m基于VDLL的矢量型GPS信号跟踪算法matlab仿真

简介: m基于VDLL的矢量型GPS信号跟踪算法matlab仿真

1.算法概述

  载波跟踪环是传统独立式GPS接收机最脆弱的环节,针对弱信号环境下其比伪码跟踪环路更容易失锁的问题,给出一种基于矢量频率锁定环(vector-frequency lock loop,VFLL)的载波跟踪方法。给出VFLL理论推导及实现过程,并以最小二乘估计方法证明VFLL在载波跟踪性能上优于频率锁定环(frequency lock loop,FLL)。静止场景时9颗卫星实验结果显示,本文给出的方法能够实现14 dB/Hz微弱GPS信号的载波跟踪。 矢量型GPS信号跟踪算法(矢量延迟锁定环VDLL)

1.png

而在VDLL中,仅仅在DLL中对码跟踪进行改进,使其通过中心滤波器,而载波跟踪和传统的算法相同。所以,下面将重点对延迟锁定环进行改进,也就是你的课题的VDLL延迟锁定环。而VDFLL则是对码和载波分别进行改进。其基本结构如下所示:

2.png

   即使用卡尔曼替代PLL,使用EKF替代DLL。这个是VDFLL,而VDLL则使用扩展卡尔曼滤波替代原DLL即可。



   提出的VDLL(vector delay lock loop)方法直接估计用户位置信息,由于用户物理动态有限,与传统的独立通道码环相比,跟踪的维度和带宽都更小,所以该方法具有更强的鲁棒性.阐述了VDLL与传统独立通道码跟踪环的本质区别,建立了VDLL的非线性系统模型,推导了系统观测量与传输延迟估计误差的具体线性化关系,确立了观测误差方差矩阵的计算公式;然后对非线性系统模型进行线性化,给出了多卫星联合跟踪下用户位置更新的EKF(extended Kalman filte-ring)滤波算法.




2.仿真效果预览

matlab2022a仿真结果如下:

3.png
4.png
5.png
6.png
7.png
8.png
9.png

3.MATLAB部分代码预览

%参数初始化 
time      = 1000*(10^(-3));     % 数据发送时间
time_unit = 20*(10^(-3));      % 数据跳变时间单位
time_cyc  = 1*(10^(-3));       % 一个完整扩频码周期
fs        = 5*(10^6);
nn        = time_cyc*fs;
kk        = (time/time_cyc)*nn;% 数据总采样点
F_if      = 1.25*(10^6);       % 载波中频
F_Carrier = 1575.42*(10^6);    % L1波段载波频率
CA_freq   = 1.023*(10^6);      % CA码速率
 
%%
%%
%生成C/A码
PN = func_CAcodegen(svnum);
CA = [];
k  = 5;
for n = 1:length(PN)
    CA((1+k*(n-1)):k*n) = PN(n)*ones(1,k);%CA码扩展
end
tc                      = 1/(k*CA_freq); 
loop_time               = time/time_cyc;
 
%%
%%
%模拟产生测试信号源
[Signal_Source,Phase_signal,buffer_bit_data]=func_CreateSource(iniphcode,inifd,iniph,snr); 
 
%%
%%
%在模拟之前,首先需要进行捕获
[fd_ac,f_ac_code,Corr_value] = func_acquire(Signal_Source);
figure
mesh(Corr_value);title('捕获结果');
 
%信号中断起始时间
break_start = 400;
break_end   = 800;
 
 
P0            = [0 0
                 0 1];
P             = [P0 zeros(2,2*(loop_time-1))];
T             = 0.1;
LL            = loop_time;
Y0            = [0;1];
data_out(:,1) = Y0;           %Y的第一列等于Y0
A             = [1 T
                 0 1];   
B             = [1/2*(T)^2 T]';
H             = [1 0];
Q             = (0.25)^2; 
R             = (0.25)^2; 
X             = zeros(1,loop_time);
    
      
%%
%%
%跟踪参数设置
tracking_parameter();
%进行跟踪
for i = 1:1:loop_time   
    
    i
 
    %开始循环,每次循环去除一段数据
    %开始循环,每次循环去除一段数据
    %模拟信号突然中断
    if i > break_start & i < break_end
    Signal = 0.0001*rand(1,nn);%中断的时候,该段数据为随机的噪声干扰
    else
    Signal = Signal_Source((i-1)*nn+1:i*nn);
    end
    
