一种非视距信号识别方法、系统、计算机设备和存储介质与流程

本发明涉及卫星导航定位技术领域，特别是涉及一种基于深度神经网络的城市环境非视距信号识别方法、系统、计算机设备和存储介质。

背景技术

目前，随着全球导航卫星系统的快速发展，GNSS逐步深入扩展到许多专业应用领域。在复杂环境下的城市环境中，由于卫星导航信号在空间传播过程中受到高层建筑和高架桥等障碍物的影响，容易引起多径效应以及非视距信号的产生，从而影响GNSS的定位精度与可靠性，同时终端硬件设备和信号处理算法也会影响到定位精度。

为了提高GNSS定位的准确性和可靠性，常用的非视距信号检测技术有设计天线、改进接收机算法、传感器集成、三维城市建筑建模和机器学习等。但是上述方法同样存在一定的局限性。基于天线、接收机和信号处理的解决方案会造成终端成本上升，处理过程较复杂，并且只能解决部分问题；基于三维城市建模的方法需要对城市进行精细建模，工作量大成本高，难以大规模推广和快速更新；而机器学习方法目前多局限于分类算法的不稳定性，不能很好的拟合非线性关系，并且基于理论层面从GNSS原始观测量中提取特征来构成特征向量，并未将实际的应用场景环境因素考虑进去，分类效果不稳定。

技术实现要素：

本发明的目的是解决城市环境卫星导航定位多径效应和非视距信号，在选取卫星信号原始观测量中的常用特征作为深度神经网络的特征向量之外，增加识别任务环境空间因素的信息量，从而增强非视距识别模型的泛化能力，减少过拟合，提高分类识别的准确性和稳定性。

第一方面，本发明实施例提供了一种基于深度神经网络的城市环境非视距信号识别方法，所述方法包括：

获取接收机中的GNSS原始数据，并对所述GNSS原始数据进行解算，得到卫星信号特征，所述卫星信号特征包括多普勒频移测量值、载噪比、卫星高度角和卫星方位角；

根据所述GNSS原始数据对卫星类型进行标记，构建卫星类型标签，所述卫星类型标签包括视距卫星和非视距卫星；

统计同一时刻下的所述视距卫星标签的数量，得到实际可观测卫星数，根据预设的卫星截止高度角，得到理论可见卫星数，将所述实际可观测卫星数和所述理论可见卫星数的比值作为自定义特征；

将所述卫星信号特征和所述自定义特征作为特征值构成特征向量；

将所述特征向量输入深度神经网络进行训练，得到非视距信号识别结果。

进一步地，所述根据所述GNSS原始数据对卫星类型进行标记，构建卫星类型标签的步骤包括：

比较两个接收机中的所述GNSS原始数据中每颗卫星的可用性；

根据每颗卫星在两个所述接收机中的可用性，对所述卫星进行信号类型标记；

将具有不同可用性的卫星的卫星类型标签标记为非视距卫星，将具有相同可用性的卫星的卫星类型标签标记为视距卫星。

进一步地，所述根据每颗卫星在两个所述接收机中的可用性，对所述卫星进行信号类型标记的步骤还包括：

获取具有相同可用性的卫星在两个所述接收机的GNSS原始数据中的数据时间；

计算各个数据时间之间的时间跨度，并将所述时间跨度与预设的时间跨度阈值进行比较，根据比较结果对具有相同可用性的卫星的卫星类型标签进行修正；

将所述时间跨度大于所述时间跨度阈值的卫星的卫星类型标签标记为非视距卫星，将所述时间跨度小于所述时间跨度阈值的卫星的卫星类型标签标记为视距卫星。

进一步地，所述统计同一时刻下的所述视距卫星标签的数量，得到实际可观测卫星数，根据预设的卫星截止高度角，得到理论可见卫星数，将所述实际可观测卫星数和所述理论可见卫星数的比值作为自定义特征的步骤包括：

