具体实施方式

需要说明的是，在不冲突的情况下，本申请中的实施例及实施例中的特征可以相互组合。下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。以下对至少一个示例性实施例的描述实际上仅仅是说明性的，决不作为对本发明及其应用或使用的任何限制。基于本发明中的实施例，本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。

需要注意的是，这里所使用的术语仅是为了描述具体实施方式，而非意图限制根据本申请的示例性实施方式。如在这里所使用的，除非上下文另外明确指出，否则单数形式也意图包括复数形式，此外，还应当理解的是，当在本说明书中使用术语“包含”和/或“包括”时，其指明存在特征、步骤、操作、器件、组件和/或它们的组合。

除非另外具体说明，否则在这些实施例中阐述的部件和步骤的相对布置、数字表达式和数值不限制本发明的范围。同时，应当明白，为了便于描述，附图中所示出的各个部分的尺寸并不是按照实际的比例关系绘制的。对于相关领域普通技术人员已知的技术、方法和设备可能不作详细讨论，但在适当情况下，所述技术、方法和设备应当被视为授权说明书的一部分。在这里示出和讨论的所有示例中，任何具体值应被解释为仅仅是示例性的，而不是作为限制。因此，示例性实施例的其它示例可以具有不同的值。应注意到：相似的标号和字母在下面的附图中表示类似项，因此，一旦某一项在一个附图中被定义，则在随后的附图中不需要对其进行进一步讨论。

如图1所示，本发明提供了一种基于SVM的卫星接收机故障分析方法，所述方法包括：

S10、采集卫星接收机在多种工况下的试验数据，并分别将每种工况下的试验数据打上标签进行标识；

S20、对多种工况下的试验数据进行预处理，得到预处理后的样本数据，并将预处理后的样本数据随机分为训练样本集和测试样本集；

S30、基于核函数、多分类问题类型和训练样本集得到SVM多分类训练模型；

S40、采用网格搜索方法对SVM多分类训练模型进行参数寻优，得到参数寻优后的SVM多分类训练模型；

S50、采用交叉验证方法对参数寻优后的SVM多分类训练模型进行验证，得到验证后的SVM多分类训练模型；

S60、将测试样本集导入验证后的SVM多分类训练模型，得到验证后的SVM多分类训练模型的准确率；

S70、在验证后的SVM多分类训练模型的准确率大于或等于预设值的情况下，基于验证后的SVM多分类训练模型的准确率得到测试样本集中每个测试样本的故障类型，以完成卫星接收机的故障诊断；

S80、在验证后的SVM多分类训练模型的准确率小于预设值的情况下，基于验证后的SVM多分类训练模型的准确率得到测试样本集中每个测试样本的故障类型，并基于每个测试样本的故障类型和验证后的SVM多分类训练模型的决策函数获取健康状态评估函数；

S90、基于健康状态评估函数对卫星接收机故障进行分析，以完成卫星接收机的故障诊断。

本发明对多种工况下的试验数据进行预处理，便于后续模型计算，且提高了支持向量机(Support Vector Machine,SVM)多分类训练模型的分类准确率；对SVM多分类训练模型进行参数寻优，进一步提高了SVM多分类训练模型的分类准确率；采用交叉验证方法来检验SVM多分类训练模型的性能，降低SVM多分类训练模型的过拟合问题；通过测试样本的故障类型或健康状态评估函数来完成卫星接收机的故障诊断。本发明的方法能够克服现有技术的缺陷，从而更快速、准确地解决卫星接收机系统长时间运行过程中的故障检测和分类。

根据本发明的一种实施例，S10中的多种工况包括正常工况和故障工况，其中，正常工况包括正常运行状态，故障工况包括试验数据丢帧状态、功率字跳变过大状态和滤波器损坏状态。

其中，试验数据丢帧状态即传出的数据不连续；功率字跳变过大状态即不同定位系统功率受到一定程度的干扰；滤波器损坏状态即数据显示情况为功率字为0。

根据本发明的一种实施例，在S20中，对多种工况下的试验数据进行预处理，得到预处理后的样本数据包括：对多种工况下的试验数据进行单位化、归一化以及降维处理，得到预处理后的样本数据。

