一种基于数据预处理的特种车定位校正方法与流程

1.本发明涉及特种车定位技术领域，具体涉及一种基于数据预处理的特种车定位校正方法。


背景技术：

2.随着物联网技术的快速发展，智能交通渐渐走上城市舞台，特种车作为执行特殊任务的重要公路运输载体，其安全指挥调度的问题更是受到了广泛关注。为了实现特种车辆的实时监控和定位跟踪，搭载各种传感器和gps的车载终端已经成为了特种车的标配，特种车的智能监控系统更是大大提高了特种车调度的安全性。然而特种车监控系统最重要的定位导航技术仍然是单纯的gps定位，并不能很好的满足特种车辆精确定位和实时追踪的要求。
3.现有技术中相关解决方案如下：
4.(1)基于模糊逻辑的定位数据校正算法
5.地图匹配是一种基于软件技术的定位修正方法，其基本思想是引入相应的匹配算法，对导航定位所测得的车辆位置与数字地图中的道路网信息进行实时数字匹配和自动修正，并由此确定车辆相对于地图的位置。由于地图匹配涉及模糊度的定性决策过程，利用模糊逻辑的方法可以解决这一问题。匹配路段可以通过评判路段方向与车辆行驶方向的一致性，路段形状与车辆行驶轨迹的相似程度来确定具体位置。
6.(2)基于粒子滤波的gps定位数据处理算法
7.粒子滤波(particle filter)算法作为一种非线性滤波方法，通过寻找一组在状态空间中传播的随机样本来近似的表示概率密度函数，用样本均值代替积分运算，进而获得系统状态的最小方差估计的过程，可以用在任何形式的状态空间模型上。其核心思想是通过从后验概率中抽取的随机状态粒子来表达其分布，是一种顺序重要性采样法。随着采样粒子数的增大，逐渐趋向状态的后验概率密度，在解决非线性非高斯问题时得到广泛应用。将粒子滤波算法应用到gps定位数据处理问题中，能有效去除噪声数据对于定位结果的影响，作为辅助方案可以提供较为精确的导航定位数据。
8.(3)基于bp(back propagation)神经网络的dr位置误差预测模型
9.bp神经网络是一种按误差逆传播算法训练的多层前馈网络，是应用最广泛的神经网络模型之一。bp网络能学习和存贮大量的输入
‑
输出模式映射关系，而无需事前揭示描述这种映射关系的数学方程。它的学习规则是使用最速下降法，通过反向传播来不断调整网络的权值和阈值，使网络的误差平方和最小。为了提高所用网络的泛化能力，采用贝叶斯正则化规则训练网络，最终建立dr(航位推算)位置误差预测模型，在gps失效时利用已建立的预测模型预测dr位置误差修复位置数据，实现车辆行驶在复杂路径下的实时精确导航定位。
10.基于模糊逻辑的定位数据校正算法的基础时地图匹配算法，应用该算法必须具备两个前提条件，一是含有精确道路位置坐标和方向信息的高精度电子地图；二是车辆正在
道路上行驶。当这两个条件满足时，就可以把车辆定位系统获得的位置和方向信息同电子地图提供的道路位置和方向信息相比较，按照算法确定车辆所在实际位置，修正位置信息。高精度地图只是一个静态的数据，在实际使用时，不可能一开始就将全国的地图导入到系统中，这样不仅费时，而且会占用系统很多资源，特种车其特殊性也不能保证其工作环境的稳定性，因此通过地图匹配算法确定车辆具体位置的方法也从一定程度上限制了其使用范围，不适用与特种车的定位修正。
11.基于粒子滤波的gps定位数据处理算法，虽然可以作为解决即时定位与地图构建问题的有效手段，但是该算法仍然存在着一些问题。其中最主要的问题是需要用大量的样本数量才能很好地近似系统的后验概率密度。车辆面临的环境越复杂，描述后验概率分布所需要的样本数量就越多，算法的复杂度就越高，而特种车因为其特殊性必然要面临各种各样复杂的环境，因此，能够有效地减少样本数量的自适应采样策略是该算法的重点。另外，重采样阶段会造成样本有效性和多样性的损失，导致样本贫化现象。如何保持粒子的有效性和多样性，克服样本贫化，也是该算法研究重点。
