基于贝叶斯决策的故障识别方法及装置制造方法
【专利摘要】本发明提供一种基于贝叶斯决策的故障识别方法及装置。本发明基于贝叶斯决策的故障识别方法，包括：检测到卫星发生故障时，提取伪距残差矢量；根据卫星本地观测矩阵将所述伪距残差矢量变换到奇偶空间中得到奇偶矢量，并获取奇偶矢量的概率密度函数；根据故障偏差大小的概率密度函数以及奇偶矢量的概率密度函数，计算不同故障模式下的类条件概率密度函数；根据不同故障模式下的类条件概率密度函数采用贝叶斯分类器进行故障识别；将识别出的故障卫星剔除，获得剔除后的卫星本地观测矩阵，根据卫星本地观测矩阵获取用户的位置的定位结果。本发明实现了根据贝叶斯决策理论，将不同观测的杠杆作用考虑在内进行故障识别，提高了故障的识别率。
【专利说明】基于贝叶斯决策的故障识别方法及装置
【技术领域】
[0001] 本发明涉及卫星导航【技术领域】，尤其涉及一种基于贝叶斯决策的故障识别方法及 装直。
【背景技术】
[0002] 为保证飞行安全，民用航空要求卫星导航系统满足完好性指标。完好性是在导航 卫星出现故障时，即导航误差超过安全运行所允许的上限时，系统及时向用户提供告警的 能力。接收机自主完好性监测方法（Receiver Autonomous Integrity Monitoring,简称 RAM)通过对接收机观测到的多个卫星的伪距进行一致性校验，能够快速且自主的检测和 识别由卫星硬件、信号传播和接收机引起的故障，可满足民用航空从航路到非精密进近的 完好性要求，已经成为航空导航接收机的必备功能。
[0003] 现有的RAM故障识别方法均基于伪距误差的极大似然估计，而没有考虑不同卫 星观测的伪距误差对定位误差的影响。实际中，不同卫星的观测对定位结果的影响是不同 的，这种影响在回归理论中称为"杠杆"。高杠杆观测比低杠杆观测量对位置估计具有更大 的影响，因此高杠杆观测卫星故障时将产生更大的定位误差。因此现有的RAM故障识别方 法在高杠杆卫星观测故障时识别率会降低。
【发明内容】
[0004] 本发明提供一种基于贝叶斯决策的故障识别方法及装置，以克服现有技术中RAIM 故障识别方法在高杠杆卫星观测故障时识别率会降低的问题。
[0005] 第一方面，本发明提供一种基于贝叶斯决策的故障识别方法，包括：
[0006] 检测到卫星发生故障时，提取伪距残差矢量；
[0007] 根据卫星本地观测矩阵将所述伪距残差矢量变换到奇偶空间中得到奇偶矢量，并 获取所述奇偶矢量的概率密度函数；
[0008] 根据故障偏差大小的概率密度函数以及所述奇偶矢量的概率密度函数，计算不同 故障模式下的类条件概率密度函数；
[0009] 根据所述不同故障模式下的类条件概率密度函数采用贝叶斯分类器进行故障识 别；
[0010] 将识别出的故障卫星剔除，获得剔除后的卫星本地观测矩阵，根据所述卫星本地 观测矩阵获取用户的位置的定位结果。
[0011] 可选地，所述根据卫星本地观测矩阵将所述伪距残差矢量变换到奇偶空间中得到 奇偶矢量之前，包括：
[0012] 对所述卫星本地观测矩阵Η进行QR矩阵分解；分解后的所述卫星本地观测矩阵
【权利要求】
1. 一种基于贝叶斯决策的故障识别方法，其特征在于，包括： 检测到卫星发生故障时，提取伪距残差矢量； 根据卫星本地观测矩阵将所述伪距残差矢量变换到奇偶空间中得到奇偶矢量，并获取 所述奇偶矢量的概率密度函数； 根据故障偏差大小的概率密度函数以及所述奇偶矢量的概率密度函数，计算不同故障 模式下的类条件概率密度函数； 根据所述不同故障模式下的类条件概率密度函数采用贝叶斯分类器进行故障识别； 将识别出的故障卫星剔除，获得剔除后的卫星本地观测矩阵，根据所述卫星本地观测 矩阵获取用户的位置的定位结果。
2. 根据权利要求1所述的方法，其特征在于，所述根据卫星本地观测矩阵将所述伪距 残差矢量变换到奇偶空间中得到奇偶矢量之前，包括： 对所述卫星本地观测矩阵H进行QR矩阵分解；分解后的所述卫星本地观测矩阵
;其中U1为nX4维分解矩阵；U2为nX(n-4)维分解矩 阵；R为4X4维分解矩阵；O为（n-4)X4维零矩阵；n为可观测卫星数； 相应的，所述根据卫星本地观测矩阵将所述伪距残差矢量变换到奇偶空间中得到奇偶 矢量，并获取所述奇偶矢量的概率密度函数，包括： 利用分解矩阵U2，计算n-4维奇偶矢量
I其中，w为nX1维伪距残差矢量； 奇偶矢量的协方差为Cov(P)= 〇2In_4，奇偶矢量的期望值为
；,其中， 〇为观测矢量与观测噪声的标准差，Im为n-4维单位矩阵，h为第i颗卫星的故障偏差 大小，1为故障发生的模式矢量，表示故障发生在第i颗卫星上（i= 1，2，...n)，记为，
