基于无监督学习和粒子滤波的非视距信号检测

全球卫星导航系统(GNSS)是目前应用最广泛的定位技术,研究城市峡谷中的定位问题时,由于高楼大厦的阻塞,仍存在非视距传播导致的性能退化问题。为此,提出了无监督学习粒子滤波(UL-PF)算法。在卫星信号分类阶段,使用核k-means聚类的无监督学习分类方法,在定位阶段,使用通过聚类算法优化的粒子滤波方法。所提算法考虑了采样粒子在状态空间分布中的内在相似性,探索在每个聚类中选择一个粒子作为重要粒子,利用时间序列相关技术提高重采样粒子集的多样性。实验表明：在城市场景中,所提算法的平均定位精度从传统算法的15 m提高到约5 m,收敛时间从500 s缩短到200 s左右。     

基于BDS/GPS的KBLMS信道补偿多径缓减算法

在全球卫星导航系统（GNSS）中，针对城市峡谷单系统无法定位及信号失锁后重新捕获及跟踪性能表现不佳的问题，提出了一种基于BDS/GPS的卡尔曼最小均方估计（KBLMS）的信道补偿技术。首先，建立双系统模型。其次，设计基于卡尔曼估计的最小均方误差的延迟估计模块，补偿接收信号上的多径失真。最后，设计视距（LOS）最佳估计块以在反馈回路中产生控制误差信号，用于自适应地更新补偿矩阵系数。通过实测数据与实验仿真，分析KBLMS的信道补偿多径缓减算法的性能。结果表明:KBLMS的信道补偿多径缓减技术相较于最小均方（LMS）算法在多径信道中能快速收敛，且码跟踪误差在ENU三个维度误差减少了0.1 chip，载波跟踪误差减少了约0.125 cm，有效降低了多径效应引起的误差，最终残余误差比LMS降低了0.035 chip，说明所提多径缓减算法可以进行更为精准的估计，从而验证了算法的有效性。