CN112817020B - 基于svm模型的gnss观测数据质量控制及定位方法 - Google Patents
基于svm模型的gnss观测数据质量控制及定位方法 Download PDFInfo
- Publication number
- CN112817020B CN112817020B CN201911146629.6A CN201911146629A CN112817020B CN 112817020 B CN112817020 B CN 112817020B CN 201911146629 A CN201911146629 A CN 201911146629A CN 112817020 B CN112817020 B CN 112817020B
- Authority
- CN
- China
- Prior art keywords
- svm model
- observation data
- epoch
- svm
- gnss observation
- 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
-
- 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
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
本发明适用于定位技术领域,提供了一种基于SVM模型的GNSS观测数据质量控制及定位方法,控制方法包括:采集GNSS观测数据;设定SVM模型的目标函数;基于采集到的多个历元GNSS观测数据构建特征统计量;根据所述每个历元获得的伪距观测量的可信度设定对应的SVM模型输出结果;将获得的所述特征统计量和所述SVM模型输出结果用于SVM模型的目标函数的SVM模型参数的训练;根据优化后的SVM模型参数更新SVM模型的目标函数以获得SVM向量机;根据获得的SVM向量机实时筛选新的GNSS观测数据。本发明可提高剔除GNSS观测数据的粗差的效率。
Description
技术领域
本发明涉及物联网技术领域,尤其涉及一种基于SVM模型的GNSS观测数据质量控制方法、定位方法。
背景技术
随着物联网技术的发展,定位技术在多个行业得到应用,而目前用于对于消费级终端的定位精度要求越来越高,观测数据是定位的基础数据,如观测数据误差大会严重影响定位精度。在城市复杂场景下,GNSS观测数据容易受多路径,建筑物遮挡的影响,如果不能有效剔除含有粗差的GNSS观测数据,会导致定位结果出现较大的偏移,严重影响GNSS定位准确性。
现有的GNSS观测数据的质量控制方法是采用剔除粗差、周跳探测等,这类方法的计算过程较复杂,计算量比较大,且不能有效准确的剔除含有粗差的GNSS观测量,不能提供精确的导航体验。
故有必要提出一种新的技术方案,以解决上述技术问题。
发明内容
鉴于此,本发明实施例提供了一种基于SVM模型的GNSS观测数据质量控制方法、定位方法,解决现有技术中粗差剔除的效率不高的问题。
本发明实施例的第一方面提供了一种基于SVM模型的GNSS观测数据质量控制方法,包括:
采集GNSS观测数据;
设定SVM模型的目标函数为:
基于采集到的多个历元GNSS观测数据构建特征统计量,所述特征统计量包括单颗卫星在单个历元中的观测量信噪比、单颗卫星在单个历元中的观测量高度角、单颗卫星在单个历元中的伪距观测量残差、单颗卫星在单个历元中的多普勒观测量残差以及伪距多普勒一致性参数,其中,根据所述GNSS观测数据的相邻历元的伪距观测量和多普勒观测量获得所述伪距多普勒一致性参数;
根据所述GNSS观测数据中每个历元获得的伪距观测量的可信度设定对应的SVM模型输出结果;
将获得的所述特征统计量和所述SVM模型输出结果用于所述SVM模型的目标函数的SVM模型参数的训练,以得到优化后的SVM模型参数;
根据优化后的SVM模型参数更新所述SVM模型的目标函数以获得SVM向量机;
根据获得的所述SVM向量机实时筛选新的GNSS观测数据。
本发明实施例的第二方面提供了一种定位方法,包括:
采集GNSS观测数据;
构建SVM模型的目标函数;
基于已采集的GNSS观测数据构建特征统计量,所述特征统计量包括单颗卫星单个历元统计量;
根据每个历元获得的伪距观测量的可信度设定对应的SVM模型输出结果;
将获得的所述特征统计量和所述SVM模型输出结果用于所述SVM模型的目标函数的模型参数的训练,以得到SVM向量机;
根据获得的所述SVM向量机实时筛选新的GNSS观测数据;
基于筛选后的所述GNSS观测数据进行卡尔曼滤波定位解算,得到对应的定位结果。
本发明实施例的第三方面还提供了一种定位装置,包括存储器,处理器及存储在存储器上并可在处理器上运行的计算机程序,上述处理器执行上述计算机程序时实现上述第一方面或第二方面提及的方法。
本发明实施例的第四方面提供了一种计算机可读存储介质,该计算机可读存储介质上存储有计算机程序,上述计算机程序被处理器执行时实现上述第一方面或第二方面提及的方法。
本发明实施例与现有技术相比存在的有益效果是:。
附图说明
为了更清楚地说明本发明实施例中的技术方案,下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍,显而易见地,下面描述中的附图仅仅是本发明的一些实施例,对于本领域普通技术人员来讲,在不付出创造性劳动性的前提下,还可以根据这些附图获得其他的附图。