统计同一时刻下视距卫星标签的数量，得到实际可观测卫星数；

比较所述卫星高度角和预设的卫星截止高度角，将所述卫星高度角大于所述卫星截止高度角的卫星作为理论可见卫星，统计所述理论可见卫星的数量，得到理论可见卫星数；

将所述实际可观测卫星数除以所述理论可见卫星数，得到自定义特征。

进一步地，在所述将所述特征向量输入深度神经网络进行训练之前还包括对所述特征向量进行数据预处理，所述数据预处理为数据缺失填补和数据归一化。

进一步地，所述深度神经网络采用两种不同的激活函数，所述激活函数为：

其中，z为从输入层输入的特征向量。

和：

其中，a为经过g(z)函数处理后的输出值。

进一步地，采用如下公式计算所述深度神经网络训练所用的损失函数：

其中，y为二元标签，其值为0或1，p(y)为输出属于y标签的概率，N为输出的大小。

第二方面，本发明实施例提供了一种基于深度神经网络的城市环境非视距信号识别系统，所述系统包括：

原始数据解算模块，用于获取接收机中的GNSS原始数据，并对所述GNSS原始数据进行解算，得到卫星信号特征，所述卫星信号特征包括多普勒频移测量值、载噪比、卫星高度角和卫星方位角；

卫星类型标签标记模块，用于根据所述GNSS原始数据对卫星类型进行标记，构建卫星类型标签，所述卫星类型标签包括视距卫星和非视距卫星；

自定义特征计算模块，用于统计同一时刻下的所述视距卫星标签的数量，得到实际可观测卫星数，根据卫星截止高度角，得到理论可见卫星数，将所述实际可观测卫星数和所述理论可见卫星数的比值作为自定义特征；

特征向量组合模块，用于将所述卫星信号特征和所述自定义特征作为特征值构成特征向量；

信号识别模块，用于将所述特征向量输入深度神经网络进行训练，得到非视距信号识别结果。

第三方面，本发明实施例还提供了一种计算机设备，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，所述处理器执行所述计算机程序时实现上述方法的步骤。

第四方面，本发明实施例还提供一种计算机可读存储介质，其上存储有计算机程序，所述计算机程序被处理器执行时实现上述方法的步骤。

上述本申请提供了一种基于深度神经网络的非视距信号识别方法、系统、计算机设备和存储介质。通过所述方法，在选择卫星信号原始观测量中常用特征作为特征值之外，还根据在不同接收机中卫星的可用性和数据时间，将实际可观测卫星数和理论可见卫星数的比值作为自定义特征，将卫星的可见性与周围环境紧密联系在一起，隐形、定性地将环境因子纳入机器学习的特征向量中，并且使用了并行性和适应性很强的深度神经网络模型进行分类识别，从而克服了传统的特征向量仅从理论层面进行特征提取，而未考虑实际的应用场景的环境因素，分类效果不稳定的问题，这对于现有的非视距信号识别领域来说是非常有意义的。

附图说明

图1是本发明实施例中一种非视距信号识别方法的流程示意图；

图2是图1中步骤S20的流程图；

图3是图2中步骤S202的另一个流程图；

图4是图1中步骤S30的流程图；

图5是三种识别算法对照实验结果的P-R曲线图；

图6是三种识别算法对照实验结果的ROC曲线图；

图7是本发明实施例中一种非视距信号识别系统的结构示意图；

图8是本发明实施例中计算机设备的内部结构图。

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，显然，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。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。

请参阅图1，本发明第一实施例提出的一种基于深度神经网络的城市环境非视距信号识别方法，其中，包括步骤S10～S50：

步骤S10，获取接收机中的GNSS原始数据，并对所述GNSS原始数据进行解算，得到卫星信号特征，所述卫星信号特征包括多普勒频移测量值、载噪比、卫星高度角和卫星方位角。

由于信号类型的识别精度与所使用的神经网络模型密切相关，特征量的选取也会影响到信号类型识别的准确度，在GNSS信号的原始数据中通常包括载噪比、多普勒频移测量值等，这些数据都与GNSS信号类型有着密切的联系。

