基于PSO-RBF神經網絡的衛星定位補償模型設計

王彥龍 孟繁倫 肖文飛

摘要：隨著北斗系統的完善，衛星定位得到了越來越多的應用。但是衛星定位信號易受到干擾，尤其是當行駛車輛處在比較復雜的道路中，使得定位發生漂移現象。針對此問題，提出了粒子群-徑向基神經網絡聯合的車輛衛星定位模型。由于傳統卡爾曼濾波不能較好地處理漂移點，通過神經網絡閾值與車速、航向角以及經緯度之間的時序相關性，對定位車輛進行閾值判斷，并且利用RBF神經網絡進行訓練，從而得到補償模型，實現車輛位置的優化。實驗表明，面對定位信號干擾，聯合補償模型可以提高車輛衛星定位的精準度以及可靠性。

關鍵詞：衛星定位；粒子群；神經網絡

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

0引言

車輛衛星定位不僅能夠為車輛提供實時、準確的位置信息，還可以為車輛提供了導航及擁堵報告等服務。由于智能網聯汽車技術的不斷發展，汽車技術也隨之對車輛定位提出了更高的要求，車輛的精準定位也成為了當前研究的熱點。

目前車輛衛星定位的精準度在10 m左右，提高車輛衛星定位的精準度十分重要，卡爾曼濾波法和粒子濾波這2種濾波算法主要應用于衛星定位。韓佳琦等[1]對全球衛星定位導航系統進行了研究，并講述了發展與應用。早期的卡爾曼濾波只能應用于線性系統的濾波，但是衛星定位系統是非線性系統，因此探討非線性卡爾曼濾波算法就變得尤為重要。后來，發展出了擴展卡爾曼濾波。在使用卡爾曼濾波時，噪聲統計是很難確定的，一般通過調整參數來決定濾波的效果，但不能完全保證濾波的穩定。為了克服濾波噪聲的統計問題，高策等[2]提出了基于卡爾曼—高斯聯合濾波的車輛位置跟蹤算法；何瑞珠[3]等提出了分步加權解算的方法進行衛星定位；劉江等[4]對列車衛星定位系統使用了非參數貝葉斯模型的方法，提出了貝葉斯算法技術；陸德彪等[5]等基于最大偏差準則對車輛位置進行預測；馮志強等[6]等針對車載定位收到的干擾周期信號，提出了以時差型定位系統來校準衛星定位的誤差分析的算法，也取得了不錯的結果。

車輛在行駛過程中，衛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）神經網絡聯合方法，利用閾值對漂移位置進行識別，利用神經網絡進行訓練，得到補償模型，實現車輛位置的優化和車輛的精準定位。

1基于粒子群—徑向基神經網絡聯合衛星定位模型

衛星定位信號在惡劣的狀況下易受到干擾，尤其是在車輛移動過程中，衛星定位信號經常會出現位置飄逸的現象，傳統的卡爾曼濾波法，由于其算法的局限性，并不能很好地解決此問題。隨著計算機技術的發展，人工神經網絡等一些智能算法得到了廣泛的應用。為了充分利用車輛的速度、加速度以及航向角等各個信息，提升定位系統對信息的利用率，建立基于粒子群優化算法[7]調整閾值的RBF神經網絡的聯合濾波模型，該模型既針對車輛移動狀態信息設置了相關的動態閾值，可以有效地辨別車輛移動過程中衛星信號較大干擾引起的定位漂移點，而且還對車輛移動的歷史軌跡數據進行樣本學習，根據對車輛的歷史信息得到預測模型，可以有效預測當前時刻車輛的真實位置。通過聯合模型可以有效過濾行車狀態漂移的噪聲信號，對情況比較惡劣的漂移現象，也起到了很好的作用?；诹Ｗ尤骸獜较蚧≒SO-RBF）神經網絡聯合模型的衛星定位優化算法如圖1所示。

RBF神經網絡由3層構成：

①輸入層：是將歸一化處理過的數據樣本輸入到網絡節點，通過歸一化處理，避免運算過于復雜。之后傳遞到隱藏層。

②隱藏層：節點基函數通常選擇高斯函數，節點的個數通常通過對比實驗確定。

2聯合模型處理過程

利用動態閾值與車輛狀態之間的相關性，進行定位漂移點的識別；然后，利用RBF神經網絡對車輛歷史軌跡數據進行自適應學習訓練，對車輛移動的真實衛星定位進行預測；最后，通過預測值和真實觀測值建立觀測補償，建立PSO-RBF補償模型進行車輛定位的聯合，從而提高車輛移動衛星定位的準確性。PSO-RBF聯合模型算法流程如圖4所示。

具體流程如下：

①對樣本數據進行歸一化處理。

②初始時間0，初始化粒子種群，設定最大迭代次數。

③計算初始化種群的粒子適應度值，將極值帶入RBF神經網絡，并構成網絡的參數和結構。

④通過式（5）計算RBF神經網絡的預測輸出（）。

⑤依據預測輸出（），根據式（1）計算各個粒子適應度值。

⑥記錄得到各個粒子的適應度值，并進行適應度值排序。

⑦篩選出當前狀態情況下適應度值最好的粒子，以及最好的適應度值，并記下最好位置。

⑧進行粒子的速度和位置的更新，產生新的種群，初始化種群。

⑨若尋優達到最大迭代數，則結束；跳轉執行步驟⑩；否則，次數= +1，跳到步驟③，繼續執行。

⑩達到最大迭代次數，得到最優值輸出，得到最優的RBF神經網絡的權值與閾值。通過式（5）得到聯合模型的最優預測輸出。

3實驗

車輛行駛中的軌跡是連續不斷的，車輛下一刻的位置與車輛當前的位置以及行駛狀態是有關聯的。車輛下一刻的位置，可由當前的位置信息和行駛狀態推算得到。因此，下一時刻車輛位置實際觀測值與預測值的誤差至關重要。通過對采集的數據進行處理，通過事物發展趨勢的相關性，得到事物的未來預測值，是數據處理的一種應用形式。

