一种城市峡谷内基于GNSS信号精确分类的加权定位方法

1.一种城市峡谷内基于GNSS信号精确分类的加权定位方法，其特征在于，包括：步骤1：建立历史训练数据集，从基站处和城市峡谷处采集GNSS数据，结合GNSS数据对卫星信号接收类型进行标定，所述卫星信号接收类型分为视距信号LOS、非视距信号NLOS和多路径信号Multipath，将卫星信号载噪比C/N 0 、卫星高度角θ和卫星信号接收类型组成历史训练数据集；步骤2：采用机器学习算法深度森林，对所述历史训练数据集进行挖掘，生成卫星信号接收类型判断法则；步骤3：从城市峡谷采集GNSS数据，使用深度森林预测卫星信号接收类型，结合加权最小二乘进行定位解算；所述步骤1包括：步骤1.1：利用菲涅尔区进行卫星信号接收类型判断；步骤1.2：利用最大相关峰进行卫星信号接收类型判断；步骤1.3：结合步骤1.1和步骤1.2综合决策卫星信号接收类型。 2.根据权利要求1所述的一种城市峡谷内基于GNSS信号精确分类的加权定位方法，其特征在于，所述步骤1.1中通过判断卫星信号传播的第一菲涅尔区在建筑物表面的投影与建筑物墙面重叠比例是否大于50％来确定卫星信号接收类型；当重叠比例小于50％、卫星未被建筑物遮挡，则判定卫星信号接收类型为视距信号LOS；当重叠比例大于等于50％、卫星被建筑物遮挡，则判定卫星信号接收类型为非视距信号NLOS；当重叠比例大于等于50％、卫星未被建筑物遮挡，则判定卫星信号接收类型为多路径信号Multipath。 3.根据权利要求2所述的一种城市峡谷内基于GNSS信号精确分类的加权定位方法，其特征在于，所述步骤1.2中绘制卫星信号关于多普勒频移和码延迟的3D相关函数图像，记n为0.1s内的卫星信号相关函数图像中局部最大相关峰的数量，α为判断卫星信号是否为多路径信号Multipath的阈值，当n>α时，判定该卫星信号为多路径信号Multipath，否则判定为视距信号LOS。 4.根据权利要求3所述的一种城市峡谷内基于GNSS信号精确分类的加权定位方法，其特征在于，所述步骤1.3中当步骤1.1和步骤1.2对卫星信号接收类型判定一致时，则对该卫星信号标定接收类型；当步骤1.1判定卫星信号为视距信号LOS、步骤1.2判定该卫星信号为多路径信号Multipath，则标定该卫星信号为多路径信号Multipath；当步骤1.1判定卫星信号为多路径信号Multipath、步骤1.2判定该卫星信号为视距信号LOS，则标定该卫星信号为视距信号LOS；当步骤1.1判定卫星信号为非视距信号NLOS，则标定该卫星信号为非视距信号NLOS。 5.根据权利要求2所述的一种城市峡谷内基于GNSS信号精确分类的加权定位方法，其特征在于，所述步骤1.1中计算卫星信号传播的第一菲涅尔区在建筑物表面的投影与建筑物墙面重叠比例的步骤包括：步骤1.1.1：建立一个由建筑物表面的法线 和竖直向上的单位向量 构成的坐标系 记A点为GNSS接收机所在位置，S点为卫星所在位置，A’为A点关于建筑物表面镜像位置的点，D为A点与A’点连线与建筑物表面的交点，d为AD点之间的距离，R点为A’与S连线与建筑物表面的交点， 为R点到卫星S点的向量， 为R点到接收机A点的向量， 为卫星S点到接收机A点的向量，a和b为第一菲涅尔区在建筑物表面截面的长半轴和短半轴；步骤1.1.2：计算出第一菲涅尔区在建筑物表面投影的椭圆形的长半轴a、短半轴b及椭圆形面积S：S＝πab其中 为椭圆形长半轴向量， 和 分别为长半轴和短半轴的单位方向向量，a和b分别为长半轴和短半轴长度，λ为接收到GNSS信号的波长，β为R点到卫星S点的单位方向向量 与建筑物表面的夹角， R点到卫星S点的单位方向向量 步骤1.1.3：计算第一菲涅尔区面积与建筑物表面的重叠比例，即结合3D模型，信号传播的第一菲涅尔区在建筑物表面的这一平面投射到建筑物表面上的面积与第一菲涅尔区的椭圆形面积之比。 