | 易于星载在轨实时处理的编队卫星相对定轨方法 | |
CN107561565B (zh) | 低轨航天器星载gnss差分相对导航换星的处理方法 | |
CN103217175A (zh) | 一种自适应容积卡尔曼滤波方法 | |
CN103955600B (zh) | 一种目标跟踪方法及截断积分卡尔曼滤波方法、装置 | |
US9352858B2 (en) | Angles-only initial orbit determination (IOD) | |
CN110727002A (zh) | 一种基于稀疏正则化的单频单站动态gnss载波相位信号周跳修复方法 | |
CN103792562A (zh) | 一种基于变换采样点的强跟踪ukf的滤波方法 | |
CN110673175A (zh) | 一种基于gnss广播星历的高轨卫星高精度自主定轨方法 | |
CN110006462B (zh) | 基于奇异值分解的星敏感器在轨标定方法 | |
Sarychev et al. | Optimal regressors search subjected to vector autoregression of unevenly spaced TLE series | |
Biswas et al. | Computationally efficient unscented Kalman filtering techniques for launch vehicle navigation using a space-borne GPS receiver | |
Kaniewski et al. | Algorithms of position and velocity estimation in GPS receivers | |
CN115659196A (zh) | 基于非线性偏差演化的天基光学观测短弧关联与聚类方法 | |
US20230011501A1 (en) | Particle filtering and navigation system using measurement correlation | |
US8433544B2 (en) | Nonlinear variable lag smoother | |
Li et al. | Exploring the Potential of Deep Learning Aided Kalman Filter for GNSS/INS Integration: A Study on 2D Simulation Datasets | |
CN113093092A (zh) | 一种水下鲁棒自适应单信标定位方法 | |
Gehly et al. | Lp-norm batch estimation as applied to orbit determination | |
Jwo | Complementary Kalman filter as a baseline vector estimator for GPS-based attitude determination | |
Biswas et al. | Application of a fast unscented Kalman Filtering method to satellite position estimation using a space-borne multi-GNSS receiver |
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 |