北斗导航 ｜ 接收机自主完好性监测算法如何与机器学习，深度学习等结合，提高故障星检测识别精度

• 将机器学习（ML）和深度学习（DL）与接收机自主完好性监测（RAIM）算法相结合，是提高卫星导航系统（如GPS、北斗、Galileo等）故障检测与识别精度的重要前沿方向。传统RAIM主要基于几何分布和统计假设检验（如最小二乘残差法、奇偶矢量法），在复杂环境（城市峡谷、强多径、低可见星数）或新型故障（缓慢偏移、间歇性故障）下存在局限性。ML/DL能有效弥补这些不足，提升检测性能。

以下是主要的结合方式和提升点：

1. 特征提取与增强：

   • 传统RAIM的局限性： 主要依赖伪距残差、定位解算结果等少数几何和统计特征。
   • ML/DL的贡献：
     • 多维度特征融合： 利用ML/DL自动学习并融合更多信号层面的特征，例如：
       • 信号质量指标： 载噪比、多径估计值、相关峰形状畸变（使用DL分析相关器输出波形）、信号失真度。
       • 观测值序列特性： 伪距、载波相位的时序变化、差分特性。
       • 星座几何特征