[发明专利]联合SVM和HMM的导航场景感知通用模型构建方法

说明书

本发明提出了联合SVM和HMM的导航场景感知通用模型构建方法，分别为基于结果层面融合的SVM‑HMM1构建方法以及基于概率层面融合的SVM‑HMM2构建方法。包括：联合SFFS特征选择与LDA特征降维算法建立导航场景感知特征指纹库；采用网格搜索发迭代训练SVM输出导航场景的分类结果与分类概率；引入HMM，实现对SVM识别结果进行平滑处理，提高场景识别的准确度，其中，采用SVM输出的分类结果与离散型HMM联合形成SVM‑HMM1模型，采用SVM输出的分类概率与连续型HMM联合形成SVM‑HMM2模型；针对构建完成的HMM模型，构建导航场景邻接矩阵，修正HMM不合理的状态转移参数，进一步提高模型的可靠性。本发明可实现快速、高精度导航场景感知，为多PNT传感器自适应配置，多场景无缝导航提供场景感知信息。

技术领域

本发明属于导航场景感知领域，是两种导航场景感知通用模型构建方法。

背景技术

高精度导航定位技术在军事国防、自然监测、精密测量、交通出行等方面均具有广泛应用，涉及城区、室内、丛林、水下等信号多样，变化复杂的导航场景。为实现自适应多场景的无缝导航定位，弹性化集成以GNSS为主，其他定位终端协同配合的多PNT融合框架，已成为导航领域所关注的焦点。现有多源融合框架存在场景适应性差、配置灵活度低、系统坚韧性弱等问题，构建导航场景感知通用模型，可提供实时导航场景信息，是实现多PNT传感器的自适应调整与智能化配置的重要基础。

在高级自适应集成导航技术研究中，导航场景感知模型主要从场景类型、连通性、特征提取等方面进行系统性构建，并利用GNSS、Wi-Fi、惯性传感器等环境传感器采集观测数据实现导航场景感知。在场景感知模型构建方法上主要有两类：(1)基于阈值或规则的判定方法，利用传感器观测值构造导航场景检验量，通过设定阈值或规则区分导航场景。在室内外行人环境感知与车辆载体行为感知的研究中，通过经验设定或自适应阈值，构造隐马尔科夫模型与模糊推理系统进行分类识别的方法已得到有效应用。(2)监督学习方法，采用带有真实标签的特征数据集训练分类模型，实现目标分类任务的有效预测。与方法(1)相比，该方法可根据实际需求定制分类目标，通过智能学习环境/行为特征的方式实现更高精度的导航场景感知。其中，随机森林、支持向量机(SVM)、Adaboost等监督分类器在室内/室外、城市遮挡/非遮挡的场景感知领域均有所应用。

目前的导航场景感知模型主要存在以下问题：

1)现有导航场景感知模型应用领域较为局限，面向单一导航场景，针对多导航场景及其子场景构建的通用感知模型较少；

2)现有导航场景感知模型多为二分类模型，分类任务较为简单，无法满足无缝导航定位的精细化需求；

3)监督学习方法具有较高的分类精确度，但难以考虑导航场景的切换概率与联通关系；HMM方法分类精确度较低，但可通过构造状态转移与发射概率实现场景间概率推演。因此，仅采用一种方法难以兼顾单历元识别的准确率与场景切换的可靠性。

针对以上问题，本发明给出了两种联合SVM和HMM的导航场景感知通用模型构建方法，通过SVM分类与HMM平滑的方式实现快速、高精度的导航场景感知。

发明内容

本发明提供了两种联合SVM和HMM的导航场景感知模型构建方法，分别为基于结果层面融合的SVM-HMM1模型构建方法与基于概率层面联合的SVM-HMM2模型构建方法。构建得到的模型具有分类场景精细，分类精确度高，场景切换模糊区域小的特点。如图1所示，为达到上述目的，本发明采用相同的流程实现了两种构建方法，技术方案如下所述：

步骤1，利用环境传感器的观测数据与真实参考标签提取特征指纹，将其与目标导航场景进行相关性分析，提取强相关特征指纹构成特征向量，并联合SFFS特征选择与LDA特征降维算法，进一步形成细分导航场景下的特征指纹库。