在常用的特征中，通常认为卫星高度角的角度越大，该卫星信号为LOS的概率越高，但是在密集地区，低角度角的卫星信号越可能是LOS，高角度角的卫星信号则可能为NLOS即非视距，因此仅以卫星高度角判断信号类型容易造成误判，而载噪比和多普勒频移测量值常用于区分GNSS信号类型的指标，因此将载噪比、多普勒频移测量值和卫星高度角结合起来，并将卫星方位角作为辅助特征，作为信号识别的特征值。其中，卫星高度角和卫星方位角可以通过GNSS原始信号并结合星历文件计算得到，而载噪比和多普勒频移测量值可以直接从接收机中提取，具体获取过程可以按照该卫星特征值的常规计算步骤得到，在此将不再赘述。

步骤S20，根据所述GNSS原始数据对卫星类型进行标记，构建卫星类型标签，所述卫星类型标签包括视距卫星和非视距卫星。

其中，根据所述GNSS原始数据对卫星类型进行标记，构建卫星类型标签的步骤，如图2所示，具体包括：

步骤S201，比较两个接收机中的所述GNSS原始数据中每颗卫星的可用性。

在本实施例中可以选择多个接收机中的GNSS原始数据，在实际操作时至少选择两个接收机，例如，可以选择NovAtel接收机和u-blox接收机接收的GNSS信号的信息，当使用NovAtel接收机时，记录其接收到的最后一组卫星，下一步从u-blox接收机中接收到一组卫星，若某颗卫星在NovAtel中出现，则在该接收机中记为可用的，若该卫星在u-blox中没有出现，则在该接收机中记为不可用的，然后比较每颗卫星在两个接收机中的可用性是否相同。

由于不同的接收机接收到的卫星信号会有所差别，如NovAtel接收机在接收时会排除一些可能受NLOS影响的恶劣环境中的卫星，而u-blox接收机则提供所有接收到的卫星信号的信息，因此，通过不同接收机中接收到的卫星信号的区别，对卫星类型标签的进行标记会更加的准确。

步骤S202，根据每颗卫星在两个所述接收机中的可用性，对所述卫星进行信号类型标记。

步骤S203，将具有不同可用性的卫星的卫星类型标签标记为非视距卫星，将具有相同可用性的卫星的卫星类型标签标记为视距卫星。

其中，在比较每颗卫星在两个接收机中的可用性是否相同之后，对于不同的情况，对卫星进行不同的信号类型标记，当该卫星在两个接收机中都是可用的，则将该卫星的卫星类型标签标记为LOS；若该卫星在其中一个接收机中为不可用的，则将该卫星的卫星类型标签标记为NLOS，通过这种方法可以简单并且快速的对卫星的卫星类型标签进行标记。

本实施例中还提供了另外一种标签标记的方法，该方法是对上一种方法中卫星类型标签为LOS的卫星的卫星类型标签进一步地细化，如图3所示，具体包括：

步骤S204，获取具有相同可用性的卫星在两个所述接收机的GNSS原始数据中的数据时间。

步骤S205，计算各个数据时间之间的时间跨度，并将所述时间跨度与预设的时间跨度阈值进行比较，根据比较结果对具有相同可用性的卫星的卫星类型标签进行修正。

步骤S206，将所述时间跨度大于所述时间跨度阈值的卫星的卫星类型标签标记为非视距卫星，将所述时间跨度小于所述时间跨度阈值的卫星的卫星类型标签标记为视距卫星。

其中，从接收机中接收到一组卫星之后，除了记录每颗卫星的可用性之外，还分别记录了具有相同可用性的卫星在该接收机中的数据时间，并根据该卫星的两个数据时间，计算得到时间跨度，比如，记录某颗卫星在NovAtel接收机和u-blox接收机中的数据时间，将两个数据时间之间的差值作为自NovAtel上次更新以来的时间跨度。