12.基于bp(back propagation)神经网络的dr位置误差预测模型，通过训练神经网络模型的方法旨在解决gps信号失联后的数据补足，因此与方法(2)相同，需要庞大的数据样本来完成模型的训练，越是复杂环境要求的样本量越高，而且复杂样本中所存在gps信号原本带有的系统误差和随机误差并没有得到很好的处理，因此训练出来的模型不可避免的带有一定的误差性，不能保证补足数据的准确率。


技术实现要素：

13.本发明的目的是提供一种基于数据预处理的特种车定位校正方法，在对gps定位模型及误差来源分析研究的基础上，以适用性和可靠性为前提，通过使用小波分析方法和卡尔曼滤波结合的方式对gps源数据进行处理，从根源上尽可能的消除噪声数据的影响，提高定位的精准程度。基于数据预处理的特种车定位校正算法计算量小，且不要求高精度电子地图和庞大样本训练数据，具有高可行性和适用性的特点。
14.本发明提供了一种基于数据预处理的特种车定位校正方法，包括：
15.步骤1，获取gps源信号，对gps源信号进行小波多尺度分解，得到相应的小波分解系数，使用软阈值法对小波分解去噪后，重构小波分解系数得到初步去噪后的信号值；
16.步骤2，基于去噪后的信号值，将噪声统计值估计和误差估计输入到自适应卡尔曼滤波系统中，通过改进的自适应卡尔曼滤波算法，进行滤波处理得到状态估计值，判断所述状态估计值是否为最优解，若是，则输出校正后数据，若否，则将预测值再次进行迭代，直到得到最优解为止。
17.2、根据权利要求1所述的基于数据预处理的特种车定位校正方法，其特征在于，步骤2中所述改进的自适应卡尔曼滤波算法包括：
18.1)通过k
‑
1时刻的状态值估计出k时刻的状态值并计算得出误差协方差预测方程；
19.2)利用实际测量值来校正状态量，计算得出增益方程、滤波方程和误差协方差更新方程；
20.3)计算噪声均值和自协方差矩阵估计方程；
21.4)循环迭代上述步骤1)至3)过程，直到测量值与后验测量值的均方误差最小为
止，输出系统的最优估计值。
22.与现有技术相比本发明的有益效果是：
23.(1)系统鲁棒性较高。基于数据预处理的特种车定位校正算法是采用小波分析和自适应卡尔曼滤波结合的方法对gps源数据进行处理，并直接输出校正后的数据。不需要高精度地图的配合，避免了特种车在执行特殊任务时因为地图匹配问题造成的定位精度下降。
24.(2)计算量小。基于数据预处理的特种车定位校正算法不仅提高了定位精度并且计算量要小于其他算法，由于从数据源头对噪声问题进行处理，能有效减小后续数据统计压力，防止对系统造成过重负担。
25.(3)无需大量训练样本。基于粒子滤波和bp神经网络的定位校正算法都需要大量的样本进行模型训练，而且在训练过程无法保证样本中噪声数据的影响，而基于数据预处理的定位校正算法在进行定位校正时能利用已有观测数据在线估计未知噪声的统计，无需提前进行模型训练。
附图说明
26.图1是非线性小波变换阈值法流程图；
27.图2是本发明改进的自适应卡尔曼滤波算法流程图；
28.图3是本发明基于数据预处理的特种车定位校正方法的流程图。
具体实施方式
29.下面结合附图所示的各实施方式对本发明进行详细说明，但应当说明的是，这些实施方式并非对本发明的限制，本领域普通技术人员根据这些实施方式所作的功能、方法、或者结构上的等效变换或替代，均属于本发明的保护范围之内。
30.本实施例提供了一种基于数据预处理的特种车定位校正方法，包括：
