技术特征：
1.一种基于集成学习的非视距信号检测方法，其特征在于，包括：获取卫星样本数据集，所述卫星样本数据集包括至少一个目标卫星在不同接收机位置以及不同接收时刻下的原始观测数据；基于所述卫星样本数据集中的特征提取，训练得到初级分类模型以及次级分类模型；将获取到的待检测卫星数据分别输入至所述初级分类模型以及所述次级分类模型，得到对应的初级矢量值以及次级矢量值；基于所述初级矢量值以及次级矢量值，确定所述待检测卫星数据是否为非视距信号。2.如权利要求1所述的方法，其特征在于，所述卫星样本数据集包括以下数据：获取时间、卫星编号、观测伪距、信噪比以及所述目标卫星在地心地固坐标系下的三维坐标位置。3.如权利要求2所述的方法，其特征在于，在所述获取卫星样本数据集之后，还包括：利用接收机真实位置和每个目标卫星的三维坐标位置，计算卫星样本数据集中，每个目标卫星在地心地固坐标系下的视距矢量数据；根据所述目标卫星的视距矢量数据，对每个卫星样本数据进行标注，所述标注对应于视距信号或非视距信号。4.如权利要求3所述的方法，其特征在于，在所述获取卫星样本数据集之后，还包括：利用最小二乘迭代算法，计算得到每个所述卫星样本数据对应的接收机位置；利用所述接收机位置、所述三维坐标位置以及所述观测伪距，计算每个卫星样本数据的俯仰角度，伪距残差值以及伪距变化率；利用归一化算法，对所述卫星样本数据集中的每个提取特征进行归一化处理，得到每个所述提取特征的归一化特征，所述提取特征包括卫星样本数据中包括的所述俯仰角度，伪距残差值、伪距变化率、观测伪距、信噪比以及三维坐标位置。5.如权利要求4所述的方法，其特征在于，在所述得到每个所述提取特征的归一化特征之后，还包括：利用每个所述提取特征的归一化特征以及每个卫星样本数据对应的标注结果，对多个初始的单一分类模型进行训练，得到多个所述初级分类模型；获取每个所述初级分类模型对所述卫星样本数据生成的多个输出结果，并将所述多个输出结果进行拼接，得到合并特征矢量数据。6.如权利要求5所述的方法，其特征在于，在所述得到合并特征矢量数据之后，还包括：利用每个所述卫星样本数据对应的标注结果以及所述合并特征矢量数据，对初始的逻辑回归模型进行训练，得到所述次级分类模型。7.如权利要求1所述的方法，其特征在于，所述基于所述初级矢量值以及次级矢量值，确定所述待检测卫星数据是否为非视距信号，包括：将所述初级矢量值以及次级矢量值作为所述待检测卫星数据的二分类矢量数据，其中所述初级矢量值与所述次级矢量值的和值为1；当检测到所述初级矢量值大于0.5时，确定所述待检测卫星数据为非视距信号。8.一种基于集成学习的非视距信号检测装置，其特征在于，包括：获取模块，被配置为获取卫星样本数据集，所述卫星样本数据集包括至少一个目标卫星在不同接收机位置以及不同接收时刻下的原始观测数据；
训练模块，被配置为基于所述卫星样本数据集中的特征提取，训练得到初级分类模型以及次级分类模型；输入模块，被配置为将获取到的待检测卫星数据分别输入至所述初级分类模型以及所述次级分类模型，得到对应的初级矢量值以及次级矢量值；确定模块，被配置为基于所述初级矢量值以及次级矢量值，确定所述待检测卫星数据是否为非视距信号。9.一种电子设备，其特征在于，包括：存储模型，用于存储可执行指令；以及，处理模型，用于与所述存储模型显示以执行所述可执行指令从而完成权利要求1
‑
7中任一所述基于集成学习的非视距信号检测方法的操作。10.一种计算机可读存储介质，用于存储计算机可读取的指令，其特征在于，所述指令被执行时执行权利要求1
‑
7中任一所述基于集成学习的非视距信号检测方法的操作。
技术总结
本申请公开了一种基于集成学习的非视距信号检测方法和装置。通过应用本申请的技术方案，可以利用卫星样本数据训练得到初级分类模型以及次级分类模型。以使后续利用该多个分类模型，在实际场景中检测卫星数据的非视距信号。从而实现将多个单一分类模型进行集成，也可以克服利用单一分类模型进行检测所导致的性能不足或容易过拟合的问题，从而提高GNSS非视距信号的检测性能。视距信号的检测性能。视距信号的检测性能。
技术研发人员：孙源 邓中亮
受保护的技术使用者：北京邮电大学
技术研发日：2021.06.22
技术公布日：2021/11/8