王彥龍 孟繁倫 肖文飛

摘要：隨著北斗系統(tǒng)的完善，衛(wèi)星定位得到了越來越多的應(yīng)用。但是衛(wèi)星定位信號易受到干擾，尤其是當(dāng)行駛車輛處在比較復(fù)雜的道路中，使得定位發(fā)生漂移現(xiàn)象。針對此問題，提出了粒子群-徑向基神經(jīng)網(wǎng)絡(luò)聯(lián)合的車輛衛(wèi)星定位模型。由于傳統(tǒng)卡爾曼濾波不能較好地處理漂移點(diǎn)，通過神經(jīng)網(wǎng)絡(luò)閾值與車速、航向角以及經(jīng)緯度之間的時(shí)序相關(guān)性，對定位車輛進(jìn)行閾值判斷，并且利用RBF神經(jīng)網(wǎng)絡(luò)進(jìn)行訓(xùn)練，從而得到補(bǔ)償模型，實(shí)現(xiàn)車輛位置的優(yōu)化。實(shí)驗(yàn)表明，面對定位信號干擾，聯(lián)合補(bǔ)償模型可以提高車輛衛(wèi)星定位的精準(zhǔn)度以及可靠性。

關(guān)鍵詞：衛(wèi)星定位；粒子群；神經(jīng)網(wǎng)絡(luò)

中圖分類號：TP18文獻(xiàn)標(biāo)志碼：A文章編號：1008-1739（2022）04-66-5

0引言

車輛衛(wèi)星定位不僅能夠?yàn)檐囕v提供實(shí)時(shí)、準(zhǔn)確的位置信息，還可以為車輛提供了導(dǎo)航及擁堵報(bào)告等服務(wù)。由于智能網(wǎng)聯(lián)汽車技術(shù)的不斷發(fā)展，汽車技術(shù)也隨之對車輛定位提出了更高的要求，車輛的精準(zhǔn)定位也成為了當(dāng)前研究的熱點(diǎn)。

目前車輛衛(wèi)星定位的精準(zhǔn)度在10 m左右，提高車輛衛(wèi)星定位的精準(zhǔn)度十分重要，卡爾曼濾波法和粒子濾波這2種濾波算法主要應(yīng)用于衛(wèi)星定位。韓佳琦等[1]對全球衛(wèi)星定位導(dǎo)航系統(tǒng)進(jìn)行了研究，并講述了發(fā)展與應(yīng)用。早期的卡爾曼濾波只能應(yīng)用于線性系統(tǒng)的濾波，但是衛(wèi)星定位系統(tǒng)是非線性系統(tǒng)，因此探討非線性卡爾曼濾波算法就變得尤為重要。后來，發(fā)展出了擴(kuò)展卡爾曼濾波。在使用卡爾曼濾波時(shí)，噪聲統(tǒng)計(jì)是很難確定的，一般通過調(diào)整參數(shù)來決定濾波的效果，但不能完全保證濾波的穩(wěn)定。為了克服濾波噪聲的統(tǒng)計(jì)問題，高策等[2]提出了基于卡爾曼—高斯聯(lián)合濾波的車輛位置跟蹤算法；何瑞珠[3]等提出了分步加權(quán)解算的方法進(jìn)行衛(wèi)星定位；劉江等[4]對列車衛(wèi)星定位系統(tǒng)使用了非參數(shù)貝葉斯模型的方法，提出了貝葉斯算法技術(shù)；陸德彪等[5]等基于最大偏差準(zhǔn)則對車輛位置進(jìn)行預(yù)測；馮志強(qiáng)等[6]等針對車載定位收到的干擾周期信號，提出了以時(shí)差型定位系統(tǒng)來校準(zhǔn)衛(wèi)星定位的誤差分析的算法，也取得了不錯(cuò)的結(jié)果。

車輛在行駛過程中，衛(wèi)星定位信號易受到各種因素的干擾，由于卡爾曼濾波等算法并不能得到很精準(zhǔn)的定位精度，從而造成較大的定位誤差。由此，本文提出了基于粒子群—徑向基（RBF）神經(jīng)網(wǎng)絡(luò)聯(lián)合方法，利用閾值對漂移位置進(jìn)行識別，利用神經(jīng)網(wǎng)絡(luò)進(jìn)行訓(xùn)練，得到補(bǔ)償模型，實(shí)現(xiàn)車輛位置的優(yōu)化和車輛的精準(zhǔn)定位。

