[发明专利]一种基于数据预处理的特种车定位校正方法

说明书

本发明提供了一种基于数据预处理的特种车定位校正方法，包括：获取GPS源信号，对GPS源信号进行小波多尺度分解，得到相应的小波分解系数，使用软阈值法对小波分解去噪后，重构小波分解系数得到初步去噪后的信号值；基于去噪后的信号值，将噪声统计值估计和误差估计输入到自适应卡尔曼滤波系统中，通过改进的自适应卡尔曼滤波算法，进行滤波处理得到状态估计值，判断所述状态估计值是否为最优解，若是，则输出校正后数据，若否，则将预测值再次进行迭代，直到得到最优解为止。本发明通过使用小波分析方法和卡尔曼滤波结合的方式对GPS源数据进行处理，从根源上消除噪声数据的影响，提高了定位的精准程度。

技术领域

本发明涉及特种车定位技术领域，具体涉及一种基于数据预处理的特种车定位校正方法。

背景技术

随着物联网技术的快速发展，智能交通渐渐走上城市舞台，特种车作为执行特殊任务的重要公路运输载体，其安全指挥调度的问题更是受到了广泛关注。为了实现特种车辆的实时监控和定位跟踪，搭载各种传感器和GPS的车载终端已经成为了特种车的标配，特种车的智能监控系统更是大大提高了特种车调度的安全性。然而特种车监控系统最重要的定位导航技术仍然是单纯的GPS定位，并不能很好的满足特种车辆精确定位和实时追踪的要求。

现有技术中相关解决方案如下：

(1)基于模糊逻辑的定位数据校正算法

地图匹配是一种基于软件技术的定位修正方法，其基本思想是引入相应的匹配算法，对导航定位所测得的车辆位置与数字地图中的道路网信息进行实时数字匹配和自动修正，并由此确定车辆相对于地图的位置。由于地图匹配涉及模糊度的定性决策过程，利用模糊逻辑的方法可以解决这一问题。匹配路段可以通过评判路段方向与车辆行驶方向的一致性，路段形状与车辆行驶轨迹的相似程度来确定具体位置。

(2)基于粒子滤波的GPS定位数据处理算法

粒子滤波(Particle Filter)算法作为一种非线性滤波方法，通过寻找一组在状态空间中传播的随机样本来近似的表示概率密度函数，用样本均值代替积分运算，进而获得系统状态的最小方差估计的过程，可以用在任何形式的状态空间模型上。其核心思想是通过从后验概率中抽取的随机状态粒子来表达其分布，是一种顺序重要性采样法。随着采样粒子数的增大，逐渐趋向状态的后验概率密度，在解决非线性非高斯问题时得到广泛应用。将粒子滤波算法应用到GPS定位数据处理问题中，能有效去除噪声数据对于定位结果的影响，作为辅助方案可以提供较为精确的导航定位数据。

(3)基于BP(Back Propagation)神经网络的DR位置误差预测模型

BP神经网络是一种按误差逆传播算法训练的多层前馈网络，是应用最广泛的神经网络模型之一。BP网络能学习和存贮大量的输入-输出模式映射关系，而无需事前揭示描述这种映射关系的数学方程。它的学习规则是使用最速下降法，通过反向传播来不断调整网络的权值和阈值，使网络的误差平方和最小。为了提高所用网络的泛化能力，采用贝叶斯正则化规则训练网络，最终建立DR(航位推算)位置误差预测模型，在GPS失效时利用已建立的预测模型预测DR位置误差修复位置数据，实现车辆行驶在复杂路径下的实时精确导航定位。

基于模糊逻辑的定位数据校正算法的基础时地图匹配算法，应用该算法必须具备两个前提条件，一是含有精确道路位置坐标和方向信息的高精度电子地图；二是车辆正在道路上行驶。当这两个条件满足时，就可以把车辆定位系统获得的位置和方向信息同电子地图提供的道路位置和方向信息相比较，按照算法确定车辆所在实际位置，修正位置信息。高精度地图只是一个静态的数据，在实际使用时，不可能一开始就将全国的地图导入到系统中，这样不仅费时，而且会占用系统很多资源，特种车其特殊性也不能保证其工作环境的稳定性，因此通过地图匹配算法确定车辆具体位置的方法也从一定程度上限制了其使用范围，不适用与特种车的定位修正。