本文基于PSO-RBF神經網絡聯合模型采用實車數據驗證，使用的是STC12C5A32S2型號的單片機，使用它控制衛星接收模塊UM220-III的衛星定位的接收機（接收模塊能夠同時接收GPS和北斗信號）。各接收模塊主要負責獲取實時位置的經緯度信息以及標準時間，同時具有顯示功能。數據采集模塊如圖5所示。

為了驗證聯合模型在衛星定位精度及其可靠性方面的優勢，實驗中采用了實車測試，采集衛星定位的經緯度、方向角以及速度信息，采集周期都設為0.2 s，采集設備擁有0.02 m的定位精度。并進行了對比實驗，比較采集的原始衛星定位信息、卡爾曼濾波法、基于PSO-RBF神經網絡聯合模型法的定位精度，進行定位精度及其可靠性的對比，數據采集路線如圖6所示。

數據預處理是對數據處理的重要前提，實驗為北斗導航系統接收機的數據坐標，屬于時序性數據，數據的預處理主要包括數據清洗和數據歸一化處理。

PSO-RBF神經網絡聯合模型對定位信息的數據進行時間序列預測，具體步驟如下：

①將測得車速、航向角、經緯度的200組數據進行數據預處理。

②輸入輸出的選擇。實驗是對數據中各種屬性的數據進行時間序列預測模型的研究，為保證融合模型的精準度，設計只有一個輸出單元（），以（）作為輸入，為歷史數據長度，網絡的預測模型的輸出表示為：（）=（（-），（- +1），…，（-1））。

由于時間序列與各個影響因素都有關，本身預測就比較復雜，采用不同數據間隔長度的預測模型，結果相差很大。通過反復試驗，不同數據間隔長度的預測均方根誤差不同，根據實驗表明，以14組數據長度間隔的預測模型誤差最小，所以選取歷史長度為14組的預測模型。

③設置網絡參數，包括隱藏層節點數、傳遞函數、SPREAD值、最大迭代次數和期望誤差。表1給出了不同的隱藏層節點個數所對應的網絡輸出的均方誤差。

從表1可以看出，當隱藏層節點個數設為1時，RBF神經網絡預測輸出的均方誤差最大，主要因為節點個數過小，RBF神經網絡學習樣本的過程不夠充分。當隱藏層節點個數為10，網絡訓練的均方誤差最小，因此也可以得出網絡的性能最好。

④初始化網絡，輸入訓練樣本，進行訓練。

⑤達到期望誤差或者最大迭代次數，RBF網絡訓練停止，輸出3個重要參數值。

⑥利用3個參數值，通過式（5）得到融合模型；進而，進行速度、航向角和經緯度的時間序列預測。

通過融合模型，對各種屬性的時間序列進行測試，得到預測的數據，最終得到衛星定位的最終預測值，與衛星定位的值對比，彌補由于信號干擾造成的位置漂移現象。

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星定位過程中發生定位漂移現象的處理效果不好，而聯合模型的處理是通過動態閾值識別定位中的漂移位置信息，并進行網絡訓練學習處理，結合上一時刻的觀測值以及模型的預測值進行觀測補償。聯合模型的處理效果明顯好于卡爾曼濾波處理的結果。

根據圖8可以看到，PSO-RBF神經網絡模型測試誤差在訓練次數為50之后已達到最小值，并且隨著訓練次數的增加，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合模型大，并且隨著訓練次數的增加，誤差變大。

2種算法的訓練誤差隨訓練次數的變化如圖8所示。

表2是2種方法與真實觀測值的誤差對比結果?？梢悦黠@看出，卡爾曼濾波法與聯合模型法對衛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據，聯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%；聯合模型最突出的優點降低；而最大誤差，由原始數據的9.8 m降低到1.3 m，反映出聯合模型優秀的處理效果；標準差體現了方法的綜合性能，也可以看出聯合濾波有很好的效果。因此，聯合模型法提高了衛星定位的精準度，可以有效處理衛星定位漂移點，進而增強了衛星定位的抗干擾能力。

4結束語

本文對車輛行駛中的衛星定位信號被干擾進而產生位置漂移的現象進行了研究，提出了PSO-RBF神經網絡的聯合模型。針對傳統卡爾曼濾波不能較好處理漂移點，本文通過閾值與車速、航向角以及經緯度之間的時序相關性，對定位車輛進行閾值判斷；并且利用RBF神經網絡進行訓練，從而得到補償模型，實現車輛位置的優化。實驗表明：面對定位信號干擾，聯合補償模型可以提高車輛衛星定位的精準度以及可靠性。

參考文獻

[1]韓佳琦，李鵬程，姜輝.GPS全球衛星定位導航系統的發展與應用[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.衛星定位中的一種分步加權解算方法[J].天文研究與技術-國家天文臺臺刊，2015，12（1）：36-43.

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

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

[6]馮志強，胡丹暉，周學明，等.基于北斗衛星定位的桿塔基礎位移監測與預測技術[J].高電壓技術，2018，44（zk2）：53-56..

[7]陳玲君.基于改進的粒子群算法在WSN節點定位中的研究[J].微型機與應用，2016，35（24）：70-72，76.

[8]孫俊.量子行為粒子群優化算法研究[D].無錫：江南大學， 2009.

[9]褚福運，仲政.基于徑向基函數的薄板彈性穩定性分析[C]//中國計算力學大會2014暨第三屆錢令希計算力學獎頒獎大會論文集.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.