图1为本发明实施例一提供的一种基于SVM模型的GNSS观测数据质量控制方法的流程示意图;
图2为本发明实施例二提供的一种定位方法的流程示意图;
图3为本发明实施例三提供的定位装置的结构示意图;
图4为本发明实施例四提供的定位装置的结构示意图。
具体实施方式
以下描述中,为了说明而不是为了限定,提出了诸如特定***结构、技术之类的具体细节,以便透彻理解本发明实施例。然而,本领域的技术人员应当清楚,在没有这些具体细节的其它实施例中也可以实现本发明。在其它情况中,省略对众所周知的***、装置、电路以及方法的详细说明,以免不必要的细节妨碍本发明的描述。
应当理解,当在本说明书和所附权利要求书中使用时,术语“包括”指示所描述特征、整体、步骤、操作、元素和/或组件的存在,但并不排除一个或多个其它特征、整体、步骤、操作、元素、组件和/或其集合的存在或添加。
还应当理解,在此本发明说明书中所使用的术语仅仅是出于描述特定实施例的目的而并不意在限制本发明。如在本发明说明书和所附权利要求书中所使用的那样,除非上下文清楚地指明其它情况,否则单数形式的“一”、“一个”及“该”意在包括复数形式。
还应当进一步理解,在本发明说明书和所附权利要求书中使用的术语“和/或”是指相关联列出的项中的一个或多个的任何组合以及所有可能组合,并且包括这些组合。
如在本说明书和所附权利要求书中所使用的那样,术语“如果”可以依据上下文被解释为“当...时”或“一旦”或“响应于确定”或“响应于检测到”。类似地,短语“如果确定”或“如果检测到[所描述条件或事件]”可以依据上下文被解释为意指“一旦确定”或“响应于确定”或“一旦检测到[所描述条件或事件]”或“响应于检测到[所描述条件或事件]”。
应理解,本实施例中各步骤的序号的大小并不意味着执行顺序的先后,各过程的执行顺序应以其功能和内在逻辑确定,而不应对本发明实施例的实施过程构成任何限定。
需要说明的是,本实施例中的“第一”、“第二”等描述,是用于区分不同的区域、模块等,不代表先后顺序,也不限定“第一”和“第二”为不同的类型。
为了说明本发明所述的技术方案,下面通过具体实施例来经说明。
实施例一
图1是本发明实施例一提供的一种基于SVM模型的GNSS观测数据质量控制方法的流程示意图,该方法可以包括以下步骤:
步骤S1,采集GNSS观测数据;
具体地,首先采集GNSS观测数据,该GNSS观测数据包括多个历元的GNSS观测数据,且每个历元的GNSS观测数据可包括:伪距观测数据及多普勒观测数据。
步骤S2,设定SVM模型的目标函数;
具体地,预先设定SVM模型的目标函数,该目标函数具体为:其中,b及w均为SVM模型参数,xi表示特征统计量。目标函数的表现形式可能有多种,本发明不以此为限。本实施例中的目标函数,其实质是通过该公式求取间隔最大化的支持向量机。
步骤S3,基于采集到的多个历元GNSS观测数据构建特征统计量;
具体地,基于前述的多个历元的GNSS观测数据构建特征统计量,该特征统计量包括:单颗卫星在单个历元中的观测量信噪比(信号强弱的指标,表示接收机捕获GNSS信号的能量强度,能量越高表示观测质量越好;信噪比也可以称作“CN0”)、单颗卫星在单个历元中的观测量高度角(用以区分观测数据质量的好坏,是卫星及接收机之间的连线与水平线之间的夹角,高度角越高表示天线接收的信号就越强,观测质量越可靠)、单颗卫星在单个历元中的伪距观测量残差、单颗卫星在单个历元中的多普勒观测量残差以及伪距多普勒一致性参数,其中,根据所述GNSS观测数据的相邻历元的伪距观测量和多普勒观测量获得所述伪距多普勒一致性参数;
在本实施例的进一步优选方案中,该特征统计量还可包括:单个历元所有卫星的观测量的平均信噪比和卫星个数。单个历元所有卫星的相关数据,可以基于对单个历元单个卫星的统计量获得。
在本实施例的进一步优选方案中,该特征统计量还可包括:伪距观测量残差的中位数和/或多普勒观测量残差的中位数。
需要说明的是,可将单颗卫星在单个历元中的观测量信噪比、单颗卫星在单个历元中的观测量高度角、单颗卫星在单个历元中的伪距观测量残差、单颗卫星在单个历元中的伪距观测量残差、单个历元所有卫星的观测量的平均信噪比和卫星个数及伪距观测量残差的中位数作为特征统计量,或者,将单颗卫星在单个历元中的观测量信噪比、单颗卫星在单个历元中的观测量高度角、单颗卫星在单个历元中的伪距观测量残差、单颗卫星在单个历元中的伪距观测量残差、单个历元所有卫星的观测量的平均信噪比和卫星个数及多普勒观测量残差的中位数作为特征统计量、或者将单颗卫星在单个历元中的观测量信噪比、单颗卫星在单个历元中的观测量高度角、单颗卫星在单个历元中的伪距观测量残差、单颗卫星在单个历元中的伪距观测量残差、单个历元所有卫星的观测量的平均信噪比和卫星个数及伪距观测量残差的中位数、多普勒观测量残差的中位数作为特征统计量作为特征统计量分别输入SVM模型中进行训练,可得到不同的支持向量机。因不同特征统计量获得的不同的支持向量机,在筛选新的数据时,效果可能会有差别。
步骤S4,根据GNSS观测数据中每个历元的伪距观测量的可信度设定对应的SVM模型输出结果。
具体地,根据GNSS观测数据中每个历元的伪距观测量的可信度设定对应的SVM模型输出结果。