奇偶矢量P服从联合高斯分布，概率密度函数为
3. 根据权利要求2所述的方法，其特征在于，所述根据故障偏差大小的概率密度函数 以及所述奇偶矢量的概率密度函数，计算不同故障模式下的类条件概率密度函数，包括： 所述故障偏差大小h在故障模式,下的概率密度函数为M是故障的 最大变化范围；
根据公式P(pID=/ (IbiPODiIDp(pIUi)计算不同故障模式下的类条件概率 密度函数
对所述类条件概率密度函数进行化简得到最终的类条件概率密度函数为：
其中，Wi为伪距残差矢量W的第i个分量，Sii为矩阵S的第i个对角元素，S=In-H(H1H)-1HT,In为n维单位矩阵，
K为常数，z为观测噪声。
4. 根据权利要求3所述的方法，其特征在于，所述根据所述不同故障模式下的类条件 概率密度函数采用贝叶斯分类器进行故障识别，包括： 计算对数类条件概率密度函数
其中，
为常数； 将使
最大值的卫星识别为故障卫星。
5. 根据权利要求4所述的方法，其特征在于，所述将识别出的故障卫星剔除，获得剔除 后的观测矩阵，根据所述观测矩阵获取最终的定位结果，包括： 将识别出的第i颗故障卫星从卫星本地观测矩阵H中剔除，获得剔除后的卫星本地观 测矩阵S，H的表达式为：
其中，hg为H矩阵的第i-1行；i为识别出的故障卫星序号； 根据所述H对用户的位置进行最小二乘估计，获取对所述用户的位置的定位结果：
其中，量为用户的位置的定位结果的4维坐标，i为n-1颗剩余卫星的 卫星观测矢量。
6. -种基于贝叶斯决策的故障识别装置，其特征在于，包括： 获取模块，用于检测到卫星发生故障时，提取伪距残差矢量； 所述获取模块，还用于根据卫星本地观测矩阵将所述伪距残差矢量变换到奇偶空间中 得到奇偶矢量，并获取所述奇偶矢量的概率密度函数； 计算模块，用于根据故障偏差大小的概率密度函数以及所述奇偶矢量的概率密度函 数，计算不同故障模式下的类条件概率密度函数； 识别模块，用于根据所述不同故障模式下的类条件概率密度函数采用贝叶斯分类器进 行故障识别； 定位模块，用于将识别出的故障卫星剔除，获得剔除后的卫星本地观测矩阵，根据所述 卫星本地观测矩阵获取用户的位置的定位结果。
7. 根据权利要求6所述的装置，其特征在于，所述获取模块，具体用于： 对所述卫星本地观测矩阵H进行QR矩阵分解；分解后的所述卫星本地观测矩阵
其中U1为nX4维分解矩阵；U2为nX(n-4)维分解矩 阵；R为4X4维分解矩阵；O为（n-4)X4维零矩阵；n为可观测卫星数； 利用分解矩阵U2，计算n-4维奇偶矢量
；其中，w为nX1维伪距残差矢量； 奇偶矢量的协方差为Cov(P)= 〇2In_4，奇偶矢量的期望值为，
其中， 〇为观测矢量与观测噪声的标准差，Im为n-4维单位矩阵，h为第i颗卫星的故障偏差 大小，1为故障发生的模式矢量，表示故障发生在第i颗卫星上（i= 1，2，...n)，记为，
奇偶矢量P服从联合高斯分布，概率密度函数为
8. 根据权利要求7所述的装置，其特征在于，所述计算模块，具体用于： 所述故障偏差大小h在故障模式,下的概率密度函数为
>M是故障的 最大变化范围； 根据公式P(pID=/ (IbiPODiIDp(pIUi)计算不同故障模式下的类条件概率 密度函数i
对所述类条件概率密度函数进行化简得到最终的类条件概率密度函数为：
其中，&为伪距残差矢量w的第i个分量，Sii为矩阵s的第i个对角元素，s=In-H(H1H)-1HT,In为n维单位矩阵，
K为常数，z为观测噪声。
9. 根据权利要求8所述的装置，其特征在于，所述识别模块，具体用于： 计算对数类条件概率密度函数
其中，
为常数； 将使-
最大值的卫星识别为故障卫星。
10.根据权利要求9所述的装置，其特征在于，所述定位模块，具体用于： 将识别出的第i颗故障卫星从卫星本地观测矩阵H中剔除，获得剔除后的卫星本地观 测矩阵H，H的表达式为：
其中，hg为H矩阵的第i-1行；i为识别出的故障卫星序号； 根据所述S对用户的位置进行最小二乘估计，获取对所述用户的位置的定位结果：
其中，I：为用户的位置的定位结果的4维坐标，f为n-1颗剩余卫星的 卫星观测矢量。
【文档编号】G01S19/23GK104267415SQ201410490171
【公开日】2015年1月7日 申请日期:2014年9月23日 优先权日:2014年9月23日
【发明者】张军, 朱衍波, 孙源, 薛瑞 申请人:北京航空航天大学