    %产生本地载波
    t                 = [0:nn-1]*ts;
    track_dopplar     = fd_ac + track_freq_pll;
    Track_Freq_Buffer = [Track_Freq_Buffer track_dopplar];
    track_dopplar2    = [track_dopplar2   track_freq_pll];
     
    Local_I           = cos(2*pi*(F_if+track_dopplar)*t + Last_Phase);
    Local_Q           = sin(2*pi*(F_if+track_dopplar)*t + Last_Phase);
    Iph               = 2*pi*(F_if+track_dopplar)*t + Last_Phase;
    Local_Ph_Buffer   = [Local_Ph_Buffer Iph];
    Last_Phase        = Last_Phase + 2*pi*(F_if+track_dopplar)*time_cyc;   
 
    
    %%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%
    Carrier_I         = Local_I;%产生本地的载波
    Carrier_Q         = Local_Q;%产生本地的载波
    
 
 
    %%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%
    %产生本地相位码
    %利用DLL的思路
    %当前
    ph_code_p = offside;
    fd_code_p = track_dopplar;
    CA_Code_p = func_CA(ph_code_p,fd_code_p,i);
    lc_p      = CA_Code_p.*Signal;
    %早
    ph_code_e = offside+diffoffside;
    fd_code_e = track_dopplar;
    CA_Code_e = func_CA(ph_code_e,fd_code_e,i);
    lc_e      = CA_Code_e.*Signal;        
    %迟
    ph_code_l = offside-diffoffside;
    fd_code_l = track_dopplar;
    CA_Code_l = func_CA(ph_code_l,fd_code_l,i);
    lc_l      = CA_Code_l.*Signal;
 
    %下变频
    Local_P_I = lc_p.*Carrier_I;
    Local_P_Q = lc_p.*Carrier_Q;
    Local_E_I = lc_e.*Carrier_I;
    Local_E_Q = lc_e.*Carrier_Q;
    Local_L_I = lc_l.*Carrier_I;
    Local_L_Q = lc_l.*Carrier_Q;
 
    
    
    %积分运算
    IPSum     = sum(Local_P_I);
    QPSum     = sum(Local_P_Q);
    IESum     = sum(Local_E_I);
    QESum     = sum(Local_E_Q);
    ILSum     = sum(Local_L_I);
    QLSum     = sum(Local_L_Q);
    
 
 
    
    
    %码相位环路控制
    %鉴想器 
    theta_code        = ((IESum.^2+QESum.^2)-(ILSum.^2+QLSum.^2))/((IESum.^2+QESum.^2)+(ILSum.^2+QLSum.^2));
     
    I2_Q2(i)          = IESum.^2 + QESum .^2;
     
    %kalman
    data(:,i)       = theta_code;
    j               = (i-1)*2+1;
    K               = P(:,j:j+1)*H'*inv(H*P(:,j:j+1)*H'+R);%滤波增益
    data_out(:,i)   = data_out(:,i)+K*(data(1,1)-H*data_out(:,i));  %估计
    data_out(:,i+1) = A*data_out(:,i);                     %预测
    P(:,j:j+1)      = (eye(2,2)-K*H)*P(:,j:j+1);  %误差
    P(:,j+2:j+3)    = A*P(:,j:j+1)*A'+B*Q*B';   %kalman滤波
 
    CodeErr         = data_out(1,i)/20;
    
    
    %码环NCO
    offside           = offside_old+k1*CodeErr;      %码NCO的输出
 
    theta_code_old    = theta_code;  %将当前结果保存,用于下一个循环的码跟踪
    CodeErr_old       = CodeErr;        %将当前结果保存,用于下一个循环的码跟踪
    offside_old       = offside;        %将当前结果保存,用于下一个循环的码跟踪
    Bk_DLL            = [Bk_DLL theta_code];   %记录跟踪过程中的码环鉴想器的输出
    Track_Code_Buffer = [Track_Code_Buffer offside];  %记录跟踪过程中的码环NCO的数出
   
    
    %%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%
 
 
    %载波跟踪
    %载波跟踪
    %载波跟踪
    theta_pll      = atan(QPSum/IPSum);
    PLLinput       = theta_pll/(2*pi*time_cyc);
    Bk_PLL         = [Bk_PLL theta_pll];
 
    %LoopFilter       
    PLLoutput      = func_CarLoopFilter(carrierw,carrierpllb/2,PLLinput,PLLinput_old,PLLoutput_old); 
 
    track_freq_pll = -PLLoutput;
 