步骤S5,将获得的所述特征统计量和SVM模型输出结果用于SVM模型的目标函数的SVM模型参数的训练,以得到优化后的SVM模型参数。
步骤S6,根据优化后的SVM模型参数更新SVM模型的目标函数以获得SVM向量机。
具体地,该SVM向量机为:f(x)=w*x+b,其中,w,b为SVM模型参数x为特征统计量,f表示函数的意思。
步骤S7,根据获得的SVM向量机实时筛选新的GNSS观测数据。
具体地,根据当前的SVM向量机筛选当前获取的GNSS观测数据,以提高GNSS观测数据的质量。
在本实施例中,基于GNSS观测数据构建特征统计量,根据特征统计量训练SVM模型得到SVM向量机,根据该SVM向量机实时筛选当前获取的GNSS观测数据,可提高剔除GNSS观测数据的粗差的效率。
在本实施例的一个优选方案中,根据所述GNSS观测数据的相邻历元的伪距观测量和多普勒观测量获得所述伪距多普勒一致性参数具体为:
根据公式:pr_dr_diff=pri-(pri-1+dri)获取所述伪距多普勒一致性参数,其中,pr_dr_diff表示伪距多普勒一致性参数,pri,pri-1分别表示第i历元和第i-1历元的伪距观测量,dri表示第i历元的多普勒观测量。伪距多普勒一致性的计算方式可以多种,其实质是表示伪距的变化率。
在本实施例中,根据GNSS观测数据的伪距观测量计算单历元的伪距观测量残差,如根据公式:pr_diff=prraw-prs来计算伪距观测量残差,其中,pr_diff表示伪距观测量残差,prraw表示伪距观测量,prs表示卫星与接收机之间的距离。
在本实施例中,根据GNSS观测数据的多普勒观测量计算单历元的多普勒观测量残差,如根据公式:dr_diff=drraw-drs来计算多普勒观测量残差,其中,dr_diff为多普勒观测量残差,drraw表示多普勒观测量,drs表示卫星与接收机之间的相对速度(相当于卫星相对于接收机的相对速度)。
在本实施例的一个优选方案中,该步骤S4具体包括:
根据已获取的GNSS观测数据获取伪距观测量;
具体地,根据该获取的GNSS观测数据获取伪距观测量,需要说明的是,每一历元对应一个伪距观测量;
获取距离参考值;
具体地,根据卫星与接收机之间的真实距离(通过星历计算卫星的位置,根据已知的接收机位置及计算的卫星的位置计算二者的真实距离)获取距离参考值;
比较伪距观测量和距离参考值的差值,当差值大于阈值时,即观测结果可能偏离真实距离较大,此时设定对应的SVM模型输出结果为第一参数,以表示高可信度,当差值小于阈值时,即观测结果与真实距离接近,此时设定对应的SVM模型输出结果为第二参数,以表示低可信度。
具体地,比较伪距观测量和距离参考值的差值,当差值大于阈值时,设定对应的SVM模型输出结果为第一参数,以表示高可信度,当差值小于阈值时,设定对应的SVM模型输出结果为第二参数,以表示低可信度。如比较伪距观测量和距离参考值的差值,根据公式:来获取伪距观测量的可信度,其中,ε表示阈值,prref表示距离参考值,prraw表示伪距观测量,若二者差值大于或等于阈值时,该SVM模型的输出结果y为第一参数1,表示高可信度,若小于阈值时,该SVM模型的输出结果y为第二参数-1,表示低可信度。
在本实施例的一个优选方案中,该步骤S5具体为:
将特征统计量作为非线形可分训练集,根据高斯核函数映射至高维特征空间,构造目标最优分类超平面。
具体地,将特征统计量作为非线形可分训练集,如(x1,y1),...(xl,yl),xi∈Rn,yi=1,-1,i=1..l,Rn是实数集,用以表示特征统计量(即非线性可分训练集)。
根据高斯核函数映射至高维特征空间,构造目标最优分类超平面。其中,将特征统计量作为非线形可分训练集,且将该特征统计量作为输入向量x,根据高斯公式:映射到一个高维特征空间,即通过非线性数据变换到高维特征空间,构造目标最优分类超平面,该目标最优分类超平面为:
在本实施例的一个优选方案中,该步骤S7具体包括:
根据新的GNSS观测数据的每个历元的特征统计量,获取SVM向量机的输出结果;以及
根据SVM向量机的输出结果,确定是否排除对应历元的GNSS观测数据。
具体地,获取新的GNSS观测数据,将该GNSS观测数据的每个历元的特征统计量输入至该SVM向量机中,得到对应的输出结果,根据该输出结果确定是否需要排除对应历元的GNSS观测数据,对应于前述输出结果y,如该结果为1,则说明对应的GNSS观测数据质量好,保留该历元的GNSS观测数据,如输出结果为-1,则说明对应的GNSS观测数据的质量较差,需要排除该历元的GNSS观测数据,从而实现对GNSS观测数据质量的控制。
在本实施例中,基于GNSS观测数据构建特征统计量,根据特征统计量训练SVM模型得到SVM向量机,根据该SVM向量机实时筛选当前获取的GNSS观测数据,可提高剔除GNSS观测数据的粗差的效率。
其次,对SVM模型的参数进行优化设置,可提高获取的GNSS观测数据的质量。
实施例二
图2是本发明实施例二提供的一种定位方法的流程示意图,该方法可以包括以下步骤:
步骤A1,采集GNSS观测数据;
具体地,首先采集GNSS观测数据,该GNSS观测数据包括多个历元的GNSS观测数据,且每个历元的GNSS观测数据可包括:伪距观测数据及多普勒观测数据。
步骤A2,构建SVM模型的目标函数;
步骤A3,基于已采集的GNSS观测数据构建特征统计量;