1基于粒子群—徑向基神經(jīng)網(wǎng)絡(luò)聯(lián)合衛(wèi)星定位模型

衛(wèi)星定位信號在惡劣的狀況下易受到干擾，尤其是在車輛移動(dòng)過程中，衛(wèi)星定位信號經(jīng)常會出現(xiàn)位置飄逸的現(xiàn)象，傳統(tǒng)的卡爾曼濾波法，由于其算法的局限性，并不能很好地解決此問題。隨著計(jì)算機(jī)技術(shù)的發(fā)展，人工神經(jīng)網(wǎng)絡(luò)等一些智能算法得到了廣泛的應(yīng)用。為了充分利用車輛的速度、加速度以及航向角等各個(gè)信息，提升定位系統(tǒng)對信息的利用率，建立基于粒子群優(yōu)化算法[7]調(diào)整閾值的RBF神經(jīng)網(wǎng)絡(luò)的聯(lián)合濾波模型，該模型既針對車輛移動(dòng)狀態(tài)信息設(shè)置了相關(guān)的動(dòng)態(tài)閾值，可以有效地辨別車輛移動(dòng)過程中衛(wèi)星信號較大干擾引起的定位漂移點(diǎn)，而且還對車輛移動(dòng)的歷史軌跡數(shù)據(jù)進(jìn)行樣本學(xué)習(xí)，根據(jù)對車輛的歷史信息得到預(yù)測模型，可以有效預(yù)測當(dāng)前時(shí)刻車輛的真實(shí)位置。通過聯(lián)合模型可以有效過濾行車狀態(tài)漂移的噪聲信號，對情況比較惡劣的漂移現(xiàn)象，也起到了很好的作用。基于粒子群—徑向基（PSO-RBF）神經(jīng)網(wǎng)絡(luò)聯(lián)合模型的衛(wèi)星定位優(yōu)化算法如圖1所示。

RBF神經(jīng)網(wǎng)絡(luò)由3層構(gòu)成：

①輸入層：是將歸一化處理過的數(shù)據(jù)樣本輸入到網(wǎng)絡(luò)節(jié)點(diǎn)，通過歸一化處理，避免運(yùn)算過于復(fù)雜。之后傳遞到隱藏層。

②隱藏層：節(jié)點(diǎn)基函數(shù)通常選擇高斯函數(shù)，節(jié)點(diǎn)的個(gè)數(shù)通常通過對比實(shí)驗(yàn)確定。

2聯(lián)合模型處理過程

利用動(dòng)態(tài)閾值與車輛狀態(tài)之間的相關(guān)性，進(jìn)行定位漂移點(diǎn)的識別；然后，利用RBF神經(jīng)網(wǎng)絡(luò)對車輛歷史軌跡數(shù)據(jù)進(jìn)行自適應(yīng)學(xué)習(xí)訓(xùn)練，對車輛移動(dòng)的真實(shí)衛(wèi)星定位進(jìn)行預(yù)測；最后，通過預(yù)測值和真實(shí)觀測值建立觀測補(bǔ)償，建立PSO-RBF補(bǔ)償模型進(jìn)行車輛定位的聯(lián)合，從而提高車輛移動(dòng)衛(wèi)星定位的準(zhǔn)確性。PSO-RBF聯(lián)合模型算法流程如圖4所示。

具體流程如下：

①對樣本數(shù)據(jù)進(jìn)行歸一化處理。

②初始時(shí)間0，初始化粒子種群，設(shè)定最大迭代次數(shù)。

③計(jì)算初始化種群的粒子適應(yīng)度值，將極值帶入RBF神經(jīng)網(wǎng)絡(luò)，并構(gòu)成網(wǎng)絡(luò)的參數(shù)和結(jié)構(gòu)。

