本发明涉及星基增强系统定位，尤其涉及一种基于全连接神经网络的bdsbas/msas融合定位方法。
背景技术：
1、随着全球卫星导航系统(gnss)的不断发展和普及，卫星导航增强技术作为提高导航定位服务质量的重要手段逐渐受到广泛关注。为了满足航空等高生命安全用户对精度和完好性的需求，以gnss为增强对象的星基增强系统(sbas)应运而生。然而sbas增强服务受电离层格网分布与精度等的影响，单独sbas仅能在有限的范围内提供服务，其服务等级与覆盖区域受限。多sbas融合技术对于实现在sbas服务重叠区域各个sbas的无缝衔接融合具有重要意义，也是一个关键的技术挑战。
2、目前，多sbas融合算法主要集中在基于算术平均与加权平均的融合方法上，且相关研究较少。算术平均简单地将所有数值相加再除以数量，而加权平均则根据预设的权重进行加权求和，两者都假设变量之间是线性关系，缺乏灵活性和适应性。基于机器学习的模型近年来正在经历蓬勃发展，神经网络在定位领域展现出了巨大的潜力。相比传统的多sbas融合算法，基于神经网络的融合方法具有更强的泛化能力和适应性，能够从大量的数据中学习特征信息，从而提高定位的准确性和稳定性。本发明基于全连接神经网络模型构建bdsbas与msas融合定位体系，以及开发一种方案用于确定多sbas定位的提升效果，以满足用户的多元化需求，实现bdsbas与msas服务重叠区域sbas校正产生的导航性能挑战。
技术实现思路
1、针对现有技术的不足，本发明提供一种基于全连接神经网络的bdsbas/msas融合定位方法，实现bdsbas与msas定位效果提升，并引入贝叶斯正则化算法防止全连接神经网络模型过拟合，从而提高模型的泛化能力。
2、一种基于全连接神经网络的bdsbas/msas融合定位方法，包括以下步骤：
3、步骤1：通过解算bdsbas和msas增强电文中的延迟改正数信息，对原始测量伪距进行误差修正，计算得到经bdsbas和msas校正后的位置坐标(xbdsbas,ybdsbas,zbdsbas)和(xmsas,ymsas,zmsas)；
4、通过解算sbas增强报文中的延迟改正数信息，得观测伪距，即得到增强信息改正后的卫星的伪距值ρcorreected：
5、ρcorreected＝ρmeasured+prc(tof)+prc(tof)×(t-tof)+diono+dtropo+dresive+dmul
6、式中ρmeasured为接收机天线到卫星的几何距离，prc(tof)为卫星快变改正数，t为接收机的当前观测时刻，tof为卫星钟差改正数，diono、dtropo、dresive、dmul分别为电离层、对流层、接收机和多径延迟改正，t为接收机的当前观测时刻；
7、假设当前时刻有i颗可见星提供伪距观测量，经sbas校正后的位置坐标(x,y,z)由伪距定位原理求得:
8、
9、其中，(xi,yi,zi)为第i颗卫星的位置坐标，δtu为接收机钟差，ρcorrected,i为第i颗卫星的伪距值。
10、通过bdsbas和msas增强电文进行解算，计算得到经bdsbas和msas校正后的位置坐标(xbdsbas,ybdsbas,zbdsbas)和(xmsas,ymsas,zmsas)；其中对原始测量伪距测量参考点应选取bdsbas和msas服务重叠区域，用于限定在该参考点均能接收到bdsbas和msas增强电文进行位置坐标解算。
11、步骤2：使用获取的bdsbas和msas校正后的位置坐标(xbdsbas,ybdsbas,zbdsbas)、(xmsas,ymsas,zmsas)，通过构建基于贝叶斯正则化算法优化的全连接神经网络模型进行bdsbas和msas位置坐标融合，得到融合后的位置坐标(xfusion,yfusion,zfusion)；
12、步骤2.1：构建全连接神经网络模型；
13、所述全连接神经网络模型的层数为3层，分别为输入层、隐藏层和输出层；输入层为6个神经元，其神经元数量与输入数据的维度相匹配，隐藏层和输出层分别为3个神经元；
14、所述全连接神经网络模型中，对于每个神经元，其输入是前一层的所有神经元的输出。全连接神经网络神经元由输入部分x、权重w、偏置b、激活函数h(·)及输出部分a构成。
15、每个神经元的输出表示为：
16、
17、其中，为第l层中第j个神经元的输出；n(l-1)为第l-1层的神经元数量，l为总层数；为连接第l-1层第i个神经元到第l层第j个神经元的权重；是第l-1层中第i个神经元的输出；为第l层中第j个神经元的偏置；h(·)为激活函数。
18、全连接神经网络模型通过计算每个神经元的输出，从输入层一直传递到输出层，进行预测或分类任务。
19、步骤2.2：引入贝叶斯正则化算法，对全连接神经网络模型进行优化。
20、在贝叶斯正则化算法中，正则化项为权重的平方和，其公式为：
21、
22、其中，λ表示正则化参数；n(l)为第l层的神经元数量；是连接第l-1层第i个神经元到第j个神经元的权重。
23、结合贝叶斯正则化算法的损失函数表示为：
24、
25、其中，m是训练样本的数量，yi是第i个样本的真实值，是第i个样本的预测值。
26、在反向传播过程中，首先计算输出层的误差：
27、dz(l)＝a(l)-y
28、其中，a(l)是输出层的预测值，y是真实值；
