一种考虑卫星时序性和空域交互性的多径信号识别方法

技术领域

本发明涉及信号识别领域，尤其涉及一种考虑卫星时序性和空域交互性的多径信号识别方法。

背景技术

全球卫星导航系统(GNSS)是各种定位技术中应用最广泛的方法，然而在复杂的城市峡谷环境，包括城市峡谷、城市立交桥等环境下，GNSS的信号容易受到环境因素的干扰。其中，多径效应是导致城市峡谷和立交桥中GNSS定位精度发生偏移的关键因素。目前，多径效应的处理方法包括硬件与软件两大类方法。基于硬件的方法比如抗多径天线或提高接收机硬件性能。此类方法抑制多径效应的效果并不显著，且硬件的改装需求使得其应用场景存在局限。基于软件的方法如恒星日滤波法、多径半天球映射法等，存在不稳定或者计算量巨大等问题，难以满足高精度、快速定位的需求。近年来，由于人工智能技术迅速发展，也有不少研究将人工智能方法应用到多径识别上，但是大部分研究还停留在初步阶段，且训练出来的模型泛化性能差、多径信号识别的精度较低，还不能在实际中推广应用。

发明内容

为了解决上述技术问题，本发明的目的是提供一种考虑卫星时序性和空域交互性的多径信号识别方法，能够提高在城市复杂场景下多径信号识别模型的识别精度和泛化性能。

本发明所采用的第一技术方案是：一种考虑卫星时序性和空域交互性的多径信号识别方法，包括以下步骤：

获取卫星数据并对卫星数据进行划分整理，得到时间序列数据集和多卫星输入数据集；

搭建多径识别模型并将时间序列数据集和多卫星输入数据集输入至多径识别模型；

所述多径识别模型包括LSTM神经网络、Transformer模块和全连接网络；

基于LSTM网络对时间序列数据集进行特征提取，得到时间序列特征；

基于Transformer模块对多卫星输入数据集进行特征提取，得到环境表征；

基于全连接网络将时间序列特征和环境表征进行融合，得到多径信号的识别结果。

进一步，所述获取卫星数据并对卫星数据进行划分整理，得到时间序列数据集和多卫星输入数据集这一步骤，其具体包括：

获取卫星数据；

对卫星数据进行标准化处理，得到标准化后的数据；

根据时间步长将标准化后的数据进行时间序列的划分，得到时间序列数据集；

根据预设阈值对标准化后的数据进行填充和截断处理，得到多卫星输入数据集。

通过该优选步骤，能够将采集到的数据划分为两种形式，作为本方案构建的模型的输入，且对于采集到的卫星特征数据，由于不同特征的值在数量级上差距较大，直接输入给模型训练会起的模型收敛速度慢，甚至会使得模型无法工作，因此需要先对各个特征分别及进行标准化处理。