具体地,基于前述的多个历元的GNSS观测数据构建特征统计量,该特征统计量包括单颗卫星单个历元统计量,该特征统计量可以包括:单颗卫星在单个历元中的观测量信噪比(信号强弱的指标,表示接收机捕获GNSS信号的能量强度,能量越高表示观测质量越好)、单颗卫星在单个历元中的观测量高度角(用以区分观测数据质量的好坏,是卫星及接收机之间的连线与水平线之间的夹角,高度角越高表示天线接收的信号就越强,观测质量越可靠)、单颗卫星在单个历元中的伪距观测量残差、单颗卫星在单个历元中的多普勒观测量残差;该特征统计量还可以包括伪距多普勒一致性参数,其中,根据所述GNSS观测数据的相邻历元的伪距观测量和多普勒观测量获得所述伪距多普勒一致性参数;
在本实施例的进一步优选方案中,该特征统计量还可包括:单个历元所有卫星的观测量的平均信噪比和卫星个数。
在本实施例的进一步优选方案中,该特征统计量还可包括:伪距观测量残差的中位数和/或多普勒观测量残差的中位数。
步骤A4,根据每个历元获得的伪距观测量的可信度设定对应的SVM模型输出结果;
具体地,根据每个历元获得的伪距观测量的可信度设定对应的SVM模型输出结果。
步骤A5,将获得的特征统计量和SVM模型输出结果用于SVM模型的目标函数的模型参数的训练,以得到SVM向量机;
具体地,首先,将获得的所述特征统计量和SVM模型输出结果用于SVM模型的目标函数的SVM模型参数的训练,以得到优化后的SVM模型参数,然后根据优化后的SVM模型参数更新SVM模型的目标函数以获得SVM向量机,其中,该SVM向量机为:f(x)=w*x+b,其中,w,b为SVM模型参数x为特征统计量,其中f表示函数的意思。
步骤A6,根据获得的SVM向量机实时筛选新的GNSS观测数据;
具体地,根据当前的SVM向量机筛选当前获取的GNSS观测数据,以提高GNSS观测数据的质量。
步骤A7,基于筛选后的GNSS观测数据进行卡尔曼滤波定位解算,得到对应的定位结果。
具体地,根据筛选后的GNSS观测数据来进行卡尔曼滤波定位解算,得到对应的解算结果,由于GNSS观测数据是经过筛选的,可提高定位解算精度及可靠性。
在本实施例中,该步骤A1~A4分别相当于实施例一的步骤S1~S4,步骤A5相当于实施例一的步骤S5及S6,步骤A6相当于实施例一的步骤S7,具体的实现过程可参照上述实施例一,此处不再赘述。
在本实施例中,基于GNSS观测数据构建特征统计量,根据特征统计量训练SVM模型得到SVM向量机,根基该SVM向量机实时筛选当前获取的GNSS观测数据,可提高剔除GNSS观测数据的粗差的效率。
其次,GNSS观测数据是经过筛选的,可提高定位解算精度及可靠性。
实施例二可以基于实施例一适当调整,本发明不以此为限。
实施例三
图3是本发明实施例三提供的定位装置的结构示意图。如图3所示,该实施例的定位装置3包括:处理器30、存储器31以及存储在所述存储器31中并可在所述处理器30上运行的计算机程序32。所述处理器30执行所述计算机程序32时实现上述方法实施例一中的步骤。
计算机程序32具体用于使得处理器30执行以下操作:
采集GNSS观测数据;
设定SVM模型的目标函数为:
基于采集到的多个历元GNSS观测数据构建特征统计量,所述特征统计量包括单颗卫星在单个历元中的观测量信噪比、单颗卫星在单个历元中的观测量高度角、单颗卫星在单个历元中的伪距观测量残差、单颗卫星在单个历元中的多普勒观测量残差以及伪距多普勒一致性参数,其中,根据所述GNSS观测数据的相邻历元的伪距观测量和多普勒观测量获得所述伪距多普勒一致性参数;
根据所述GNSS观测数据中每个历元获得的伪距观测量的可信度设定对应的SVM模型输出结果;
将获得的所述特征统计量和所述SVM模型输出结果用于所述SVM模型的目标函数的SVM模型参数的训练,以得到优化后的SVM模型参数;
根据优化后的SVM模型参数更新所述SVM模型的目标函数以获得SVM向量机;
根据获得的所述SVM向量机实时筛选新的GNSS观测数据。
在一种可选的方式中,所述特征统计量还包括:
单个历元所有卫星的观测量的平均信噪比和卫星个数。
在一种可选的方式中,所述特征统计量还包括:
伪距观测量残差的中位数和/或多普勒观测量残差的中位数。
在一种可选的方式中,计算机程序32具体用于使得处理器30执行以下操作:
根据pr_dr_diff=pri-(pri-1+dri)获取所述伪距多普勒一致性参数,其中,pr_dr_diff表示所述伪距多普勒一致性参数,pri,pri-1分别表示第i历元和第i-1历元的伪距观测量,dri表示第i历元的多普勒观测量。
在一种可选的方式中,计算机程序32具体用于使得处理器30执行以下操作:
根据所述已获取的GNSS观测数据获取所述伪距观测量;
获取距离参考值;
比较所述伪距观测量和所述距离参考值的差值,当所述差值大于或等于阈值时,设定对应的SVM模型输出结果为第一参数,以表示高可信度,当所述差值小于阈值时,设定对应的SVM模型输出结果为第二参数,以表示低可信度。
在一种可选的方式中,计算机程序32具体用于使得处理器30执行以下操作:
将所述特征统计量作为非线形可分训练集,根据高斯核函数映射至高维特征空间,构造目标最优分类超平面。
在一种可选的方式中,计算机程序32具体用于使得处理器30执行以下操作:
根据新的GNSS观测数据的每个历元所述特征统计量,获取所述SVM向量机的输出结果;以及
