本發(fā)明涉及衛(wèi)星導(dǎo)航與通信，特別是一種基于5g和北斗的融合增強(qiáng)定位方法。

背景技術(shù)：

1、隨著移動(dòng)通信技術(shù)的飛速發(fā)展和衛(wèi)星定位系統(tǒng)的廣泛應(yīng)用，融合定位技術(shù)已成為提高定位精度和可靠性的關(guān)鍵技術(shù)之一。傳統(tǒng)的定位方法通常依賴單一的衛(wèi)星導(dǎo)航系統(tǒng)，如gps或北斗系統(tǒng)，但在復(fù)雜的城市環(huán)境中，由于高樓大廈的遮擋和多徑效應(yīng)的影響，傳統(tǒng)定位方法往往難以滿足高精度定位的需求。近年來(lái)，隨著5g通信技術(shù)的普及和北斗導(dǎo)航系統(tǒng)的不斷完善，基于5g和北斗的融合定位技術(shù)得到了快速發(fā)展。5g網(wǎng)絡(luò)以其高速率、低延遲的特點(diǎn)，為融合定位提供了強(qiáng)大的數(shù)據(jù)傳輸能力；北斗系統(tǒng)則以其高精度、覆蓋廣的優(yōu)勢(shì)，為定位提供了可靠的時(shí)空基準(zhǔn)。

2、盡管基于5g和北斗的融合定位技術(shù)取得了一定的進(jìn)步，但仍存在一些挑戰(zhàn)和不足之處。一方面，傳統(tǒng)的融合定位方法通常采用固定的權(quán)重分配策略，難以適應(yīng)動(dòng)態(tài)變化的環(huán)境條件，導(dǎo)致定位精度受限。另一方面，由于不同衛(wèi)星系統(tǒng)之間的信號(hào)特性差異較大，如何有效融合多種衛(wèi)星信號(hào)成為一大難題。此外，現(xiàn)有技術(shù)往往忽視了信號(hào)質(zhì)量對(duì)定位結(jié)果的影響，導(dǎo)致在復(fù)雜環(huán)境中定位結(jié)果的準(zhǔn)確性無(wú)法得到有效保證。尤其是在城市峽谷等多徑效應(yīng)顯著的環(huán)境中，信號(hào)質(zhì)量評(píng)估和選擇變得尤為重要，但現(xiàn)有的方法往往缺乏有效的機(jī)制來(lái)應(yīng)對(duì)這些問題。

技術(shù)實(shí)現(xiàn)思路

1、鑒于上述現(xiàn)有存在的問題，提出了本發(fā)明。

2、因此，本發(fā)明提供了一種基于5g和北斗的融合增強(qiáng)定位方法解決現(xiàn)有技術(shù)中信號(hào)質(zhì)量評(píng)估不準(zhǔn)確及多系統(tǒng)信號(hào)融合策略不夠智能的問題。

3、為解決上述技術(shù)問題，本發(fā)明提供如下技術(shù)方案：

4、第一方面，本發(fā)明實(shí)施例提供了一種基于5g和北斗的融合增強(qiáng)定位方法，其包括，收集多系統(tǒng)衛(wèi)星信號(hào)并進(jìn)行信號(hào)解析，將解析后的信號(hào)特征融合成綜合特征向量；利用深度學(xué)習(xí)模型計(jì)算衛(wèi)星信號(hào)的質(zhì)量水平，根據(jù)信號(hào)質(zhì)量水平，選擇高質(zhì)量信號(hào)；采用多系統(tǒng)融合定位算法，融合高質(zhì)量信號(hào)，計(jì)算初步定位結(jié)果；通過(guò)信號(hào)解析提取高質(zhì)量信號(hào)的時(shí)空特性，將時(shí)空特性與綜合特征向量進(jìn)行融合，形成擴(kuò)展特征向量；使用擴(kuò)展特征向量對(duì)初步定位結(jié)果進(jìn)行增強(qiáng)，將增強(qiáng)后的定位結(jié)果發(fā)送回用戶終端，進(jìn)行數(shù)據(jù)校正和服務(wù)優(yōu)化。

5、作為本發(fā)明所述基于5g和北斗的融合增強(qiáng)定位方法的一種優(yōu)選方案，其中：所述收集多系統(tǒng)衛(wèi)星信號(hào)并進(jìn)行信號(hào)解析，將解析后的信號(hào)特征融合成綜合特征向量，具體步驟如下，