31.步骤1，获取gps源信号，对gps源信号进行小波多尺度分解，得到相应的小波分解系数，使用软阈值法对小波分解去噪后，重构小波分解系数得到初步去噪后的信号值；
32.步骤2，基于去噪后的信号值，将噪声统计值估计和误差估计输入到自适应卡尔曼滤波系统中，通过改进的自适应卡尔曼滤波算法，进行滤波处理得到状态估计值，判断所述状态估计值是否为最优解，若是，则输出校正后数据，若否，则将预测值再次进行迭代，直到得到最优解为止
33.该基于数据预处理的特种车定位校正方法，具有如下技术效果：
34.系统鲁棒性较高。基于数据预处理的特种车定位校正算法是采用小波分析和自适应卡尔曼滤波结合的方法对gps源数据进行处理，并直接输出校正后的数据。不需要高精度地图的配合，避免了特种车在执行特殊任务时因为地图匹配问题造成的定位精度下降。
35.计算量小。基于数据预处理的特种车定位校正算法不仅提高了定位精度并且计算量要小于其他算法，由于从数据源头对噪声问题进行处理，能有效减小后续数据统计压力，防止对系统造成过重负担。
36.无需大量训练样本。基于粒子滤波和bp神经网络的定位校正算法都需要大量的样本进行模型训练，而且在训练过程无法保证样本中噪声数据的影响，而基于数据预处理的
定位校正算法在进行定位校正时能利用已有观测数据在线估计未知噪声的统计，无需提前进行模型训练
37.下面对本发明作进一步详细说明。
38.gps信号噪声特性
39.gps定位信号的构成包含三种信号分量，它们是载波信号、测距码信号和数据码信号。每颗卫星的数据码用模二相加叠加在c/a和p码上，然后再分别相变调制到l1载波和l2载波上。载波信号包括l1载波和l2载波，于是测距码信号包括叠加在l1载波上的c/a、p码以及l2载波上的p码。
40.不论测距码还是数据码均是通过调相技术调制在高频载波上的。当码值(调制信号)从1变成0，或从0变成1时，载波相位将改变180
°
。调制以后的卫星信号经由卫发射天线向用户播发。接收机是卫星信号解调的硬件设备，它的主要工作是重建载波，提取测距码信号和导航电文。
41.gps接收机利用伪距码接收伪距信号辨别gps卫星。精密gps相位测量中利用伪距码解算相位的模糊度。伪距测量中有很多误差源，如电离层折射、对流层折射、多路径效应、钟差影响和接收机噪声等。对流层折射、电离层折射和钟差影响都可以通过现有的多种技术或模型来消除和校正，但多路径效应会因为接收机不同或者地方不同受到不同程度的影响。因此，多路径效应与接收机噪声是gps精密定位的重要误差源。
42.由于gps接收机观测噪声和多路径延迟误差是gps相位观测值中的一种噪声信号，从小波检测信号的角度来看，这些噪声是平稳信号，没有幅值上的突变。在gps信号中，信号的有用频率可理解为信号发射频率、数据采样频率和数据解算频率等。从频率角度看，各种观测噪声和多路径效应的信号都有一定的频率范围，在gps观测数据序列中的有用信号和噪声的时频特性通常是不同的。有用信号在时域和频域上具有局部化特性，表现为低频特性或平稳信号，而观测噪声和多路径效应在时频空间中的分布具有全局性，频域上表现为高频信号。因此在gps相对定位观测中，使用小波分解后的有用信号出现在低通滤波结果中，而噪声数据则体现在高通滤波结果中，因此小波分解能比较有效的将噪声信号隔离出来，从而达到去噪目的。
43.非线性小波变换阈值法
44.基于上述分析，本发明将采用非线性小波变换阈值法对gps源数据进行分解重构去除高通滤波中的噪声数据。基于小波的信号去噪问题在数学上是一个函数逼近问题，即如何在由小波母函数伸缩和平移所张成的函数空间中，根据提出的衡量准则寻找对真实信号的最佳逼近以完成真实信号和和噪声信号的分离。从信号处理的角度看，小波去噪是一个信号滤波过程，经过小波去噪后的数据基本可视为低通滤波，但由于去噪后还能成功保留信号的特征，所以小波去噪方法又优于其他传统的低通滤波器。