根据所述SVM向量机的输出结果,确定是否排除对应历元的GNSS观测数据。
在本实施例中,基于GNSS观测数据构建特征统计量,根据特征统计量训练SVM模型得到SVM向量机,根基该SVM向量机实时筛选当前获取的GNSS观测数据,可提高剔除GNSS观测数据的粗差的效率。
实施例四
图4是本发明实施例四提供的定位装置的结构示意图。如图4所示,该实施例的定位装置4包括:处理器40、存储器41以及存储在所述存储器41中并可在所述处理器40上运行的计算机程序42。所述处理器40执行所述计算机程序42时实现上述方法实施例一中的步骤。
计算机程序42具体用于使得处理器40执行以下操作:
采集GNSS观测数据;
构建SVM模型的目标函数;
基于已采集的GNSS观测数据构建特征统计量,所述特征统计量包括单颗卫星单个历元统计量;
根据每个历元获得的伪距观测量的可信度设定对应的SVM模型输出结果;
将获得的所述特征统计量和所述SVM模型输出结果用于所述SVM模型的目标函数的模型参数的训练,以得到SVM向量机;
根据获得的所述SVM向量机实时筛选新的GNSS观测数据;
基于筛选后的所述GNSS观测数据进行卡尔曼滤波定位解算,得到对应的定位结果。
在一种可选的方式中,所述单颗卫星单个历元统计量包括单颗卫星在单个历元中的观测量信噪比、单颗卫星在单个历元中的观测量高度角、单颗卫星在单个历元中的伪距观测量残差、单颗卫星在单个历元中的多普勒观测量残差。
在一种可选的方式中,所述特征统计量还包括单个历元所有卫星的统计量,所述单个历元所有卫星的统计量包括单个历元所有卫星的观测量的平均信噪比和卫星个数。
在一种可选的方式中,所述单个历元所有卫星的统计量还包括伪距观测量残差的中位数和/或多普勒观测量残差的中位数。
在本实施例中,基于GNSS观测数据构建特征统计量,根据特征统计量训练SVM模型得到SVM向量机,根基该SVM向量机实时筛选当前获取的GNSS观测数据,可提高剔除GNSS观测数据的粗差的效率。
实施例五
本发明第五实施例提供了一种计算机可读存储介质,所述计算机可读存储介质包括存储在计算机存储介质上的计算机程序,所述计算机程序包括程序指令,当所述程序指令被计算机执行时,使所述计算机执行上述第一实施例中的基于SVM模型的GNSS观测数据质量控制方法。
可执行指令具体可以用于使得处理器执行以下操作:
采集GNSS观测数据;
设定SVM模型的目标函数为:
基于采集到的多个历元GNSS观测数据构建特征统计量,所述特征统计量包括单颗卫星在单个历元中的观测量信噪比、单颗卫星在单个历元中的观测量高度角、单颗卫星在单个历元中的伪距观测量残差、单颗卫星在单个历元中的多普勒观测量残差以及伪距多普勒一致性参数,其中,根据所述GNSS观测数据的相邻历元的伪距观测量和多普勒观测量获得所述伪距多普勒一致性参数;
根据所述GNSS观测数据中每个历元获得的伪距观测量的可信度设定对应的SVM模型输出结果;
将获得的所述特征统计量和所述SVM模型输出结果用于所述SVM模型的目标函数的SVM模型参数的训练,以得到优化后的SVM模型参数;
根据优化后的SVM模型参数更新所述SVM模型的目标函数以获得SVM向量机;
根据获得的所述SVM向量机实时筛选新的GNSS观测数据。
在一种可选的方式中,所述特征统计量还包括:
单个历元所有卫星的观测量的平均信噪比和卫星个数。
在一种可选的方式中,所述特征统计量还包括:
伪距观测量残差的中位数和/或多普勒观测量残差的中位数。
在一种可选的方式中,可执行指令具体可以用于使得处理器执行以下操作:
根据pr_dr_diff=pri-(pri-1+dri)获取所述伪距多普勒一致性参数,其中,pr_dr_diff表示所述伪距多普勒一致性参数,pri,pri-1分别表示第i历元和第i-1历元的伪距观测量,dri表示第i历元的多普勒观测量。
在一种可选的方式中,可执行指令具体可以用于使得处理器执行以下操作:
根据所述已获取的GNSS观测数据获取所述伪距观测量;
获取距离参考值;
比较所述伪距观测量和所述距离参考值的差值,当所述差值大于或等于阈值时,设定对应的SVM模型输出结果为第一参数,以表示高可信度,当所述差值小于阈值时,设定对应的SVM模型输出结果为第二参数,以表示低可信度。
在一种可选的方式中,可执行指令具体可以用于使得处理器执行以下操作:
将所述特征统计量作为非线形可分训练集,根据高斯核函数映射至高维特征空间,构造目标最优分类超平面。
在一种可选的方式中,可执行指令具体可以用于使得处理器执行以下操作:
根据新的GNSS观测数据的每个历元所述特征统计量,获取所述SVM向量机的输出结果;以及
根据所述SVM向量机的输出结果,确定是否排除对应历元的GNSS观测数据。
在本实施例中,基于GNSS观测数据构建特征统计量,根据特征统计量训练SVM模型得到SVM向量机,根基该SVM向量机实时筛选当前获取的GNSS观测数据,可提高剔除GNSS观测数据的粗差的效率。
实施例六
本发明第六实施例提供了一种计算机可读存储介质,所述计算机可读存储介质包括存储在计算机存储介质上的计算机程序,所述计算机程序包括程序指令,当所述程序指令被计算机执行时,使所述计算机执行上述第二实施例中的定位方法。
可执行指令具体可以用于使得处理器执行以下操作:
采集GNSS观测数据;
构建SVM模型的目标函数;
基于已采集的GNSS观测数据构建特征统计量,所述特征统计量包括单颗卫星单个历元统计量;