    PLLinput_old   = PLLinput;       
    PLLoutput_old  = PLLoutput;       
 
    adj_flag          = track_dopplar - track_dopplar_old; 
    track_dopplar_old = track_dopplar; 
    adj_buffer        = [adj_buffer adj_flag];
      
    outdata           = sign(real(IPSum)); 
    ALL_Buffer_Data   = [ALL_Buffer_Data outdata];
          
    if adj_flag < 1      
       add = add+1;
    else
       add = 0;
    end
    if add >= 2          
       dem_flag = 1;
    end
    
    if dem_flag == 1
       count_time   = i;
       count_buffer = [count_buffer count_time];
       Buffer_Data  = [Buffer_Data outdata];
    end
end
 
%%
%%
%位同步与数据解调
Buffer_Data_out = func_bitssync(Buffer_Data,count_buffer);  
l_i_d           = time/time_unit;
l_o_d           = length(Buffer_Data_out);
l_zeros         = l_i_d - l_o_d;
Buffer_Data_out = [zeros(1,l_zeros) Buffer_Data_out]; 
 
%跟踪误差
l_dll     = length(Track_Code_Buffer);
l_fll     = length(Track_Freq_Buffer);
diata_dll = (Track_Code_Buffer(40:l_dll)-iniphcode);  
  
break_start = 400;
break_end   = 800;
%多普勒频率跟踪
figure;
plot(Track_Freq_Buffer);
xlabel('时间(ms)');
ylabel('多普勒频率跟踪结果(Hz)')
title('多普勒频率跟踪结果');
grid on
hold on
 
plot(break_start,min(Track_Freq_Buffer):0.01:max(Track_Freq_Buffer),'r-*','LineWidth',3);hold on
plot(break_end,min(Track_Freq_Buffer):0.01:max(Track_Freq_Buffer),'r-*','LineWidth',3);hold off
 
 
figure;
plot(I2_Q2(1:end),'LineWidth',3);
xlabel('时间(ms)');
ylabel('I^2+Q^2(Hz)')
title('I^2+Q^2');
grid on
hold on
 
plot(break_start,min(I2_Q2(1:end)):100000:max(I2_Q2(1:end)),'r-*','LineWidth',3);hold on
plot(break_end,min(I2_Q2(1:end)):100000:max(I2_Q2(1:end)),'r-*','LineWidth',3);hold off
 
 
%码相位跟踪
figure;
subplot(211);
plot(Track_Code_Buffer);
xlabel('时间(ms)');
ylabel('码相位跟踪结果');
title('码相位跟踪结果');
grid on
axis([0,length(Track_Code_Buffer),0.8*iniphcode,1.2*iniphcode]);
subplot(212);
plot(diata_dll);
xlabel('时间(ms)');
ylabel('码相位跟踪误差');
title('码相位跟踪误差');
grid on
axis([0,length(diata_dll),-10,10]); 
hold on
 