将该卫星的时间跨度与提前预设的时间跨度阈值进行比较，如果时间跨度大于时间跨度阈值，说明该卫星出现的间隔时间过长，则将该卫星的卫星类型标签有LOS改为NLOS；若时间跨度小于时间跨度阈值，则该卫星的卫星类型标签保留为LOS。这么做的好处是通过时间跨度的长度对LOS卫星类型标签进行进一步的修正，从而使卫星的标签分类更加的准确，并且还不需要额外的复杂计算。

步骤S30，统计同一时刻下的所述视距卫星标签的数量，得到实际可观测卫星数，根据卫星截止高度角，得到理论可见卫星数，将所述实际可观测卫星数和所述理论可见卫星数的比值作为自定义特征。

在卫星的标签标记完成之后，通过对卫星的标签和特征值的进一步计算，得到一个自定义的特征值，如图4所示，具体步骤包括：

步骤S301，统计同一时刻下视距卫星标签的数量，得到实际可观测卫星数。

步骤S302，比较所述卫星高度角和预设的卫星截止高度角，将所述卫星高度角大于所述卫星截止高度角的卫星作为理论可见卫星，统计所述理论可见卫星的数量，得到理论可见卫星数。

步骤S303，将所述实际可观测卫星数除以所述理论可见卫星数，得到自定义特征。

虽然在上述步骤中选取了GNSS原始数据中的多普勒频移测量值、载噪比、卫星高度角和卫星方位角作为特征值，但是这些特征值的选择并没有过多的考虑环境因素，因此我们自定义了一个特征值，将环境信息量纳入信号识别的特征值中。

其中，在对卫星类型标签标记完成之后，对卫星类型标签的数量进行分类统计，由于我们会得到不同时刻下的卫星数据，在此，将同一时刻下的LOS卫星类型标签的数量作为实际可观测卫星数，这样做的好处是为了保证所使用数据的准确性。

在GPS测量中，为了屏蔽遮挡物及多路径效应的影响通常会设定一个卫星截止高度角，低于此角视空域的卫星不予跟踪。而选取适当的卫星高度角，可以有效改善多路径效应等因素引起的影响，对净化原始数据很有利。因此，我们提前预设了一个卫星截止高度角，并且将根据接收机中的原始数据结合精密星历进行解算得到的卫星高度角与根据实际情况预设的卫星截止高度角进行比较，将卫星高度角大于卫星截止高度角的卫星作为理论可见卫星。

实际上我们得到的实际可观测卫星数和理论可见卫星数是根据接收机在同一时刻接收到的卫星数据进行计算获得的，因此可以将同一时刻的实际可观测卫星数除以理论可见卫星数的比值作为自定义特征值。由于卫星类型标签和卫星截止高度角体现了环境因素对卫星信号的影响，因此引入该自定义特征值，定性地考量了环境信息量对识别任务的影响。

步骤S40，将所述卫星信号特征和所述自定义特征作为特征值构成特征向量。

将上述得到的多普勒频移测量值、载噪比、卫星高度角、卫星方位角和自定义特征作为五个一维特征值组成特征向量，这些一维的特征值可能会出现如数据缺失或长度不一致的情况，因此还需要对特征向量进行数据预处理，如数据缺失填补和数据归一化等处理，使其组成一个完整的五维特征向量。该特征向量包含了与GNSS信号类型联系密切的参数，以及环境因素的影响，从而使利用该特征向量进行非视距信号识别训练的深度神经网络的识别结果更加的准确。应当理解的是，在对特征向量进行的数据预处理不仅仅包括数据缺失填补和数据归一化，根据实际情况也可以有其他的处理方式，在此不再赘述。

步骤S50，将所述特征向量输入深度神经网络进行训练，得到非视距信号识别结果。

在构建特征向量之外，还需要搭建一个NLOS识别模型用于识别非视距信号，而深度神经网络由于有很好的适应性和鲁棒性等性能，并且具有强大的综合信息能力，因此我们选择深度神经网络作为NLOS识别的模型，在本实施例中深度神经网络使用了两种激活函数，这两种激活函数为ReLU函数和sigmoid函数。