根据每个历元获得的伪距观测量的可信度设定对应的SVM模型输出结果;
将获得的所述特征统计量和所述SVM模型输出结果用于所述SVM模型的目标函数的模型参数的训练,以得到SVM向量机;
根据获得的所述SVM向量机实时筛选新的GNSS观测数据;
基于筛选后的所述GNSS观测数据进行卡尔曼滤波定位解算,得到对应的定位结果。
在一种可选的方式中,所述单颗卫星单个历元统计量包括单颗卫星在单个历元中的观测量信噪比、单颗卫星在单个历元中的观测量高度角、单颗卫星在单个历元中的伪距观测量残差、单颗卫星在单个历元中的多普勒观测量残差。
在一种可选的方式中,所述特征统计量还包括单个历元所有卫星的统计量,所述单个历元所有卫星的统计量包括单个历元所有卫星的观测量的平均信噪比和卫星个数。
在一种可选的方式中,所述单个历元所有卫星的统计量还包括伪距观测量残差的中位数和/或多普勒观测量残差的中位数。
在本发明中,基于GNSS观测数据构建特征统计量,根据特征统计量训练SVM模型得到SVM向量机,根基该SVM向量机实时筛选当前获取的GNSS观测数据,可提高剔除GNSS观测数据的粗差的效率。
在本申请所提供的几个实施例中,应该理解到,所揭露的***,装置和方法,可以通过其它的方式实现。例如,以上所描述的装置实施例仅仅是示意性的,例如,所述单元的划分,仅仅为一种逻辑功能划分,实际实现时可以有另外的划分方式,例如多个单元或组件可以结合或者可以集成到另一个***,或一些特征可以忽略,或不执行。另一点,所显示或讨论的相互之间的耦合或直接耦合或通信连接可以是通过一些接口,装置或单元的间接耦合或通信连接,可以是电性,机械或其它的形式。
所述作为分离部件说明的单元可以是或者也可以不是物理上分开的,作为单元显示的部件可以是或者也可以不是物理单元,即可以位于一个地方,或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部单元来实现本实施例方案的目的。
另外,在本发明各个实施例中的各功能单元可以集成在一个处理单元中,也可以是各个单元单独物理存在,也可以两个或两个以上单元集成在一个单元中。上述集成的单元既可以采用硬件的形式实现,也可以采用软件功能单元的形式实现。
所述集成的单元如果以软件功能单元的形式实现并作为独立的产品销售或使用时,可以存储在一个计算机可读取存储介质中。基于这样的理解,本发明实现上述实施例方法中的全部或部分流程,也可以通过计算机程序来指令相关的硬件来完成,所述的计算机程序可存储于一计算机可读存储介质中,该计算机程序在被处理器执行时,可实现上述各个方法实施例的步骤。其中,所述计算机程序包括计算机程序代码,所述计算机程序代码可以为源代码形式、对象代码形式、可执行文件或某些中间形式等。所述计算机可读介质可以包括:能够携带所述计算机程序代码的任何实体或装置、记录介质、U盘、移动硬盘、磁碟、光盘、计算机存储器、只读存储器(ROM,Read-Only Memory)、随机存取存储器(RAM,RandomAccess Memory)、电载波信号、电信信号以及软件分发介质等。需要说明的是,所述计算机可读介质包含的内容可以根据司法管辖区内立法和专利实践的要求经适当的增减,例如在某些司法管辖区,根据立法和专利实践,计算机可读介质不包括电载波信号和电信信号。
以上所述,以上实施例仅用以说明本发明的技术方案,而非对其限制;尽管参照前述实施例对本发明经了详细的说明,本领域的普通技术人员应当理解:其依然可以对前述各实施例所记载的技术方案经修改,或者对其中部分技术特征经等同替换;而这些修改或者替换,并不使相应技术方案的本质脱离本发明各实施例技术方案的精神和范围。
Claims (12)
1.一种基于SVM模型的GNSS观测数据质量控制方法,其特征在于,包括:
采集GNSS观测数据;
设定SVM模型的目标函数为:
基于采集到的多个历元GNSS观测数据构建特征统计量,所述特征统计量包括单颗卫星在单个历元中的观测量信噪比、单颗卫星在单个历元中的观测量高度角、单颗卫星在单个历元中的伪距观测量残差、单颗卫星在单个历元中的多普勒观测量残差以及伪距多普勒一致性参数,其中,根据所述GNSS观测数据的相邻历元的伪距观测量和多普勒观测量获得所述伪距多普勒一致性参数;
根据所述GNSS观测数据中每个历元的伪距观测量的可信度设定对应的SVM模型输出结果;
将获得的所述特征统计量和所述SVM模型输出结果用于所述SVM模型的目标函数的SVM模型参数的训练,以得到优化后的SVM模型参数;
根据优化后的SVM模型参数更新所述SVM模型的目标函数以获得SVM向量机;
根据获得的所述SVM向量机实时筛选新的GNSS观测数据;
所述根据所述每个历元获得的伪距观测量的可信度设定对应的SVM模型输出结果,包括:
根据所述已获取的GNSS观测数据获取所述伪距观测量;
获取距离参考值;
比较所述伪距观测量和所述距离参考值的差值,当所述差值大于或等于阈值时,设定对应的SVM模型输出结果为第一参数,以表示高可信度,当所述差值小于阈值时,设定对应的SVM模型输出结果为第二参数,以表示低可信度。
2.根据权利要求1所述的方法,其特征在于,所述特征统计量还包括:
单个历元所有卫星的观测量的平均信噪比和卫星个数。
3.根据权利要求2所述的方法,其特征在于,所述特征统计量还包括:
伪距观测量残差的中位数和/或多普勒观测量残差的中位数。