进一步，所述基于LSTM网络对时间序列数据集进行特征提取，得到时间序列特征这一步骤，其具体包括：

将时间序列数据集输入至LSTM网络；

基于遗忘门丢弃时间序列数据集中历史时刻的无用信息，得到有效卫星时序特征；

基于输入门对有效卫星时序进行信息更新，得到处理后的状态信息；

基于输出门对处理后的状态信息进行编码，得到固定序列；

根据时间序列长度循环更新，得到时间序列特征。

通过该优选步骤，本发明利用LSTM神经网络提取时序信息的特征，充分挖掘目标卫星的时变性趋势，通过输入、遗忘和输出操作，获得有利于多径识别的特征。

进一步，所述基于Transformer模块对多卫星输入数据集进行特征提取，得到环境表征这一步骤，其具体包括：

将多卫星输入数据集输入至Transformer模块；

根据卫星特征之间的关系对多卫星输入数据集进行处理，得到卫星之间的交互特征；

对卫星之间的交互特征进行全局平均池化操作，得到环境表征。

通过该优选步骤，本发明使用Transformer模块作为空域卫星群数据的特征提取器，通过多头自注意力机制关注空域卫星之间的潜在表征，从而得到周围环境的交互信息。

进一步，所述基于全连接网络将时间序列特征和环境表征进行融合，得到多径信号的识别结果这一步骤，其具体包括：

将时间序列特征和环境表征输入至全连接层；

在时间序列特征和环境表征的最后一个维度进行拼接，得到融合特征；

对融合特征经过空间投影进行深度融合，得到深度特征；

根据深度特征进行判别，得到多径信号的识别结果。

进一步，所述搭建多径识别模型并将时间序列数据集和多卫星输入数据集输入至多径识别模型这一步骤，还包括：

对多径识别模型进行训练。

进一步，还包括：

对卫星之间的交互特征进行残差连接和层归一化操作。

通过该优选步骤，能够增强网络的泛化能力。

进一步，所述对多径识别模型进行训练这一步骤，其具体包括：

获取训练数据；

确定多径识别模型中的超参数，设定Adam优化器、二元交叉熵损失函数和训练总轮次；

基于训练数据训练多径识别模型，得到训练完成的多径识别模型。

本发明方法的有益效果是：本发明通过构建LSTM和Transformer网络并分别应用于目标卫星的时间序列数据集和多卫星输入数据集上，充分考虑了卫星特征的时变性和空域卫星之间的相关性，以时间序列特征与环境表征交互融合促进多径信号的识别，目的是提高在城市复杂场景下多径信号识别模型的识别精度和泛化性能。

附图说明

图1是本发明一种考虑卫星时序性和空域交互性的多径信号识别方法的步骤流程图；

图2是本发明具体实施例方法的数据处理示意图；

图3是本发明具体实施例LSTM神经网络结构示意图；

图4是本发明具体实施例Transformer模块的结构示意图；

图5是本发明具体实施例多径识别模型的训练流程示意图。

具体实施方式

下面结合附图和具体实施例对本发明做进一步的详细说明。对于以下实施例中的步骤编号，其仅为了便于阐述说明而设置，对步骤之间的顺序不做任何限定，实施例中的各步骤的执行顺序均可根据本领域技术人员的理解来进行适应性调整。

如图1所示，本发明提供了一种考虑卫星时序性和空域交互性的多径信号识别方法，该方法包括以下步骤：

S1、获取卫星数据并对卫星数据进行划分整理，得到时间序列数据集和多卫星输入数据集；

S1.1、本发明对北斗卫星的多径信号识别，因此，第一步是使用北斗信息采集模块(如泰斗的TD1050芯片)收集北斗导航定位系统(BeiDou Navigation Satellite System,BDS)所发出的卫星信号特征，主要收集到的卫星特征有5个，分别是：方位角(Azimuthangle,Az)、高度角(Angle of altitude,Aoe)、载波信噪比(Carrier-to-Noise Ratio,CNR)、伪距(Pseudo-range,Pr)和伪距残差平方根和(Root-Sum-Squares of PseudorangeResiduals,Rrs)。

对于采集到的卫星特征数据，由于不同特征的值在数量级上差距较大，直接输入给模型训练会起的模型收敛速度慢，甚至会使得模型无法工作，因此需要先对各个特征分别及进行标准化处理，使得每个特征数据都换算成均值为0，标准差为1的分布，标准化的公式为：

上式中，x为转换前的卫星信息数据，

在得到上述特征信息后，考虑到数据的时空分布情况，可以将其划分为两种形式的数据：1)形式一：目标卫星时间序列形式数据；2)形式二：空域卫星群形式数据。接下来，将介绍对该两种数据形式。

目标卫星时间序列形式数据的整理：

对于时间序列形式的数据，以

其中，每个时间序列输入会对应一个目标卫星在当前时刻的多径标签，若此刻卫星的信号属于多径信号，则标签为1，否则，该标签为0。根据时间步长，即可将采集到的数据集进行时间序列的划分，得到LSTM神经网络的输入。

空域卫星群形式数据的整理：

本发明取n颗卫星(n>4)在当前时刻的5个特征作为Transformer模型的输入数据，以学习各个卫星之间的相互关系，获得周围环境状况的表征，也即为空域卫星群关联数据，设以

此外，卫星个数n需要给定一个最大值，因为输入模型训练的数据形状应该是一致的，本发明中n的范围为4≤n≤M，当空域卫星数量小于4时，对该形式的数据进行零填充，在空域卫星数量大于M时，则对其进行截断操作，确保该形式下输入数据的形状为M×5。