④通過式（5）計(jì)算RBF神經(jīng)網(wǎng)絡(luò)的預(yù)測輸出（）。

⑤依據(jù)預(yù)測輸出（），根據(jù)式（1）計(jì)算各個(gè)粒子適應(yīng)度值。

⑥記錄得到各個(gè)粒子的適應(yīng)度值，并進(jìn)行適應(yīng)度值排序。

⑦篩選出當(dāng)前狀態(tài)情況下適應(yīng)度值最好的粒子，以及最好的適應(yīng)度值，并記下最好位置。

⑧進(jìn)行粒子的速度和位置的更新，產(chǎn)生新的種群，初始化種群。

⑨若尋優(yōu)達(dá)到最大迭代數(shù)，則結(jié)束；跳轉(zhuǎn)執(zhí)行步驟⑩；否則，次數(shù)= +1，跳到步驟③，繼續(xù)執(zhí)行。

⑩達(dá)到最大迭代次數(shù)，得到最優(yōu)值輸出，得到最優(yōu)的RBF神經(jīng)網(wǎng)絡(luò)的權(quán)值與閾值。通過式（5）得到聯(lián)合模型的最優(yōu)預(yù)測輸出。

3實(shí)驗(yàn)

車輛行駛中的軌跡是連續(xù)不斷的，車輛下一刻的位置與車輛當(dāng)前的位置以及行駛狀態(tài)是有關(guān)聯(lián)的。車輛下一刻的位置，可由當(dāng)前的位置信息和行駛狀態(tài)推算得到。因此，下一時(shí)刻車輛位置實(shí)際觀測值與預(yù)測值的誤差至關(guān)重要。通過對采集的數(shù)據(jù)進(jìn)行處理，通過事物發(fā)展趨勢的相關(guān)性，得到事物的未來預(yù)測值，是數(shù)據(jù)處理的一種應(yīng)用形式。

本文基于PSO-RBF神經(jīng)網(wǎng)絡(luò)聯(lián)合模型采用實(shí)車數(shù)據(jù)驗(yàn)證，使用的是STC12C5A32S2型號的單片機(jī)，使用它控制衛(wèi)星接收模塊UM220-III的衛(wèi)星定位的接收機(jī)（接收模塊能夠同時(shí)接收GPS和北斗信號）。各接收模塊主要負(fù)責(zé)獲取實(shí)時(shí)位置的經(jīng)緯度信息以及標(biāo)準(zhǔn)時(shí)間，同時(shí)具有顯示功能。數(shù)據(jù)采集模塊如圖5所示。

為了驗(yàn)證聯(lián)合模型在衛(wèi)星定位精度及其可靠性方面的優(yōu)勢，實(shí)驗(yàn)中采用了實(shí)車測試，采集衛(wèi)星定位的經(jīng)緯度、方向角以及速度信息，采集周期都設(shè)為0.2 s，采集設(shè)備擁有0.02 m的定位精度。并進(jìn)行了對比實(shí)驗(yàn)，比較采集的原始衛(wèi)星定位信息、卡爾曼濾波法、基于PSO-RBF神經(jīng)網(wǎng)絡(luò)聯(lián)合模型法的定位精度，進(jìn)行定位精度及其可靠性的對比，數(shù)據(jù)采集路線如圖6所示。

數(shù)據(jù)預(yù)處理是對數(shù)據(jù)處理的重要前提，實(shí)驗(yàn)為北斗導(dǎo)航系統(tǒng)接收機(jī)的數(shù)據(jù)坐標(biāo)，屬于時(shí)序性數(shù)據(jù)，數(shù)據(jù)的預(yù)處理主要包括數(shù)據(jù)清洗和數(shù)據(jù)歸一化處理。

PSO-RBF神經(jīng)網(wǎng)絡(luò)聯(lián)合模型對定位信息的數(shù)據(jù)進(jìn)行時(shí)間序列預(yù)測，具體步驟如下：

①將測得車速、航向角、經(jīng)緯度的200組數(shù)據(jù)進(jìn)行數(shù)據(jù)預(yù)處理。

②輸入輸出的選擇。實(shí)驗(yàn)是對數(shù)據(jù)中各種屬性的數(shù)據(jù)進(jìn)行時(shí)間序列預(yù)測模型的研究，為保證融合模型的精準(zhǔn)度，設(shè)計(jì)只有一個(gè)輸出單元（），以（）作為輸入，為歷史數(shù)據(jù)長度，網(wǎng)絡(luò)的預(yù)測模型的輸出表示為：（）=（（-），（- +1），…，（-1））。

