ＮＬＯＳ信号检测-学习笔记

［Region Adaptive Neural Network for GNSS Positioning in Diverse Urban Areas］

在没有辅助设备的前提下，使用NN来对信号进行分类：

【A New Method for Non-line-of-sight GNSS Signal Detection for Positioning Accuracy Improvement in Urban Environments】

思想： 使用MLSTM-FCN（长短交替神经网络和全神经网络相结合） 该方法利用卷积层和长期短期内存块，处理时间域和值域的数据特征。

已有研究：

• 以接收器自主完整性监测 （RAIM） 形式进行一致性检查是 NLOS信号检测[15]
  的另一种广泛使用的方法，但只有当收到的大部分信号是LOS 信号时，它才有效，在城市环境中，周围有许多反射器和障碍物无法保证这些信号。

• 机器学习方法，包括决策树，支持矢量机（SVM）已经探索分类LOS和NLOS与良好的accuracy。然而，目前所有基于机器学习的方法只在一个时代内利用信息，失去了时间系列中的所有跨时段信息和数据特征，复杂城市环境中的信号传播信息在Rinex水平观测和NMEA水平观测中充分体现在一个时段。

• 深度学习方法，使用深层的汇周神经网络对室内LOS/NLOS信号和多路径信号进行分类。他们以接收器相关值、载波频率、载波相误差、代码频率和代码相误差为输入功能，与SVM分类器相比，总体精度提高了20%-50%。

输入：
GNSS信号的六个时间系列特征，包括C/N0、时差模糊性、双差相、伪音程、相和伪相一致性。
结构：

如果可用卫星的数量低于4颗，这个时段将被标记为一个无效的时段。