4.根据权利要求1所述的方法,其特征在于,所述根据所述GNSS观测数据的相邻历元的伪距观测量和多普勒观测量获得所述伪距多普勒一致性参数,包括:
根据pr_dr_diff=pri-(pri-1+dri)获取所述伪距多普勒一致性参数,其中,pr_dr_diff表示所述伪距多普勒一致性参数,pri,pri-1分别表示第i历元和第i-1历元的伪距观测量,dri表示第i历元的多普勒观测量。
5.根据权利要求1所述的方法,其特征在于,所述将获得的所述特征统计量和所述SVM模型输出结果用于所述SVM模型的目标函数的SVM模型参数的训练,包括:
将所述特征统计量作为非线形可分训练集,根据高斯核函数映射至高维特征空间,构造目标最优分类超平面。
6.根据权利要求1所述的方法,其特征在于,所述根据获得的SVM向量机实时筛选新的GNSS观测数据,包括:
根据新的GNSS观测数据的每个历元所述特征统计量,获取所述SVM向量机的输出结果;以及
根据所述SVM向量机的输出结果,确定是否排除对应历元的GNSS观测数据。
7.一种定位方法,其特征在于,包括:
采集GNSS观测数据;
构建SVM模型的目标函数;
基于已采集的GNSS观测数据构建特征统计量,所述特征统计量包括单颗卫星单个历元统计量;
根据每个历元获得的伪距观测量的可信度设定对应的SVM模型输出结果;
将获得的所述特征统计量和所述SVM模型输出结果用于所述SVM模型的目标函数的模型参数的训练,以得到SVM向量机;
根据获得的所述SVM向量机实时筛选新的GNSS观测数据;
基于筛选后的所述GNSS观测数据进行卡尔曼滤波定位解算,得到对应的定位结果;
所述根据所述每个历元获得的伪距观测量的可信度设定对应的SVM模型输出结果,包括:
根据所述已获取的GNSS观测数据获取所述伪距观测量;
获取距离参考值;
比较所述伪距观测量和所述距离参考值的差值,当所述差值大于或等于阈值时,设定对应的SVM模型输出结果为第一参数,以表示高可信度,当所述差值小于阈值时,设定对应的SVM模型输出结果为第二参数,以表示低可信度。
8.根据权利要求7所述的方法,其特征在于,所述单颗卫星单个历元统计量包括单颗卫星在单个历元中的观测量信噪比、单颗卫星在单个历元中的观测量高度角、单颗卫星在单个历元中的伪距观测量残差、单颗卫星在单个历元中的多普勒观测量残差。
9.根据权利要求7所述的方法,其特征在于,所述特征统计量还包括单个历元所有卫星的统计量,所述单个历元所有卫星的统计量包括单个历元所有卫星的观测量的平均信噪比和卫星个数。
10.根据权利要求9所述的方法,其特征在于,所述单个历元所有卫星的统计量还包括伪距观测量残差的中位数和/或多普勒观测量残差的中位数。
11.一种定位装置,其特征在于,所述装置,用于执行如权利要求1~6或7~10中任一项所述的方法。
12.一种计算机可读存储介质,所述计算机可读存储介质存储有计算机程序,其特征在于,所述计算机程序被处理器执行时实现如权利要求1~6或7~10中任一项所述方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201911146629.6A CN112817020B (zh) | 2019-11-18 | 2019-11-18 | 基于svm模型的gnss观测数据质量控制及定位方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201911146629.6A CN112817020B (zh) | 2019-11-18 | 2019-11-18 | 基于svm模型的gnss观测数据质量控制及定位方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN112817020A CN112817020A (zh) | 2021-05-18 |
CN112817020B true CN112817020B (zh) | 2023-01-10 |
Family
ID=75852915
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201911146629.6A Active CN112817020B (zh) | 2019-11-18 | 2019-11-18 | 基于svm模型的gnss观测数据质量控制及定位方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112817020B (zh) |
Families Citing this family (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113281796B (zh) * | 2021-07-23 | 2021-10-15 | 腾讯科技(深圳)有限公司 | 位置确定方法、速度确定方法、装置、设备和存储介质 |
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 |