由于時(shí)間序列與各個(gè)影響因素都有關(guān)，本身預(yù)測就比較復(fù)雜，采用不同數(shù)據(jù)間隔長度的預(yù)測模型，結(jié)果相差很大。通過反復(fù)試驗(yàn)，不同數(shù)據(jù)間隔長度的預(yù)測均方根誤差不同，根據(jù)實(shí)驗(yàn)表明，以14組數(shù)據(jù)長度間隔的預(yù)測模型誤差最小，所以選取歷史長度為14組的預(yù)測模型。

③設(shè)置網(wǎng)絡(luò)參數(shù)，包括隱藏層節(jié)點(diǎn)數(shù)、傳遞函數(shù)、SPREAD值、最大迭代次數(shù)和期望誤差。表1給出了不同的隱藏層節(jié)點(diǎn)個(gè)數(shù)所對應(yīng)的網(wǎng)絡(luò)輸出的均方誤差。

從表1可以看出，當(dāng)隱藏層節(jié)點(diǎn)個(gè)數(shù)設(shè)為1時(shí)，RBF神經(jīng)網(wǎng)絡(luò)預(yù)測輸出的均方誤差最大，主要因?yàn)楣?jié)點(diǎn)個(gè)數(shù)過小，RBF神經(jīng)網(wǎng)絡(luò)學(xué)習(xí)樣本的過程不夠充分。當(dāng)隱藏層節(jié)點(diǎn)個(gè)數(shù)為10，網(wǎng)絡(luò)訓(xùn)練的均方誤差最小，因此也可以得出網(wǎng)絡(luò)的性能最好。

④初始化網(wǎng)絡(luò)，輸入訓(xùn)練樣本，進(jìn)行訓(xùn)練。

⑤達(dá)到期望誤差或者最大迭代次數(shù)，RBF網(wǎng)絡(luò)訓(xùn)練停止，輸出3個(gè)重要參數(shù)值。

⑥利用3個(gè)參數(shù)值，通過式（5）得到融合模型；進(jìn)而，進(jìn)行速度、航向角和經(jīng)緯度的時(shí)間序列預(yù)測。

通過融合模型，對各種屬性的時(shí)間序列進(jìn)行測試，得到預(yù)測的數(shù)據(jù)，最終得到衛(wèi)星定位的最終預(yù)測值，與衛(wèi)星定位的值對比，彌補(bǔ)由于信號干擾造成的位置漂移現(xiàn)象。

定位緯度效果圖如圖7所示。由圖7可見，卡爾曼濾波法對于車輛衛(wèi)星定位過程中發(fā)生定位漂移現(xiàn)象的處理效果不好，而聯(lián)合模型的處理是通過動(dòng)態(tài)閾值識別定位中的漂移位置信息，并進(jìn)行網(wǎng)絡(luò)訓(xùn)練學(xué)習(xí)處理，結(jié)合上一時(shí)刻的觀測值以及模型的預(yù)測值進(jìn)行觀測補(bǔ)償。聯(lián)合模型的處理效果明顯好于卡爾曼濾波處理的結(jié)果。

根據(jù)圖8可以看到，PSO-RBF神經(jīng)網(wǎng)絡(luò)模型測試誤差在訓(xùn)練次數(shù)為50之后已達(dá)到最小值，并且隨著訓(xùn)練次數(shù)的增加，模型的誤差一直處于2種算法的最小值；卡爾曼濾波算法的誤差一直比聯(lián)合模型大，并且隨著訓(xùn)練次數(shù)的增加，誤差變大。