本发明通过对多种工况下的试验数据进行单位化处理，以避免部分字段随时间而增长的问题；通过对多种工况下的试验数据进行归一化处理，以避免大数值区间的属性过分支配小数值区间的属性及避免计算过程中数值的复杂度，同时，可以使数据更加整洁，有利于模型的收敛、使各个特征量在模型构建时的贡献大小均匀；通过对多种工况下的试验数据进行降维处理，以降低模型计算的复杂度，提高分类准确率。

具体地，由于试验数据中有负值，可通过下式将每个试验数据线性缩放至区间[-1,1]：

式中，y为归一化处理的试验数据，x为原始的试验数据，ymin和ymax分别为归一化处理的试验数据的最小值和最大值，xmin和xmax分别为原始的试验数据的最小值和最大值。

进一步地，对多种工况下的试验数据进行单位化、归一化以及降维处理，得到预处理后的样本数据包括：对多种工况下的试验数据进行单位化、归一化以及采用主成分分析方法进行降维处理，得到预处理后的样本数据。

具体地，采用主成分分析方法对试验数据进行降维处理时，将n维特征映射到k维上(k<n)，k维为全新的正交特征，将此k维特征称为主成分，它是重新构造出来的k维特征。

根据本发明的一种实施例，在S30中，基于核函数、多分类问题类型和训练样本集得到SVM多分类训练模型包括：

S31、选取核函数和多分类问题类型，并基于选取的核函数、多分类问题类型和训练样本集确定惩罚因子和训练样本集的工况类别数量k；

S32、将训练样本集中的训练样本分k类排序以获取k(k-1)/2个二分类组合，并获取各个分类组合的决策函数；

S33、基于各个分类组合的决策函数得到SVM多分类训练模型。

其中，SVM是基于线性分类器的思想发展而来，在二维空间中，必然存在一个一元函数g(x)＝wx+b将样本分类，样本代入函数的值小于0时为一类，大于0时为一类；以此类推，在三维或更高空间中，都可以找到一个函数g(x)＝wx+b，式中，x为向量，w为系数矩阵，b为常数。在三维空间中，g(x)的物理意义为将样本分为两类的一个平面，在更高维空间中则称为超平面。

根据本发明的一种实施例，在S40中，采用网格搜索方法进行参数寻优，在S50中，采用k折交叉验证方法进行验证，提高模型的抗过拟合能力，从而提高模型对卫星接收机数据的适应能力和分类准确率。

根据本发明的一种实施例，在S60中，通过下式得到验证后的SVM多分类训练模型的准确率：

式中，ACC为验证后的SVM多分类训练模型的准确率，TP为验证后的SVM多分类训练模型将正例标签数据分类为正例的数量，TN为验证后的SVM多分类训练模型将正例标签数据分类为反例的数量，FN为验证后的SVM多分类训练模型将反例标签数据分类为反例的数量，FP为验证后的SVM多分类训练模型将反例标签数据分类为正例的数量。

其中，验证后的SVM多分类训练模型的准确率通过混淆矩阵获得，混淆矩阵的公式如下：

式中，CM为混淆矩阵，A为正例，B为反例。

根据本发明的一种实施例，在S80中，在验证后的SVM多分类训练模型的准确率小于预设值的情况下，基于验证后的SVM多分类训练模型的准确率得到测试样本集中每个测试样本的故障类型，并基于每个测试样本的故障类型和验证后的SVM多分类训练模型的决策函数获取健康状态评估函数包括：