29、接下来，基于输出层的误差，计算每层的权重和偏置的梯度；对于输出层，第l层的权重梯度dw(l)和偏置梯度db(l)的计算公式为：
30、
31、其中，m是训练样本的数量，a(l-1)是前一层的激活值，a(l-1)t是前一层的激活值的转置，w(l)为第l层的权重，b(l)为第l层的偏置。
32、然后，反向传播将误差传递到隐藏层；对于第l层，误差传播的公式为：
33、dz(l)＝(w(l+1))t·dz(l+1)·h′(z(l))
34、其中，(w(l+1))t是第l+1层的权重的转置，dz(l+1)是第l+1层的误差，h′(z(l))是第l层激活函数的导数。通过这个公式，误差从输出层逐层传递回去，影响前面层的梯度计算；
35、对于每一隐藏层，第l层的权重梯度dw(l)和偏置梯度db(l)的计算公式为：
36、
37、最后，使用梯度下降法进行参数更新；参数更新的公式为：
38、
39、其中，α是学习率，决定了每次更新的步长；w(l)和b(l)分别为第l层的权重和偏置；通过调整更新的权重和偏置代入传统全连接神经网络神经元输出公式，得每个神经元的输出为：
40、
41、其中，为经贝叶斯正则化训练后的第l层中第j个神经元的输出；为连接第l-1层第i个神经元到第l层第j个神经元经贝叶斯正则化训练的权重；是经贝叶斯正则化训练第l-1层中第i个神经元的输出；为经贝叶斯正则化训练第l层中第j个神经元的偏置；
42、步骤2.3：将bdsbas和msas校正后的位置坐标(xbdsbas,ybdsbas,zbdsbas)、(xmsas,ymsas,zmsas)，作为输入，通过全连接神经网络模型进行训练与测试，得到融合后的位置坐标(xfusion,yfusion,zfusion)；
43、在使用全连接神经网络模型进行融合时，设置学习率为0.01，迭代次数为1000，最大失败次数设为10次，将步骤1得到的校正后的位置坐标数据，取设定比例作为训练集，对全连接神经网络模型进行训练，获得基于全连接神经网络的bdsbas与msas融合定位模型；
44、得到训练好的基于全连接神经网络的bdsbas与msas融合定位模型后，输入除训练集剩下的bdsbas位置坐标数据(x′bdsbas,y′bdsbas,z′bdsbas)与msas位置坐标数据(x′msas,y′msas,z′msas)，即可得到融合后的位置数据(xfusion,yfusion,zfusion)。
45、步骤3：计算除训练集剩下的bdsbas位置坐标数据(x′bdsbas,y′bdsbas,z′bdsbas)、msas位置坐标数据(x′msas,y′msas,z′msas)，与融合后位置数据(xfusion,yfusion,zfusion)相对于真实位置(xtrue,ytrue,ztrue)的均方根误差，通过比较，判断融合定位效果的优劣并保存融合后位置数据；
46、步骤3.1：以均方根误差作为评判方法进行比较；设(x,y,z)为经bdsbas、msas修正或融合后得到的坐标数据，(xtrue,ytrue,ztrue)为经处理后得到的真实位置值；将(x,y,z)与(xtrue,ytrue,ztrue)作差得到差值(δx,δy,δz)：
47、
48、则(δx,δy,δz)参数的均方根误差值(rmsδx、rmsδy、rmsδz)计算如下：
49、
50、其中n为测量历元的数量；
51、总定位均方根误差rms为：
52、
53、步骤3.2：将bdsbas位置坐标数据、msas位置坐标数据与融合后位置数据代入总定位均方根误差rms计算公式中，通过比较，判断融合定位效果的优劣；
54、除训练集剩下的bdsbas位置坐标数据(x′bdsbas,y′bdsbas,z′bdsbas)、msas位置坐标数据(x′msas,y′msas,z′msas)与融合后位置数据(xfusion,yfusion,zfusion)分别代入总定位均方根误差rms计算公式中，得到rmsbdsbas、rmsmsas、rmsfusion；
55、若rmsfusion＜rmsbdsbas且rmsfusion＜rmsmsas，则说明要求经全连接神经网络融合后的定位效果优于bdsbas和msas，并保留经融合后位置坐标数据(xfusion,yfusion,zfusion)，否则继续返回步骤2.3对全连接神经网络模型进行训练。
56、采用上述技术方案所产生的有益效果在于：
57、本发明提供一种基于全连接神经网络的bdsbas/msas融合定位方法，旨在研究bdsbas与msas融合定位算法，解决单独sbas服务性能受限以及面向bdsbas与msas重叠区域之间缺乏无缝衔接的挑战问题。通过全连接神经网络模型的应用，本发明能够有效提高定位精度，克服各自系统单独使用时的局限性。
1.一种基于全连接神经网络的bdsbas/msas融合定位方法，其特征在于，包括以下步骤：
2.根据权利要求1所述的一种基于全连接神经网络的bdsbas/msas融合定位方法，其特征在于，所述步骤1具体为：通过解算sbas增强报文中的延迟改正数信息，得观测伪距，即得到增强信息改正后的卫星的伪距值ρcorreected：
3.根据权利要求1所述的一种基于全连接神经网络的bdsbas/msas融合定位方法，其特征在于，所述步骤2包括以下步骤：
4.根据权利要求1所述的一种基于全连接神经网络的bdsbas/msas融合定位方法，其特征在于，所述步骤3包括以下步骤：