45.小波去噪的方法有很多，本发明主要采用的是非线性小波变换阈值法。当信号和噪声的频带相互重叠时，用小波分解和重构的方法无法得到令人满意的去噪效果，而非线性小波变换阈值法却能很好的解决这一问题。
46.非线性小波变换阈值法也称为小波收缩(wavelet shrinkage)，该方法主要针对信号中混有白噪声的情况，是当前小波去噪方法中应用最为广泛的一种。非线性小波变换阈值法模型如图1所示。
47.从图1所示方法来看，使用非线性小波变换阈值法进行gps信号去噪主要有三个步骤：
48.(1)将叠加了高斯白噪声的gps源信号表示为
49.v
i
＝x
i
σs
i i＝0.1，
…
，n
‑1ꢀꢀ
(1）
50.其中，s
i
表示gps信号中的噪声，σ代表噪声级。若要从被噪声污染的信号中y
i
中恢复出原始信号x
i
，则首先需要计算含噪声信号的正交小波变换。选择合适的小波和小波分解层数j对原始gps信号进行小波多尺度分解，按照下列公式分解后得到相应的小波分解系数。
[0051][0052]
(2)对分解得到的小波系数进行阈值处理，使用软阈值法对多尺度小波系数去噪，公式如下
[0053][0054]
(3)将经过阈值处理后的小波系数按照公式(5
‑
1)进行重构，得到初步去噪后的信号估计值。
[0055]
用阈值法去噪后的估计信号有两个特性，一是噪声几乎完全得到抑制；二是反映原始信号的特征尖峰点得到保留。因为小波变换具有一种“集中”的能力，它能将信号的能量集中到少数几个波系数上。而白噪声在任何正交基上的变换仍然是白噪声，并且具有相同的幅度。因此，相对来说信号的小波变换系数值必然大于那些能量分散且幅值较小的噪声的小波系数值而显得非常突出，以此来达到去除噪声而不去除有用信号的目的。
[0056]
自适应卡尔曼滤波算法
[0057]
卡尔曼滤波是一种具有无偏性的递推线性最小方差估计，即估计误差的均值或数学期望为零。在计算方法上卡尔曼滤波采用递推形式，在t
‑
1时刻估值的基础上，利用t时刻的观测值递推得到t时刻的状态估值。由于一次仅处理一个时刻的观测值，无需存储先前的观测数据因而计算量较小。卡尔曼滤波能有效消除干扰噪声获得逼近真实情况的有用信息，与此同时卡尔曼滤波是一套计算机实现的实时递推算法，它所处理的对象是随机信号，利用系统噪声和观测噪声的统计特性，以系统的观测量作为滤波器的输入，以目标估计值(系统的状态和参数)作为滤波器的输出，输入与输出之间由时间更新和观测更新算法联系在一起，根据系统方程和观测方程估计出所有需要处理的信号，因此卡尔曼滤波是一种最优估计方法。
[0058]
经典最优卡尔曼滤波的缺点和局限性是要求精确已知系统的数学模型和噪声统计，然而实际应用时大多数情况下系统模型的噪声统计时部分已知、近似已知或者完全未知的。应用不精确或者错误的模型和噪声统计很有可能会导致卡尔曼滤波系统的性能变坏，甚至会使滤波发散。为了解决这一问题，自适应卡尔曼滤波应运而生。
[0059]
自适应卡尔曼滤波的原理是在进行状态滤波时利用观测数据提供的信息，在线估计未知噪声的统计，构成状态和噪声统计估计的两端互耦自适应卡尔曼滤波算法。sage
‑
husa自适应卡尔曼滤波算法可在互耦估计状态进行噪声统计(均值和方差阵)，它是一种次优无偏极大后验估值器，算法简单且具有良好的性能，因而被研究人员广泛应用。
[0060]
本发明针对gps信号噪声特性对sage
‑
husa自适应卡尔曼滤波做出相应改进，改进后的算法流程图如图2所示。
[0061]
其中d
k
