[发明专利]基于深度学习LSTM的GNSS多系统多路径误差实时削弱方法

权利要求书

1.一种基于深度学习LSTM的GNSS多系统多路径误差实时削弱方法，其特征在于：

基于深度学习LSTM的GNSS多系统多路径误差实时削弱方法，针对GNSS实时高精度定位中的多路径误差难以解决的问题，从深度学习这一全新的角度，解决GNSS高精度定位中的多路径误差；

一种基于深度学习LSTM的GNSS多系统多路径误差实时削弱方法，步骤为：

步骤1，将GNSS多系统组合短基线相对定位观测数据进行单历元解算，得到包含有多路径误差的坐标序列；

步骤2，搭建深度学习LSTM网络；

步骤3，将步骤(1)中的原始坐标序列进行中值滤波，得到作为训练样本的多路径误差，输入步骤(2)中搭建的LSTM网络进行训练，训练成功后保存网络；

步骤4，将之后观测得到的原始坐标序列输入步骤(3)保存的网络中即可挖掘序列中多路径误差，利用挖掘的得到的多路径误差对坐标序列进行实时改正。

2.根据权利要求1所述的基于深度学习LSTM的GNSS多系统多路径误差实时削弱方法，其特征在于，在步骤1中，无需知道任何关于测站的先验信息，只需要解得测站点三维动态坐标序列即可。

3.根据权利要求1所述的基于深度学习LSTM的GNSS多系统多路径误差实时削弱方法，其特征在于，在步骤2中，LSTM是一种改进之后的循环神经网络RNN(Recurrent NeuralNetwork)，传统RNN网络的梯度后向传播阶段，梯度信号最后会与RNN隐含层中的相关权重相乘多次，相乘次数与步长一致，这样意味着，相关权重大小会对网络学习训练过程产生巨大影响,如果权重过小或者权重矩阵的特征向量小于1.0，就会导致“梯度消失”，梯度变得越来越小使得网络的学习过程缓慢，甚至完全停止,对于“长距离依赖”问题，由于梯度消失，使得RNN的学习变得相当困难,如果权重过大，会导致梯度爆炸，无法收敛；

LSTM的特殊结构能够有效避免这些问题,该模型经过演化，目前最常见的两种变种：一是加入了“窥探孔连接”机制，二是CRU(Gated Recurrent Unit),LSTM神经网络就是将RNN网络中的隐含层节点替换为LSTM单元后形成的网络；

一个LSTM单元是由一个cell和输入input、输出output和遗忘门forget共三个门组成，核心是Cell的状态，它通过“门”来控制流入到Cell信息，Sigmoid层输出为1代表信息全部通过，输出为0表示内容被完全阻隔,正是通过这种特殊结构，LSTM才能选择哪些信息被遗忘，哪些信息被记住,某时刻t，Cell的状态通过以下公式进行更新：

i_t＝σ(W_ih_t-1+U_iα_t+b_i) (1)

f_t＝σ(W_fh_t-1+U_fα_t+b_f) (2)

o_t＝σ(W_oh_t-1+U_oα_t+b₀) (5)

h_t＝o_t*tanh(c_t) (6)

其中，σ表示sigmoid激活函数，*表示元素乘，α_t为t时刻的输入向量，h_t代表隐藏状态，U_i、U_f、U_c、U_o分别为x_t不同门的权值矩阵，而W_i、W_f、W_c、W_o为h_t不同门的权值矩阵，b_i、b_f、b_c、b_o则为各门的偏置，i_t、f_t、c_t、o_t分别代表了输入门、遗忘门、记忆单元状态和输出门。