在城市森林环境中,基于BDS NLOS自编码器的高效卷积无化自编码检测方法

科学领域:

• 卫星导航系统 卫星导航系统
• 深度学习应用程序
• 信号处理 信号处理

背景情况:

• 北斗导航卫星系统 (BDS) 对于自动驾驶至关重要,但由于非视线 (NLOS) 信号,城市环境会导致定位错误.
• 目前用于NLOS检测的深度学习 (DL) 方法面临着大型标记数据集和噪声敏感性的挑战,限制了准确性和概括性.
• 对于在复杂环境中可靠的自动驾驶车辆导航,需要强大而准确的NLOS检测至关重要.

研究的目的:

• 提出一种新的深度神经架构,CDAENet,用于在城市森林环境中有效地检测NLOS信号.
• 解决监督学习的局限性,提高DL模型对噪音数据的稳定性.
• 提高北斗导航卫星系统 (BDS) 在具有挑战性的城市环境中的定位精度.

主要方法:

• 开发了一种卷积无声自编码网络 (CDAENet),利用无监督深度学习进行信号无声和特征提取.
• 实现了一种无噪声自动编码器,以减少时间序列信号的维度,并增强对输入噪声的稳定性.
• 集成了一个多层感知器 (MLP) 算法,用于识别BDS信号中的非线性特征.

主要成果:

• 在真实的城市森林数据集上,CDAENet模型实现了超过95%的卫星检测准确度.
• 与现有的机器学习方法相比,其准确度大约提高了8%.
• 与目前基于深度学习的NLOS检测方法相比,显示了大约3%的精度提升.

结论:

• 拟议的CDAENet模型在复杂的城市环境中有效检测NLOS信号,显著提高了BDS定位精度.
• 无监督学习和无噪声自动编码器提高了模型的稳定性,并减少了对大型标记数据集的依赖.
• 通过减轻NLOS信号引起的定位错误,CDAENet为可靠的自动驾驶提供了一个有前途的解决方案.