6.根据权利要求1所述的一种城市峡谷内基于GNSS信号精确分类的加权定位方法，其特征在于，所述步骤2中记历史训练数据集为T＝{(x 1 ,y 1 ),(x 2 ,y 2 ),…,(x i ,y i ),…,(x N ,y N )}，其中i＝1,2,3,…,N表示样本的序号，N为历史训练数据集中样本数量，x i ＝(C/N 0i ,θ i )为每个样本中卫星信号载噪比和卫星高度角，y i ∈{-1,0,1}为每个样本中卫星信号接收类型，-1、0和1分别表示非视距信号NLOS、多路径信号Multipath和视距信号LOS；向深度森林系统输入大小为N的样本数据，通过一个长度为L的采样窗口对其进行滑动采样；在训练阶段级联森林中的每一颗决策树计算出样本x i 分类的概率为 其中t表示随机森林的第t颗决策树，t∈T，T表示随机森林的决策树数量， 分别表示第t颗决策树计算出样本x i 分别属于-1、0和1的概率；每个随机森林得到对样本x i 的类分布估计： 其中m表示每一层级联森林中的第m个随机森林，m∈M，M表示级联森林中的随机森林数量， 分别表示第m个随机森林对样本x i 对于分类-1、0和1的类分布估计；第z层级联森林对样本x i 类分布估计为：其中z代表第z层级联森林，z∈Z，Z表示级联森林层数，在训练中随着分类准确率的不再上升而确定；然后级联森林将每一级的输出结果拼接原始特征向量作为下一级森林的输入；训练阶段得到的分类与标记过的分类对比可计算分类准确率，直到级联森林的分类准确率不再上升时，停止训练，得到复杂度是自适应的级联森林分类器， 其中argmax函数表示取概率最大的分类作为最终的分类结果final， 分别为自适应级联森林分类器得到样本x i 属于-1、0和1的概率。 7.根据权利要求1所述的一种城市峡谷内基于GNSS信号精确分类的加权定位方法，其特征在于，所述步骤3中结合加权最小二乘进行定位解算的观测方程为：WHX＝WΔρ其中W为权重矩阵，表示为对角矩阵： J表示接收机所有接收到的卫星信号个数，w j 表示第j颗卫星信号观测值的权重， 表示第j颗卫星信号观测值的协方差，1≤j≤J， k表示使用深度森林预测获得的卫星信号接收类型的权重系数，C/N 0j 为第j颗卫星信号载噪比，θ j 为第j颗卫星高度角；H为卫星方向余弦矩阵： 为从接收机近似位置(X A,0 ,Y A,0 ,Z A,0 )指向第j颗卫星的单位向量，由卫星位置与解算的接收机位置进行迭代计算， 其中卫星与接收机之间的距离为 (X j ,Y j ,Z j )为卫星在地心地固坐标系下的坐标，可由卫星星历解算得到，接收机近似位置初始设为(X A,0 ,Y A,0 ,Z A,0 )＝(0,0,0)；Δρ为伪距观测残差向量，为各卫星观测伪距与解算接收机位置反演出的伪距之差组成的向量；X＝(ΔX,ΔY,ΔZ,cΔt A ) T 是包含接收机三维位置坐标的修正量(ΔX,ΔY,ΔZ)和接收机钟差Δt A 的向量，其中c为光速，通过求解加权最小二乘矩阵方程得到X＝(H T WH) -1 H T WΔρ，每次迭代解算得到一个新的修正值(ΔX,ΔY,ΔZ)以修正接收机近似位置(X A,0 ,Y A,0 ,Z A,0 )，数次迭代后收敛到一个稳定结果；最终基于GNSS信号分类的加权定位的用户接收机的坐标(X A ,Y A ,Z A )＝(ΔX+X A,0 ,ΔY+Y A,0 ,ΔZ+Y A,0 )。 8.根据权利要求7所述的一种城市峡谷内基于GNSS信号精确分类的加权定位方法，其特征在于，所述步骤3中卫星信号接收类型的权重系数设置为视距信号LOS的权重系数k＝1；多路径信号Multipath的权重系数k＝1.5；非视距信号NLOS的权重系数k＝2。