Finding the optimal feature vector for detecting the environmental соnтtext from global navigation satellite systems datа

А. I. Bolkunov; Болкунов А. И.; V. V. Kulnev; Кульнев В. В.; Е. V. Kulnev; Кульнев Е. В.; E. O. Nakonechnyi; Наконечный Е. О.; V. I. Yaremchuk; Яремчук В. И.

doi:10.31857/S0002338824040118

Нахождение оптимального вектора признаков для определения контекста окружающей среды по данным глобальных навигационных спутниковых систем

Авторы: Болкунов А.И.¹, Кульнев В.В.¹, Кульнев Е.В.¹, Наконечный Е.О.¹, Яремчук В.И.¹
Учреждения:
1. АО «ЦНИИмаш»
Выпуск: № 4 (2024)
Страницы: 154-166
Раздел: НАВИГАЦИОННЫЕ СИСТЕМЫ
URL: https://journals.eco-vector.com/0002-3388/article/view/676407
DOI: https://doi.org/10.31857/S0002338824040118
EDN: https://elibrary.ru/UDUYPP
ID: 676407

Цитировать

Полный текст

Открытый доступ
Доступ закрыт

Доступ предоставлен
Доступ закрыт

Только для подписчиков

Аннотация
Полный текст
Об авторах
Список литературы
Дополнительные файлы
Статистика

Аннотация

В глобальных навигационных спутниковых системах показатели качества позиционирования зависят как от условий окружающей среды, так и от поведения потребителя. Окружающая среда влияет на качество приема радиосигналов, которые доступны для позиционирования. Для работы в различных условиях окружающей среды требуется адаптивное навигационное решение, которое будет определять тип окружающей среды и применять различные методы для навигационного решения. Рассматриваются признаки, формируемые по данным принимаемых навигационных сигналов, которые могут быть использованы для определения типа окружающей среды. Настоящая статья посвящена нахождению оптимального вектора признаков для определения типа окружающей среды по информации от глобальных навигационных спутниковых систем. Собраны экспериментальные навигационные данные для различных типов окружающей среды. Рассмотрены критерии и методы определения оптимального вектора признаков с помощью алгоритмов из математической статистики. Предложен оптимальный вектор признаков, который вносит наибольший вклад в определение различных типов окружающей среды.

Ключевые слова

ГНСС, навигационные сигналы, контекст окружающей среды, вектор признаков

Полный текст

Список литературы

Перов А.И. ГЛОНАСС. Модернизация и перспективы развития. Монография. М.: Радиотехника, 2020.
Кульнев В.В., Кульнев Е.В., Наконечный Е.О. Методы определения контекста по данным навигационной аппаратуры глобальных навигационных спутниковых систем // Космонавтика и ракетостроение. 2023. № 4. С. 43–53.
Groves P.D, Martin H., Voutsis K., Walter D., Wang L. Context Detection, Categorization and Connectivity for Advanced Adaptive Integrated Navigation. London UK: University College London, 2013.
Gao H., Groves P.D. Environmental Context Detection for Adaptive Navigation using GNSS Measurements from a Smartphone. London UK: University College London, 2018.
Wang Y., Liu P., Liu Q., Adeel M., Qian J., Jin X., Ying R. Urban Environment Recognition Based on the GNSS Signal Characteristics // Wiley ION. 2018. V. 66.
Liu H., Zhang M., Pei L., Wang W., L. Li, Pan C., Li Z. Environment Classification for Global Navigation Satellite Systems Using Attention // Shanghai Key Laboratory of Navigation and Location Based Services. Shanghai: Shanghai Jiao Tong University, 2021. February.
Feriol F., Watanabe Y., Vivet D. GNSS-based Environmental Context Detection for Navigation // IEEE Intelligent Vehicles Symposium (IV). Aachen. Germany, 2022. Jun.
U-blox M8 Receiver description. UBX-13003221. 2022. August.
Digital Cellular Telecommunications System (Phase 2+) (GSM) Location Services (LCS) Mobile Station (MS). Serving Mobile Location Centre (SMLC) Radio Resource LCS Protocol (RRLP) (3GPP TS 44.031 Version 17.0.0 Release 17). ETSI TS 144 031 V17.0.0. 2022.
BS ISO 5725-1. Accuracy (Trueness and Precision) of Measurement Methods and Results – Part 1: General Principles and Definitions. Geneva, 1994. P.1.
Cramer J.S. The Origins of Logistic Regression (PDF) // Tinbergen Institute. 2002. V. 119. P. 167–178.
Pearson K. Notes on Regression and Inheritance in the Case of Two parents. London: Proceedings of the Royal Society of London, 1895. June.
Székely G.J., Rizzo M.L., Bakirov N.K. Measuring and Testing Dependence by Correlation of Distances // The Annals of Statistics. 2007. V. 35. № 6. P. 2769–2794.
Никулин М.С. Критерий хи-квадрат для непрерывных распределений с параметрами сдвига и масштаба // Теория вероятностей и еe применение. 1973. Т. XVIII. Вып. 3.
Box G.E.P. Non-Normality and Tests on Variances // Biometrika. 1953. V. 40. P. 318–335.
Kraskov A., Stogbauer H., Grassberger P. Estimating Mutual Information // Physical Review E. 2004. V. 69.
Friedman J. Greedy Function Approximation: A Gradient Boosting // The Annals of Statistics. 2001. V. 29.
Hastie T., Tibshirani R., Friedman J. Chapter 15. Random Forests // The Elements of Statistical Learning. 2nd ed. Springer-Verlag, 2009.
Boyd S., Vandenberghe L. Convex Optimization. London UK: Cambridge University Press, 2004. 716 p.
Tipping M.E., Bishop C.M. Probabilistic Principal Component Analysis // J. Royal Statistical Society: Series B (Statistical Methodology). 1999. V. 61(3). P. 611–622.