2種算法的訓(xùn)練誤差隨訓(xùn)練次數(shù)的變化如圖8所示。

表2是2種方法與真實(shí)觀測值的誤差對比結(jié)果?？梢悦黠@看出，卡爾曼濾波法與聯(lián)合模型法對衛(wèi)星定位的精度都有改善。平均誤差是反映定位精度的一種數(shù)據(jù)，聯(lián)合模型的平均誤差比卡爾曼濾波法降低了0.11 m，定位精度提升了30%；聯(lián)合模型最突出的優(yōu)點(diǎn)降低；而最大誤差，由原始數(shù)據(jù)的9.8 m降低到1.3 m，反映出聯(lián)合模型優(yōu)秀的處理效果；標(biāo)準(zhǔn)差體現(xiàn)了方法的綜合性能，也可以看出聯(lián)合濾波有很好的效果。因此，聯(lián)合模型法提高了衛(wèi)星定位的精準(zhǔn)度，可以有效處理衛(wèi)星定位漂移點(diǎn)，進(jìn)而增強(qiáng)了衛(wèi)星定位的抗干擾能力。

4結(jié)束語

本文對車輛行駛中的衛(wèi)星定位信號被干擾進(jìn)而產(chǎn)生位置漂移的現(xiàn)象進(jìn)行了研究，提出了PSO-RBF神經(jīng)網(wǎng)絡(luò)的聯(lián)合模型。針對傳統(tǒng)卡爾曼濾波不能較好處理漂移點(diǎn)，本文通過閾值與車速、航向角以及經(jīng)緯度之間的時(shí)序相關(guān)性，對定位車輛進(jìn)行閾值判斷；并且利用RBF神經(jīng)網(wǎng)絡(luò)進(jìn)行訓(xùn)練，從而得到補(bǔ)償模型，實(shí)現(xiàn)車輛位置的優(yōu)化。實(shí)驗(yàn)表明：面對定位信號干擾，聯(lián)合補(bǔ)償模型可以提高車輛衛(wèi)星定位的精準(zhǔn)度以及可靠性。

參考文獻(xiàn)

[1]韓佳琦，李鵬程，姜輝.GPS全球衛(wèi)星定位導(dǎo)航系統(tǒng)的發(fā)展與應(yīng)用[J].化工管理，2017（5）：194.

[2]高策，褚端峰，何書賢，等.基于卡爾曼—高斯聯(lián)合濾波的車輛位置跟蹤[J].交通信息與安全，2020，38（1）：82-89.

[3]何瑞珠，劉成，黃康.衛(wèi)星定位中的一種分步加權(quán)解算方法[J].天文研究與技術(shù)-國家天文臺臺刊，2015，12（1）：36-43.

[4]劉江，陳華展，蔡伯根，等.基于非參數(shù)貝葉斯模型的列車衛(wèi)星定位方法[J].鐵道學(xué)報(bào)，2020，42（1）：59-68.

[5]陸德彪，唐德璋，蔡伯根，等.基于最大偏差準(zhǔn)則的列車衛(wèi)星定位完好性監(jiān)測方法[J].鐵道學(xué)報(bào)，2019，41（6）：81-90.

[6]馮志強(qiáng)，胡丹暉，周學(xué)明，等.基于北斗衛(wèi)星定位的桿塔基礎(chǔ)位移監(jiān)測與預(yù)測技術(shù)[J].高電壓技術(shù)，2018，44（zk2）：53-56..

[7]陳玲君.基于改進(jìn)的粒子群算法在WSN節(jié)點(diǎn)定位中的研究[J].微型機(jī)與應(yīng)用，2016，35（24）：70-72，76.

[8]孫俊.量子行為粒子群優(yōu)化算法研究[D].無錫：江南大學(xué)， 2009.

[9]褚福運(yùn)，仲政.基于徑向基函數(shù)的薄板彈性穩(wěn)定性分析[C]//中國計(jì)算力學(xué)大會2014暨第三屆錢令希計(jì)算力學(xué)獎(jiǎng)?lì)C獎(jiǎng)大會論文集.貴陽：出版社不詳，2014：1446-1461.

[10] INBARANI H H，AZAR A T，JOTHI G.Supervised Hybrid Feature Selection Based on PSO and Rough Sets for Medical Diagnosis[J]. Computer Methods and Programs in Biomedicine，2014，113（1）：175-185.

[11] MAIND S B，WANKAR P. Research Paper on Basic of Artificial Neural Network[J]. International Journal on Recent and Innovation Trends in Computing and Communication， 2014，2（1）：96-100.