S2、搭建多径识别模型并将时间序列数据集和多卫星输入数据集输入至多径识别模型，所述多径识别模型包括LSTM神经网络、Transformer模块和全连接网络；

本步骤为利用LSTM和Transformer去构建一个深度神经网络以识别多径信号，网络的整体框架如图2所示。根据步骤S1，已经获得了一个时间序列数据集(数据形式一)和一个多卫星输入数据集(数据形式二)，将它们分别输入LSTM神经网络和Transformer模块中，实现卫星时空特征的提取，即得到卫星的时间序列特征和周围环境的关联表征，随后将两种特征进行拼接并输入到一个全连接网络中作进一步融合，从而得到多径信号的识别结果。

S2.1、基于LSTM网络对时间序列数据集进行特征提取，得到时间序列特征；

长短期记忆神经网络(Long Short-Term Memory，LSTM)，是循环神经网络的一种特殊形式，能够有效处理长序列数据，获取长距离数据的信息，因此，它在处理长时间序列信息上有着巨大的优势。针对多径信号的时变性干扰问题，本发明利用LSTM神经网络提取时序信息的特征，充分挖掘目标卫星的时变性趋势，通过输入、遗忘和输出操作，获得有利于多径识别的特征。

LSTM神经网络的结构如图3所示，下面将讲述它对时间序列样本的处理的流程。

S2.1.1、将标准化后的某个卫星形式一数据MOA输入到LSTM神经网络。其中，遗忘门是用于决定丢弃时序样本历史时刻存在的一些无用信息，具体来说，是利用sigmoid函数决定有多少上一时刻的输出信息h

f

其中，σ即为sigmoid函数，W

S2.1.2、将经过遗忘门处理过后的有效卫星时序特征通过输入门进行信息更新，利用sigmoid函数的处理信息和tanh函数的处理信息的乘积，表示当前输入的x

i

S2.1.3、通过输出门将处理后的状态信息编码成一个固定序列输出，同样是利用sigmoid函数的处理信息和tanh函数的处理信息的乘积结果，决定当前单元状态中有多少信息可以传到当前时刻输出h

h

S2.1.4、根据时间序列长度循环更新，循环执行“遗忘门、输入门和输出门”这三个步，即可得到LSTM网络的最终输出。由于LSTM拥有强大的长期记忆功能，当前状态下输出的信息即包含了历史时刻的信息，因此，本发明以LSTM最后一个时刻输出的信息作为目标卫星的时间序列特征，可用

S2.2、基于Transformer模块对多卫星输入数据集进行特征提取，得到环境表征；

Transformer模型是在自然语言处理领域新型且有效的模型，在处理序列数据上有着强大的优势，相对于传统的RNN神经网络，Transformer有着强大的数据并行处理能力，训练速度和推理速度都大大提升。其中，该模型中应用了大量的多头注意力机制(Multi-head Self-attention，MHSA)作为每个块的主要部分，能够有效注意到每个位置特征之间的关联，从而得到更好的学习特征。针对多径信号的地域性干扰问题，本发明使用Transformer模块作为空域卫星群数据的特征提取器，通过多头自注意力机制关注空域卫星之间的潜在表征，从而得到周围环境的交互信息。由于同一时间内不同卫星之间不包含输入序列之间的关系，引入顺序关系反而不能全面表示环境情况，因此，为了避免序列模式的过度学习，本发明将原Transformer框架中的位置编码器和词嵌入层都进行剔除，得到的Transformer模块的结构如图4所示，下面将讲述如何使用该模块从空域卫星群数据中提取环境关联特征。

S2.2.1、形式二数据MOB在经过的标准化处理后，将其输入到一个多头注意力机制层中。

其中，多头注意力机制层是在自注意力机制层上建立起来的，自注意力机制的公式为：

其中，Q＝W

为了让网络从能够从不同的角度去注意卫星特征之间的关系，将多个自注意力机制子网络联合起来，构成了一个多头注意力层，如图3所示。具体来说，首先需要确定多头注意力层中头的数目h，设Q、K和V的序列长度为m，在进行自注意力机制计算前，先把Q、K和V投影到一个m/h维的低维空间中，执行h次这样的降维投影操作，而后分别执行自注意力机制计算，把各自得到的结果拼接起来，再通过一个线性投影子层，即可得到多头注意力机制层的输出结果。