6、使用高精度5g基站和北斗兼容接收機(jī)，同時(shí)接收北斗、gps、galileo和glonass衛(wèi)星信號(hào)；

7、對(duì)接收到的信號(hào)進(jìn)行初步解析，提取偽距、多普勒頻移、信號(hào)強(qiáng)度、多徑效應(yīng)指數(shù)和信噪比的特征向量；

8、使用卷積神經(jīng)網(wǎng)絡(luò)將偽距、多普勒頻移、信號(hào)強(qiáng)度、多徑效應(yīng)指數(shù)和信噪比，融合成綜合特征向量x。

9、作為本發(fā)明所述基于5g和北斗的融合增強(qiáng)定位方法的一種優(yōu)選方案，其中：所述利用深度學(xué)習(xí)模型計(jì)算衛(wèi)星信號(hào)的質(zhì)量水平，具體步驟如下，

10、將經(jīng)過(guò)綜合特征向量輸入深度學(xué)習(xí)模型，對(duì)信號(hào)質(zhì)量進(jìn)行評(píng)估，表達(dá)式為：

11、

12、其中，是模型預(yù)測(cè)的信號(hào)質(zhì)量評(píng)分，σ是sigmoid函數(shù)，o是卷積層輸出向量的長(zhǎng)度，g(x)i是經(jīng)過(guò)卷積和激活函數(shù)處理后的特征值，f是非線性變換函數(shù)，b是輸出層偏置項(xiàng)，θ是模型的參數(shù)集合，i是信號(hào)的索引變量；

13、利用歷史數(shù)據(jù)訓(xùn)練深度學(xué)習(xí)模型，調(diào)整深度學(xué)習(xí)模型參數(shù)以最小化損失函數(shù)；

14、采用梯度下降法計(jì)算損失函數(shù)關(guān)于模型參數(shù)θ的梯度，并沿著梯度的負(fù)方向更新模型參數(shù)。

15、作為本發(fā)明所述基于5g和北斗的融合增強(qiáng)定位方法的一種優(yōu)選方案，其中：所述根據(jù)信號(hào)質(zhì)量水平，選擇高質(zhì)量信號(hào)，具體步驟如下，

16、基于應(yīng)用需求定義一個(gè)信號(hào)標(biāo)準(zhǔn)閾值τ；

17、當(dāng)時(shí)，信號(hào)被視為高質(zhì)量信號(hào)；

18、當(dāng)時(shí)，信號(hào)被視為低質(zhì)量信號(hào)；

19、從所有信號(hào)中篩選出高質(zhì)量信號(hào)，將高質(zhì)量信號(hào)組成一個(gè)高質(zhì)量信號(hào)集合s。

20、作為本發(fā)明所述基于5g和北斗的融合增強(qiáng)定位方法的一種優(yōu)選方案，其中：所述采用多系統(tǒng)融合定位算法，融合高質(zhì)量信號(hào)，計(jì)算初步定位結(jié)果，具體步驟如下，

21、利用高質(zhì)量信號(hào)集合s構(gòu)建高質(zhì)量信號(hào)的觀測(cè)矩陣as，觀測(cè)矩陣as中，每一行對(duì)應(yīng)s中每個(gè)信號(hào)的觀測(cè)方程；

22、利用每個(gè)信號(hào)的可靠性函數(shù)構(gòu)建高質(zhì)量信號(hào)的權(quán)重矩陣w；

23、基于高質(zhì)量信號(hào)的觀測(cè)矩陣as和高質(zhì)量信號(hào)的權(quán)重矩陣w，采用多系統(tǒng)融合定位算法，計(jì)算初步定位結(jié)果，表達(dá)式為：

24、

25、其中，p是初步定位結(jié)果，as表示每一行對(duì)應(yīng)s中每個(gè)高質(zhì)量信號(hào)的觀測(cè)方程的觀測(cè)矩陣，w是高質(zhì)量信號(hào)的權(quán)重矩陣，z是每個(gè)高質(zhì)量信號(hào)的觀測(cè)值。

26、作為本發(fā)明所述基于5g和北斗的融合增強(qiáng)定位方法的一種優(yōu)選方案，其中：所述通過(guò)信號(hào)解析提取高質(zhì)量信號(hào)的時(shí)空特性，將時(shí)空特性與綜合特征向量進(jìn)行融合，形成擴(kuò)展特征向量，具體步驟如下，

27、通過(guò)信號(hào)解析法從高質(zhì)量信號(hào)集合s中提取時(shí)空特性，包括信號(hào)的到達(dá)時(shí)間差、信號(hào)強(qiáng)度變化趨勢(shì)以及信號(hào)的多普勒頻移變化；