其中，ReLU函数为：

z为从输入层输入的特征向量。

sigmoid函数为：

a为经过g(z)函数处理后的输出值。

而深度神经网络的损失函数则使用了二元交叉熵损失函数：

y为二元标签，其值为0或1，p(y)为输出属于y标签的概率，N为输出的大小。

将上述的特征向量输入搭建好的深度神经网络进行训练，得到训练好的深度神经网络，并将测试集输入深度神经网络进行信号识别，得到非视距信号的识别结果。

为了进一步验证本实施例相比其他识别算法具有更好的稳定性和准确性，下面结合图5和图6，使用本实施例、SVM算法以及DT算法对不同区域采集的数据的识别结果进行详细说明。

常用的衡量NLOS信号识别模型有效性的指标包括准确率、精确度、召回率、F1得分、P-R曲线和ROC曲线等，在本次对比实验中，我们选择了P-R曲线和ROC曲线作为实验结果的性能指标。针对不同区域采集的数据，利用上述三种算法的训练模型来测试对不同实际环境的自适应能力，并使用五折交叉验证算法评估模型性能，具体计算过程可以按照本实施例中所述步骤，以及其他两种测量方法的常规步骤，在此不予赘述。

通过使用不同的识别算法对数据进行识别，可以得到如图5所示的P-R曲线图和如图6所示的ROC曲线图。从图5中可以看到，本实施例的深度神经网络算法DNN的P-R曲线位于其他两种算法的曲线上方，较好的涵盖了其他两条曲线，说明DNN算法的性能要优于其他两种识别算法，并且DNN算法总体的抖动较小，本实施例的识别算法预测效果受阈值变化的影响较少。

在图6中可以看到，深度神经网络算法DNN的曲线同样位于其他两种算法的曲线上方，其ROC曲线下的面积为最大，即AUC最大，因此本申请的深度神经网络算法的分类器相比其他两种算法的效果更好。

综上可知，在对数据集进行信号识别的计算中，SVM算法和DT算法的P-R曲线与ROC曲线均位于本实施例算法的曲线下方，因此相比另外两种方法，本实施例提供的非视距信号识别方法的稳定性更好，识别结果更为精准。

本发明实施例提供的一种非视距信号识别方法，相比常规的基于理论层面从GNSS原始观测量提取特征值进行分类识别的智能化算法不能很好的拟合非线性关系并且分类效果不稳定，通过增加识别任务环境空间因素的信息量，从而增强非视距识别模型的泛化能力，减少过拟合，提高分类识别的准确性和稳定性。

请参阅图7，基于同一发明构思，本发明第二实施例提供的一种非视距信号识别系统，包括：

原始数据解算模块10，用于获取接收机中的GNSS原始数据，并对所述GNSS原始数据进行解算，得到卫星信号特征，所述卫星信号特征包括多普勒频移测量值、载噪比、卫星高度角和卫星方位角；

卫星类型标签标记模块20，用于根据所述GNSS原始数据对卫星类型进行标记，构建卫星类型标签，所述卫星类型标签包括视距卫星和非视距卫星；

自定义特征计算模块30，用于统计同一时刻下的所述视距卫星标签的数量，得到实际可观测卫星数，根据预设的卫星截止高度角，得到理论可见卫星数，将所述实际可观测卫星数和所述理论可见卫星数的比值作为自定义特征；

特征向量组合模块40，用于将所述卫星信号特征和所述自定义特征作为特征值构成特征向量；

信号识别模块50，用于将所述特征向量输入深度神经网络进行训练，得到非视距信号识别结果。

本发明实施例提出的非视距信号识别系统的技术特征和技术效果与本发明实施例提出的方法相同，在此不予赘述。上述非视距信号识别系统中的各个模块可全部或部分通过软件、硬件及其组合来实现。上述各模块可以硬件形式内嵌于或独立于计算机设备中的处理器中，也可以以软件形式存储于计算机设备中的存储器中，以便于处理器调用执行以上各个模块对应的操作。