S81、在验证后的SVM多分类训练模型的准确率小于预设值的情况下，基于验证后的SVM多分类训练模型的准确率得到测试样本集中每个测试样本的故障类型；

S82、在测试样本的故障类型为正常工况的情况下，将验证后的SVM多分类训练模型的决策函数最大值赋值给健康状态评估函数；

S83、在测试样本的故障类型为故障工况的情况下，将验证后的SVM多分类训练模型的决策函数最小值赋值给健康状态评估函数。

在本发明中，通过下式获取健康状态评估函数：

式中，M为健康状态评估函数，N为测试样本的数量，a_iy_ix_i为特征向量ω的拉格朗日函数表示形式，x为任意测试样本，b为特征向量。

根据本发明的一种实施例，在S90中，基于健康状态评估函数对卫星接收机故障进行分析，以完成卫星接收机的故障诊断包括：

S91、在健康状态评估函数大于或等于1的情况下，卫星接收机处于健康状态；

S92、在健康状态评估函数大于或等于0且小于1的情况下，卫星接收机处于亚健康状态；

S93、在健康状态评估函数大于-1且小于0的情况下，卫星接收机处于临界检修状态；

S94、在健康状态评估函数小于或等于-1的情况下，卫星接收机处于故障状态。

也就是说，根据当前输入测试样本坐落在正常分类界线、超平面和故障分类界线之间的不同位置，得到不同健康状态评估函数M的值。

下面以卫星接收机具有四种工况，每种工况数据样本均为450组为例，对本发明的方法进行具体说明。

在本实施例中，卫星接收机具有正常运行状态、试验数据丢帧、功率字跳变过大和滤波器损坏共四种工况，分别标识上标签1、标签2、标签3和标签4。数据样本维度为50维。其中，可以选取70％作为训练样本集，30％作为测试样本集。

在本实施例中，采用主成分分析方法进行降维处理。不同维度的数据与模型的准确率有关。当降至5维时准确率可以达到88％，6维时可以达到94％，9维时可以达到98％。

在本实施例中，采用4折交叉验证方法进行验证。也就是将样本顺序随机化，依次取第n(n＝1，2，3，4)份样本作为测试样本，剩余的3/4样本作为训练样本，即分4次进行子模型的训练和测试，得到训练样本集的交叉验证结果。验证后可知，最终的交叉验证精确度高达99％，确保了SVM模型的适应性。

通过上述数据获取的验证后的SVM多分类训练模型的准确率为94.87％，大于预设值，因此基于验证后的SVM多分类训练模型的准确率得到测试样本集中每个测试样本的故障类型，以完成卫星接收机的故障诊断。

在本发明中，由于卫星导航数据量大、噪声多、且易受外界环境干扰，数据发生细微变化时不易识别其运行状态，因此，采用基于SVM算法对卫星接收机故障进行分析，该算法对卫星导航数据进行二分类，其决策边界是对学习样本求解的最大边距的分类超平面，利用超平面对卫星导航数据进行分类，从而进行故障分析。

本发明还提供了一种计算机设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，所述处理器执行所述计算机程序时实现上述任一所述方法。

为了便于描述，在这里可以使用空间相对术语，如“在……之上”、“在……上方”、“在……上表面”、“上面的”等，用来描述如在图中所示的一个器件或特征与其他器件或特征的空间位置关系。应当理解的是，空间相对术语旨在包含除了器件在图中所描述的方位之外的在使用或操作中的不同方位。例如，如果附图中的器件被倒置，则描述为“在其他器件或构造上方”或“在其他器件或构造之上”的器件之后将被定位为“在其他器件或构造下方”或“在其他器件或构造之下”。因而，示例性术语“在……上方”可以包括“在……上方”和“在……下方”两种方位。该器件也可以其他不同方式定位(旋转90度或处于其他方位)，并且对这里所使用的空间相对描述作出相应解释。

此外，需要说明的是，使用“第一”、“第二”等词语来限定零部件，仅仅是为了便于对相应零部件进行区别，如没有另行声明，上述词语并没有特殊含义，因此不能理解为对本发明保护范围的限制。

以上所述仅为本发明的优选实施例而已，并不用于限制本发明，对于本领域的技术人员来说，本发明可以有各种更改和变化。凡在本发明的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。