28、將時(shí)空特性與綜合特征向量x融合成擴(kuò)展特征向量，表達(dá)式為：

29、

30、其中，x是綜合特征向量，t是時(shí)空特性向量，xt是擴(kuò)展特征向量。

31、作為本發(fā)明所述基于5g和北斗的融合增強(qiáng)定位方法的一種優(yōu)選方案，其中：所述使用擴(kuò)展特征向量對(duì)初步定位結(jié)果進(jìn)行增強(qiáng)，計(jì)算最終定位結(jié)果，具體步驟如下，

32、使用淺層神經(jīng)網(wǎng)絡(luò)模型對(duì)擴(kuò)展特征向量xt進(jìn)行非線性變換，對(duì)初步定位結(jié)果p進(jìn)行增強(qiáng)，表達(dá)式為：

33、p′＝wo·σ(whxt+bh)+bo；

34、其中，wh是淺層神經(jīng)網(wǎng)絡(luò)模型隱藏層的權(quán)重矩陣，bh是淺層神經(jīng)網(wǎng)絡(luò)模型隱藏層的偏置向量，h是淺層神經(jīng)網(wǎng)絡(luò)模型隱藏層的激活向量，wo是淺層神經(jīng)網(wǎng)絡(luò)模型輸出層的權(quán)重矩陣，bo是淺層神經(jīng)網(wǎng)絡(luò)模型輸出層的偏置向量，p′是增強(qiáng)后的定位結(jié)果。

35、作為本發(fā)明所述基于5g和北斗的融合增強(qiáng)定位方法的一種優(yōu)選方案，其中：所述將增強(qiáng)后的定位結(jié)果發(fā)送至用戶終端，進(jìn)行數(shù)據(jù)校正和服務(wù)優(yōu)化，具體步驟如下，

36、將增強(qiáng)后的定位結(jié)果p′通過(guò)5g網(wǎng)絡(luò)發(fā)送回用戶終端；

37、用戶終端接收定位結(jié)果p′，并與本地存儲(chǔ)的歷史定位數(shù)據(jù)進(jìn)行對(duì)比，使用卡爾曼濾波器校正定位誤差，表達(dá)式為：

38、pcr＝kf(p′,pht)；

39、其中，pcr代表校正后的定位結(jié)果，kf表示卡爾曼濾波器，pht表示歷史定位數(shù)據(jù)；

40、用戶終端將校正后的定位結(jié)果pcr發(fā)送回定位服務(wù)器，對(duì)多系統(tǒng)融合定位算法進(jìn)行優(yōu)化；

41、根據(jù)校正后的定位結(jié)果，對(duì)用戶終端進(jìn)行服務(wù)優(yōu)化，包括更新地圖顯示、路徑規(guī)劃。

42、第二方面，本發(fā)明實(shí)施例提供了一種計(jì)算機(jī)設(shè)備，包括存儲(chǔ)器和處理器，所述存儲(chǔ)器存儲(chǔ)有計(jì)算機(jī)程序，其中：所述計(jì)算機(jī)程序被處理器執(zhí)行時(shí)實(shí)現(xiàn)如本發(fā)明第一方面所述的基于5g和北斗的融合增強(qiáng)定位方法的任一步驟。

43、第三方面，本發(fā)明實(shí)施例提供了一種計(jì)算機(jī)可讀存儲(chǔ)介質(zhì)，其上存儲(chǔ)有計(jì)算機(jī)程序，其中：所述計(jì)算機(jī)程序被處理器執(zhí)行時(shí)實(shí)現(xiàn)如本發(fā)明第一方面所述的基于5g和北斗的融合增強(qiáng)定位方法的任一步驟。

44、本發(fā)明有益效果為：通過(guò)收集多系統(tǒng)衛(wèi)星信號(hào)并進(jìn)行信號(hào)解析，將解析后的信號(hào)特征融合成綜合特征向量，利用深度學(xué)習(xí)模型計(jì)算衛(wèi)星信號(hào)的質(zhì)量水平并選擇高質(zhì)量信號(hào)，采用多系統(tǒng)融合定位算法融合高質(zhì)量信號(hào)計(jì)算初步定位結(jié)果，進(jìn)一步通過(guò)信號(hào)解析提取高質(zhì)量信號(hào)的時(shí)空特性并與綜合特征向量融合形成擴(kuò)展特征向量，最終使用擴(kuò)展特征向量對(duì)初步定位結(jié)果進(jìn)行增強(qiáng)。這一系列步驟有效地提高了定位的精度和魯棒性，特別是在復(fù)雜環(huán)境下的定位表現(xiàn)更為突出，為用戶提供更加準(zhǔn)確、可靠的定位服務(wù)。