请参阅图8，一个实施例中计算机设备的内部结构图，该计算机设备具体可以是终端或服务器。该计算机设备包括通过系统总线连接的处理器、存储器、网络接口、显示器和输入装置。其中，该计算机设备的处理器用于提供计算和控制能力。该计算机设备的存储器包括非易失性存储介质、内存储器。该非易失性存储介质存储有操作系统和计算机程序。该内存储器为非易失性存储介质中的操作系统和计算机程序的运行提供环境。该计算机设备的网络接口用于与外部的终端通过网络连接通信。该计算机程序被处理器执行时以实现一种非视距信号识别方法。该计算机设备的显示屏可以是液晶显示屏或者电子墨水显示屏，该计算机设备的输入装置可以是显示屏上覆盖的触摸层，也可以是计算机设备外壳上设置的按键、轨迹球或触控板，还可以是外接的键盘、触控板或鼠标等。

本领域普通技术人员可以理解，图8中示出的结构，仅仅是与本申请方案相关的部分结构的框图，并不构成对本申请方案所应用于其上的计算机设备的限定，具体的计算设备可以包括比途中所示更多或更少的部件，或者组合某些部件，或者具有同的部件布置。

此外，本发明实施例还提出一种计算机设备，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，处理器执行计算机程序时实现上述方法的步骤。

此外，本发明实施例还提出一种计算机可读存储介质，其上存储有计算机程序，计算机程序被处理器执行时实现上述方法的步骤。

综上，本发明实施例提供的一种非视距信号识别方法、系统、计算机设备和存储介质，通过获获取接收机中的GNSS原始数据，并对所述GNSS原始数据进行解算，得到卫星信号特征，所述卫星信号特征包括多普勒频移测量值、载噪比、卫星高度角和卫星方位角；根据所述GNSS原始数据对卫星类型进行标记，构建卫星类型标签，所述卫星类型标签包括视距卫星和非视距卫星；统计同一时刻下的所述视距卫星标签的数量，得到实际可观测卫星数，根据预设的卫星截止高度角，得到理论可见卫星数，将所述实际可观测卫星数和所述理论可见卫星数的比值作为自定义特征；将所述卫星信号特征和所述自定义特征作为特征值构成特征向量；将所述特征向量输入深度神经网络进行训练，得到非视距信号识别结果。该方法中除了选取GNSS原始数据中常用的信号识别参数作为特征向量之外，还引入了自定义特征值，将卫星的可见性与周围环境紧密联系在一起，隐形、定性地将环境因子纳入机器学习的特征向量中，考虑采集数据集的地区差异，增加识别任务中环境空间因素的信息量，将识别、分类任务和环境因素联系在一起，组建正确的、综合的特征向量，增强GNSS NLOS识别模型的泛化能力，减少过拟合，增强对特征值的理解，减轻构建模型的难度，输出更高质量的结果。

本说明书中的各个实施例均采用递进的方式描述，各个实施例直接相同或相似的部分互相参见即可，每个实施例重点说明的都是与其他实施例的不同之处。尤其，对于系统实施例而言，由于其基本相似于方法实施例，所以描述的比较简单，相关之处参见方法实施例的部分说明即可。需要说明的是，上述实施例的各技术特征可以进行任意的组合，为使描述简洁，未对上述实施例中的各个技术特征所有可能的组合都进行描述，然而，只要这些技术特征的组合不存在矛盾，都应当认为是本说明书记载的范围。

以上所述实施例仅表达了本申请的几种优选实施方式，其描述。较为具体和详细，但并不能因此而理解为对发明专利范围的限制。应当指出的是，对于本技术领域的普通技术人员来说，在不脱离本发明技术原理的前提下，还可以做出若干改进和替换，这些改进和替换也应视为本申请的保护范围。因此，本申请专利的保护范围应以所述权利要求的保护范围为准。