论文部分内容阅读
多径干扰是导航系统高精度定位的主要误差源之一,多径干扰具有出现时间上的不确定性和出现位置上的不相关性的特点,使其不能通过差分技术消除,成为了影响导航系统定位精度的主要障碍。针对该问题,本文重点研究了基于数据处理的多径误差抑制方法,该方法因其成本低、通用性好、普及性好逐渐成为目前软件接收机中广泛采用的一种多径误差抑制方法。基于数据处理的多径误差抑制方法的核心是参数估计。常用的多径估计方法是基于扩展卡尔曼滤波(Extended Kalman Filter,EKF)的多径估计方法和基于粒子滤波(Particle Filter,PF)的多径估计方法。但这两类方法存在如下缺点:(1)基于EKF的多径估计方法适用于高斯噪声,且需要对非线性系统进行线性化处理,不可避免地会产生线性化误差,同时该算法还对系统初值比较敏感;(2)基于PF的多径估计方法适用于非高斯噪声,但无法回避PF本身存在的粒子退化的问题,可能致使估计结果收敛于局部最优解,且估计结果波动较大;(3)在多路径情况下存在估计性能下降的问题;(4)目前尚未提出一种可以同时适用于高斯噪声和非高斯噪声的多径估计算法。针对问题(1)和(2)本文提出了基于差分进化(Differential Evolution,DE)改进粒子滤波的多径估计算法,即DEPF算法。该算法采用DE算法代替原本的重采样过程,以克服标准重采样带来的粒子枯竭问题。仿真表明DEPF算法在非高斯噪声下相比PF、EKF均具有更好的估计精度。针对问题(2)和(3)本文提出了一种基于改进智能优化算法的多径估计算法,即εRDE(εConstrained Rank-based Differential Evolution)算法。该算法将估计误差的二阶距作为εRDE算法的目标函数,将瞬时误差和多径参数的先验信息作为εRDE算法的约束条件,以实现将多径估计问题转化为约束的优化问题。仿真表明εRDE算法具有较好的稳态性能,同时解决了单一多径和两路多径下的多径估计问题。针对问题(4)本文提出了最小误差熵(Minimum Error Entropy,MEE)标准下基于ε等级约束差分进化的多径估计算法。该算法采用MEE标准作为目标函数,估计误差平方的统计信息与多径参数的先验信息同时作为该算法中的约束条件,以保证估计结果具有最小随机性的同时收敛到真值。仿真表明基于MEE的εRDE可同时适用于高斯和非高斯噪声。本文的研究内容来自国家自然科学基金(No.61603267,No.61503271)以及山西省自然科学基金(No.20140210022-7),研究结果为基于数据处理的多径估计方法提供了一种新的研究思路,对抑制多径误差、提高导航系统的定位精度具有重要的理论和实际意义。