基于机器学习的多径导航信号伪码测距补偿方法及系统

本发明涉及导航信号处理，特别是涉及一种基于机器学习的多径导航信号伪码测距补偿方法及系统。

背景技术：

1、在卫星导航定位系统中，用户接收机到导航卫星的几何距离，可以通过接收信号与接收机中复制的本地伪码（prn码）相关运算获取的传播时延乘以传播速度得到。然而，在城市峡谷等复杂环境中，卫星信号经由多条反射或散射路径到达接收机天线，与直射信号叠加形成接收信号。当接收机进行相关处理时，其复制的本地伪码不仅与直射信号进行相关运算，同时与多径信号也进行了相关运算，导致输出的相关函数发生畸变，码相位鉴别器输出产生码相位鉴别误差，最终引入不可忽略的伪距测量误差，进而显著降低测距精度。目前，通过卫星信号设计、接收天线设计、数字信号处理、导航数据处理可一定程度上抑制或消除多径信号影响，减轻测距误差。但是上述方法存在不同程度的局限性，包括：高昂的设计成本、需要额外硬件支持、计算复杂度高、实时性差、特定方法在动态场景或复杂环境下抑制效果有限、以及使用场景受约束等问题。这些固有局限性使得现有技术难以满足日益多元化定位需求、高动态的定位场景和高精度定位服务的需要。

技术实现思路

1、基于此，有必要针对上述技术问题，提供一种能够提高伪码测距精度与效能的基于机器学习的多径导航信号伪码测距补偿方法及系统。

2、一种基于机器学习的多径导航信号伪码测距补偿方法，所述方法包括：

3、获取目标卫星的接收信号与本地伪码信号的相关峰附近的相关序列及样本测量相关信息组成的原始样本数据集。

4、计算原始样本码相位测量误差值，对原始样本数据集进行数据清洗，提取清洗后的样本数据集中每个样本的波形特征，根据码相位测量误差值对每个样本进行人工二分类标注，分层抽样得到训练和测试的样本数据集。

5、以样本是否需要补偿标签作为分类目标变量，将样本数据集输入至基于机器学习构建的不同的测距补偿判别模型进行拟合实验，根据判别模型优选规则确定最优测距补偿判别模型。

6、以样本的码相位补偿量作为回归函数目标变量，将样本数据集中待补偿样本输入至基于机器学习构建的不同的测距补偿量预测模型进行拟合实验，根据补偿量预测模型优选规则确定最优测距补偿量预测模型。

7、利用最优测距补偿判别模型与最优测距补偿量预测模型对多径导航信号的码相位测量值进行相位补偿，得到补偿后的伪码测距值。

8、一种基于机器学习的多径导航信号伪码测距补偿系统，所述系统包括：

9、原始样本获取模块，用于获取目标卫星的接收信号与本地伪码信号的相关峰附近的相关序列及样本测量相关信息组成的原始样本数据集。

10、原始样本预处理模块，用于计算原始样本码相位测量误差值，对原始样本数据集进行数据清洗，提取清洗后的样本数据集中每个样本的波形特征，根据码相位测量误差值对每个样本进行人工二分类标注，分层抽样得到训练和测试的样本数据集。

11、最优判别模型筛选模块，用于以样本是否需要补偿标签作为分类目标变量，将样本数据集输入至基于机器学习构建的不同的测距补偿判别模型进行拟合实验，根据判别模型优选规则确定最优测距补偿判别模型。

12、最优补偿量预测模型筛选模块，用于以样本的码相位补偿量作为回归函数目标变量，将样本数据集中待补偿样本输入至基于机器学习构建的不同的测距补偿量预测模型进行拟合实验，根据补偿量预测模型优选规则确定最优测距补偿量预测模型。

13、伪距校正模块，用于利用最优测距补偿判别模型与最优测距补偿量预测模型对多径导航信号的码相位测量值进行相位补偿，得到补偿后的伪码测距值。

14、上述基于机器学习的多径导航信号伪码测距补偿方法及系统，在数据层面，摒弃依赖额外硬件采集复杂数据的方式，仅以目标卫星接收信号与本地伪码信号相关峰附近的描述信息量构建原始样本，经清洗、特征提取和误差标注后形成高质量样本数据集，通过纯软件化的数据处理链路，大幅降低对专用硬件的依赖，显著削减设计成本。在机器学习模型构建上，采用“分类判别 + 回归预测”的双模型架构。通过对样本数据集分别进行测距补偿判别模型和补偿量预测模型的拟合实验，依据优选规则筛选出最优模型。这种组合方式使模型能够深度挖掘数据特征与测距补偿之间的复杂映射关系：判别模型精准识别数据类别，预测模型则基于类别特征动态输出码相位补偿量，相比传统固定算法，该架构具备更强的环境自适应能力，有效解决动态场景与复杂环境下抑制效果有限的问题。同时，模型的并行计算和智能学习特性显著降低计算复杂度，满足实时性需求，拓宽使用场景。最终，利用双最优模型对多径导航信号码相位测量值进行协同补偿，将原始测量值转化为补偿后的伪码测距值。这种以数据驱动、模型决策的技术路径，实现了伪码测距从硬件依赖型向数据智能型的转变，通过机器学习模型的持续优化与自适应调整，不断提升测距精度与系统效能，在成本控制、性能提升和场景适配性上实现全面突破。

1.一种基于机器学习的多径导航信号伪码测距补偿方法，其特征在于，所述方法包括：

2.根据权利要求1所述的方法，其特征在于，所述样本测量相关信息包括：归一化后的归一化相关序列、码相位测量值、载噪比、接收机位置与目标卫星位置以及环境信息；

3.根据权利要求2所述的方法，其特征在于，对所述原始样本数据集进行数据清洗，包括：

4.根据权利要求3所述的方法，其特征在于，提取清洗后的样本数据集中每个样本的波形特征，包括：

5.根据权利要求4所述的方法，其特征在于，根据所述码相位测量误差值对每个样本是否需要补偿进行人工二分类标注，分层抽样得到训练和测试的样本数据集，包括：

6.根据权利要求5所述的方法，其特征在于，以所述样本是否需要补偿标签作为分类目标变量，将所述样本数据集输入至基于机器学习构建的不同的测距补偿判别模型进行拟合实验，根据判别模型优选规则确定最优测距补偿判别模型，包括：

7.根据权利要求6所述的方法，其特征在于，以所述样本的码相位补偿量作为回归函数目标变量，将所述样本数据集中待补偿样本输入至基于机器学习构建的不同的测距补偿量预测模型进行拟合实验，根据补偿量预测模型优选规则确定最优测距补偿量预测模型，包括：

8.根据权利要求7所述的方法，其特征在于，利用所述最优测距补偿判别模型与所述最优测距补偿量预测模型对多径导航信号的码相位测量值进行相位补偿，得到补偿后的伪码测距值，包括：

9.一种基于机器学习的多径导航信号伪码测距补偿系统，其特征在于，所述系统包括：