plot(break_start,-10:0.1:10,'r-*','LineWidth',3);hold on
plot(break_end,-10:0.1:10,'r-*','LineWidth',3);hold off
01_048_m
相关文章
|
16小时前
|
机器学习/深度学习 算法
基于改进遗传优化的BP神经网络金融序列预测算法matlab仿真
本项目基于改进遗传优化的BP神经网络进行金融序列预测,使用MATLAB2022A实现。通过对比BP神经网络、遗传优化BP神经网络及改进遗传优化BP神经网络,展示了三者的误差和预测曲线差异。核心程序结合遗传算法(GA)与BP神经网络,利用GA优化BP网络的初始权重和阈值,提高预测精度。GA通过选择、交叉、变异操作迭代优化,防止局部收敛,增强模型对金融市场复杂性和不确定性的适应能力。
|
6天前
|
算法
基于Adaboost模型的数据预测和分类matlab仿真
AdaBoost(Adaptive Boosting)是一种由Yoav Freund和Robert Schapire于1995年提出的集成学习方法,旨在通过迭代训练多个弱分类器并赋予分类效果好的弱分类器更高权重,最终构建一个强分类器。该方法通过逐步调整样本权重,使算法更关注前一轮中被误分类的样本,从而逐步优化模型。示例代码在MATLAB 2022A版本中运行,展示了随着弱分类器数量增加,分类错误率的变化及测试数据的分类结果。
|
5天前
|
供应链 算法 调度
排队算法的matlab仿真,带GUI界面
该程序使用MATLAB 2022A版本实现排队算法的仿真,并带有GUI界面。程序支持单队列单服务台、单队列多服务台和多队列多服务台三种排队方式。核心函数`func_mms2`通过模拟到达时间和服务时间,计算阻塞率和利用率。排队论研究系统中顾客和服务台的交互行为,广泛应用于通信网络、生产调度和服务行业等领域,旨在优化系统性能,减少等待时间,提高资源利用率。
|
19天前
|
算法
基于WOA算法的SVDD参数寻优matlab仿真
该程序利用鲸鱼优化算法(WOA)对支持向量数据描述(SVDD)模型的参数进行优化,以提高数据分类的准确性。通过MATLAB2022A实现,展示了不同信噪比(SNR)下模型的分类误差。WOA通过模拟鲸鱼捕食行为,动态调整SVDD参数,如惩罚因子C和核函数参数γ,以寻找最优参数组合,增强模型的鲁棒性和泛化能力。
|
25天前
|
机器学习/深度学习 算法 Serverless
基于WOA-SVM的乳腺癌数据分类识别算法matlab仿真,对比BP神经网络和SVM
本项目利用鲸鱼优化算法(WOA)优化支持向量机(SVM)参数,针对乳腺癌早期诊断问题,通过MATLAB 2022a实现。核心代码包括参数初始化、目标函数计算、位置更新等步骤,并附有详细中文注释及操作视频。实验结果显示,WOA-SVM在提高分类精度和泛化能力方面表现出色,为乳腺癌的早期诊断提供了有效的技术支持。
|
13天前
|
存储 算法
基于HMM隐马尔可夫模型的金融数据预测算法matlab仿真
本项目基于HMM模型实现金融数据预测,包括模型训练与预测两部分。在MATLAB2022A上运行,通过计算状态转移和观测概率预测未来值,并绘制了预测值、真实值及预测误差的对比图。HMM模型适用于金融市场的时间序列分析,能够有效捕捉隐藏状态及其转换规律,为金融预测提供有力工具。
|
21天前
|
算法
基于GA遗传算法的PID控制器参数优化matlab建模与仿真
本项目基于遗传算法(GA)优化PID控制器参数,通过空间状态方程构建控制对象,自定义GA的选择、交叉、变异过程,以提高PID控制性能。与使用通用GA工具箱相比,此方法更灵活、针对性强。MATLAB2022A环境下测试,展示了GA优化前后PID控制效果的显著差异。核心代码实现了遗传算法的迭代优化过程,最终通过适应度函数评估并选择了最优PID参数,显著提升了系统响应速度和稳定性。
|
13天前
|
机器学习/深度学习 算法 信息无障碍
基于GoogleNet深度学习网络的手语识别算法matlab仿真
本项目展示了基于GoogleNet的深度学习手语识别算法,使用Matlab2022a实现。通过卷积神经网络(CNN)识别手语手势,如&quot;How are you&quot;、&quot;I am fine&quot;、&quot;I love you&quot;等。核心在于Inception模块,通过多尺度处理和1x1卷积减少计算量,提高效率。项目附带完整代码及操作视频。
|
18天前
|
算法
基于WOA鲸鱼优化的购售电收益与风险评估算法matlab仿真
本研究提出了一种基于鲸鱼优化算法(WOA)的购售电收益与风险评估算法。通过将售电公司购售电收益风险计算公式作为WOA的目标函数,经过迭代优化计算出最优购电策略。实验结果表明,在迭代次数超过10次后,风险价值收益优化值达到1715.1万元的最大值。WOA还确定了中长期市场、现货市场及可再生能源等不同市场的最优购电量,验证了算法的有效性。核心程序使用MATLAB2022a实现,通过多次迭代优化,实现了售电公司收益最大化和风险最小化的目标。
|
22天前
|
算法
通过matlab分别对比PSO,反向学习PSO,多策略改进反向学习PSO三种优化算法
本项目使用MATLAB2022A版本,对比分析了PSO、反向学习PSO及多策略改进反向学习PSO三种优化算法的性能,主要通过优化收敛曲线进行直观展示。核心代码实现了标准PSO算法流程,加入反向学习机制及多种改进策略,以提升算法跳出局部最优的能力,增强全局搜索效率。

热门文章

最新文章