为加权系数，为在时间步k处的后验状态估计，为过程噪声的协方差矩阵，φ为状态方程对x求偏导后的jacobian矩阵，h为量测方程对x求偏导后的jacobian矩阵，p
k
为误差协方差矩阵，为量测噪声的均值，为量测噪声协方差矩阵，k
k
为增益矩阵，v
k
为中间变量，z
k
为观测变量。
[0062]
改进后的sage
‑
husa自适应卡尔曼滤波算法主要包括三个阶段：
[0063]
第一阶段为预测阶段，通过k
‑
1时刻的状态值估计出k时刻的状态值并计算得出误差协方差预测方程；
[0064]
第二阶段则是更新与校正阶段，利用实际测量值来校正状态量，计算得出增益方程、滤波方程和误差协方差更新方程；
[0065]
第三个阶段是在互耦估计状态进行噪声统计，计算噪声均值和自协方差矩阵估计方程。卡尔曼滤波系统会循环迭代上述过程，直到测量值与后验测量值的均方误差最小为止，则输出系统的最优估计值。
[0066]
基于数据预处理的特种车定位校正算法
[0067]
由于输入源是一系列带噪声的信号，所以在将特种车车载终端接收到的gps信号作为观测数据输入卡尔曼滤波系统之前，会先将原信号进行小波去噪预处理，然后得到较为平稳的观测数据，再对其进行自适应卡尔曼滤波处理，系统流程图如图3所示。
[0068]
将gps源信号输入系统，并进行小波多尺度分解，得到相应的小波分解系数，使用软阈值法对小波分解技术进行去噪后，重构小波分解系数得到初步去噪后的信号值。将噪声统计值估计和误差估计输入到自适应卡尔曼滤波系统中进行滤波处理得到状态估计值，然后判断该估计值是否为最优解，如果是则输出校正后数据，如果不是则预测值再次进行迭代，直到得到最优解为止。经系统计算得到的最优解有效去除了信号中的噪声数据，实现了特种车定位校正，提高定位精度。
[0069]
本发明具有如下优势：
[0070]
(1)利用小波分析法处理gps原始数据，将信号分解为不同频率信号波段即小波分解系数，然后使用软阈值法对不同尺度的小波分解系数进行去噪处理，并提取信号中的有效信息，最后进行小波逆变换重构数据，得到初步去噪后的信息。经非线性小波变换阈值法处理过的数据能有效削弱多路径效应及观测噪声的影响提高gps数据处理的精度。
[0071]
(2)对小波分析处理过的数据使用改进后的sage
‑
husa自适应卡尔曼滤波算法进行二次去噪，在滤波过程中利用量测变量的数据对系统噪声和量测噪声的统计特性进行实时动态地估计，然后将估计出的噪声参数用于扩展卡尔曼滤波的状态参数估算，最终求出系统的最优状态估计值。改进后的算法根据系统噪声的统计特性进行了自适应调整，不再进行过程噪声估算，一定程度上提高了系统的鲁棒性，使其更适合特种车定位校正的应用场景。
[0072]
(3)循环迭代小波分析和自适应卡尔曼滤波过程，通过对源信号的不断分解去噪，
最终得出系统的最优解。单纯的小波去噪尽管能保留绝大部分有用信息，但还是会不可避免地有小部分信息被当成误差处理掉，造成去噪过量而形成“完美数据”，故将误差压缩到比较小。而卡尔曼滤波地无偏估计特性能在保留有效信息的基础上，将损失的信息适量弥补回来，从而提高gps精度减少信号损失。两种去噪方法的有机结合能够在尽可能去除噪声数据影响的情况下，最大限度保留有效信息，从而实现特种车gps信号的校正，提高定位精度。
[0073]
对于本领域技术人员而言，显然本发明不限于上述示范性实施例的细节，而且在不背离本发明的精神或基本特征的情况下，能够以其他的具体形式实现本发明。因此，无论从哪一点来看，均应将实施例看作是示范性的，而且是非限制性的，本发明的范围由所附权利要求而不是上述说明限定，因此旨在将落在权利要求的等同要件的含义和范围内的所有变化囊括在本发明内。