Citations (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109993191A (zh) * | 2018-01-02 | 2019-07-09 | ***通信有限公司研究院 | 信息处理方法及装置、电子设备及存储介质 |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2015145718A1 (ja) * | 2014-03-28 | 2015-10-01 | 三菱電機株式会社 | 測位装置 |
-
2019
- 2019-11-18 CN CN201911146629.6A patent/CN112817020B/zh active Active
Patent Citations (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109993191A (zh) * | 2018-01-02 | 2019-07-09 | ***通信有限公司研究院 | 信息处理方法及装置、电子设备及存储介质 |
Non-Patent Citations (5)
Title |
---|
Gross error detection and correction based on wavelet transform and support vector machine;Tao Tingye et al.;《SPIE》;20161231;正文全文 * |
LS-SVM 辅助的小幅值及缓变故障检测与容错方法;张闯 等;《中国惯性技术学报》;20190630;正文全文 * |
初探支持向量机算法在海洋站观测数据质量控制中的应用;李飞等;《海洋预报》;20160415(第02期);正文全文 * |
基于短时LS-SVM的GNSS铁路路基沉降监测数据分析研究;杨志飞等;《测控技术》;20180218(第02期);正文全文 * |
姿态角高精度数据预测方法;邹荣等;《遥感信息》;20161215(第06期);正文全文 * |
Also Published As
Publication number | Publication date |
---|---|
CN112817020A (zh) | 2021-05-18 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US10558891B2 (en) | Systems and methods for object tracking | |
CN112817020B (zh) | 基于svm模型的gnss观测数据质量控制及定位方法 | |
CN111160210B (zh) | 一种基于视频的水流速检测方法及*** | |
CN110058222B (zh) | 一种基于传感器选择的双层粒子滤波检测前跟踪方法 | |
US20140347219A1 (en) | Receivers and methods for multi-mode navigation | |
CN111220960B (zh) | 多站雷达下的目标特征提取方法和装置 | |
CN113138402B (zh) | 基于rtk的模糊度固定方法及装置、存储介质 | |
CN111077550A (zh) | 一种应用于智能终端rtd定位的粗差探测方法及*** | |
CN111965632A (zh) | 一种基于黎曼流形降维的雷达目标检测方法 | |
CN113393497B (zh) | 碎云条件下序列遥感图像舰船目标跟踪方法、装置及设备 | |
CN114972339B (zh) | 用于推土机结构件生产异常检测的数据增强*** | |
CN110865343A (zh) | 基于lmb的粒子滤波检测前跟踪方法及*** | |
CN108596032B (zh) | 一种视频中打架行为检测方法、装置、设备及介质 | |
CN115546705B (zh) | 目标识别方法、终端设备及存储介质 | |
CN116012364A (zh) | Sar图像变化检测方法和装置 | |
CN112526470A (zh) | 标定雷达参数的方法和装置、电子设备、存储介质 | |
CN116907509A (zh) | 基于图像匹配的auv水下辅助导航方法、***、设备及介质 | |
CN116819561A (zh) | 一种点云数据匹配方法、***、电子设备及存储介质 | |
CN109470269B (zh) | 空间目标测量机构的标定方法、标定设备及标定*** | |
CN113192110A (zh) | 多目标跟踪方法、装置、设备及存储介质 | |
CN113608190B (zh) | 基于奇异空间三特征的海面目标检测方法及*** | |
CN111830488B (zh) | 一种基于gm-apd激光测距***的回波信号数据处理方法及*** | |
CN110880012A (zh) | 多侦察平台脉间捷变雷达辐射源频率信息关联方法 | |
Jia et al. | An unsupervised change detection based on automatic relationship analysis | |
CN114881908B (zh) | 一种异常像素识别方法、装置、设备以及计算机存储介质 |
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 |