为了增强网络的泛化能力，还需将以上的结果进行残差连接和层归一化操作。

S2.2.2、得到多头注意力层所关注到的多颗卫星之间的交互特征后，由于以上操作都是线性的序列投影和矩阵变换，此处，需要通过前馈神经网络层加入一些非线性因素，以增强模型的表达能力。具体地说，如图4所示，使用一层线性全连接层对多头注意力层的输出进行升维操作，在该高维空间中，引入Relu激活函数层，进行非线性化操作，再将得到的结果降维投影到与原来维度相同的子空间。同理，为了增强网络的泛化能力，该层结束时引入了残差连接和层归一化操作。

S2.2.3、需要将得到的Transformer模块的输出在卫星的维度进行全局平均池化操作(Global Average Pooling，GAP)，为下一步特征融合做准备。至此，所注意到的周围环境关联特征可表示为

S2.3、基于全连接网络将时间序列特征和环境表征进行融合，得到多径信号的识别结果。

经过以上操作，已经提取出了目标卫星的时间序列特征HID和当前环境下的关联特征MHD，接下来对以上两种特征进行融合，通过全连接神经网络输出最终的多径信号识别结果。具体来说，可以将其分为以下过程。

S2.3.1、本发明对目标卫星时序特征和环境关联特征采取的是简单拼接的融合方法，可以在HID和MHD的最后一个维度进行拼接，使得融合特征同时包含时序信息和环境信息，得到两者融合后的特征为

S2.3.2、将两者拼接融合后的特征HMD输入到一个含有λ个隐藏层的全连接神经网络中，使得时序信息和环境信息经过多次空间投影进行深度融合，从而挖掘到更多有利于识别当前卫星多径信号的特征。

S2.3.3、在经过全连接层后，即可利用这些具有分辨性的高维特征识别多径信号。由于本发明任务属于逻辑回归二分类任务，因此需要在分类输出前经过一个sigmoid激活函数，所输出的是对当前卫星多径信号识别结果的置信度。

进一步作为本发明优选实施例，还包括：

多径识别模型训练：

基于步骤一构建的数据集和步骤二搭建的模型，用梯度下降算法对其进行训练。整体训练流程如图5所示。

需要明确本模型的输入输出形式。本发明的目的是利用卫星的时序性和空域交互性提升目标卫星的多径识别精度，因此模型的输出标签为目标卫星是否为多径信号，如果接收到该卫星的信号属于多径信号，该输出标签为1，否则为0。模型的输入为步骤一中所提到的两种形式数据，其中一组数据输入可表示为：

Inputs＝[MOA，MOB]

根据己构建的LSTM-Transformer多径识别模型，其中需要确定网络层的超参数有：1)LSTM神经网络中隐藏层神经元个数l

优化器选择方面，本实验中选用具有自适应学习率的Adam优化器，它利用梯度的一阶矩估计和二阶矩估计动态调整每个参数的学习率，其优点主要在于经过偏置校正后，每一次迭代学习率都有个确定范围，使得参数比较平稳。

本发明的任务属于逻辑回归二分类任务，采用的损失函数为二元交叉熵损失，用于判断多径识别结果的好坏程度，其计算公式如下：

其中，y表示二元标签0或者1，p表示输出属于y标签的概率。对于上式，p的预测结果越接近于1，损失函数的值就越趋向于零，二元交叉损失一定层度上反映模型的性能

设置模型训练总轮次为M，训练过程中，使用反向传播(Backpropagation，BP)算法求取梯度来对模型的权重和偏置进行更新，其更新的公式为

其中，w表示权重，b表示偏置，α为学习率。

基于以上步骤，利用多径信号标签有监督地对模型进行训练，当迭代轮次达到最大时，即完成训练流程，得到训练好的多径识别模型，需要将模型保存下来，在经过多个测试集测试并达到满意的效果后，即可配合定位芯片使用。

一种存储介质，其中存储有处理器可执行的指令，其特征在于：所述处理器可执行的指令在由处理器执行时用于实现如上所述一种考虑卫星时序性和空域交互性的多径信号识别方法。

上述方法实施例中的内容均适用于本存储介质实施例中，本存储介质实施例所具体实现的功能与上述方法实施例相同，并且达到的有益效果与上述方法实施例所达到的有益效果也相同。

以上是对本发明的较佳实施进行了具体说明，但本发明创造并不限于所述实施例，熟悉本领域的技术人员在不违背本发明精神的前提下还可做作出种种的等同变形或替换，这些等同的变形或替换均包含在本申请权利要求所限定的范围内。