[0001] 本发明涉及GNSS测试技术领域，尤其涉及一种导航型GNSS接收机实时动态测试方法。

[0002] GNSS测试技术领域是对全球导航卫星系统(GNSS)设备的性能和精确度进行评估的方法和工具。领域包括不同环境和应用场景下的测试，如静态测试、动态测试和模拟环境测试。从而模拟设备在移动状态下的实际工作情况，例如在车辆导航和移动测绘中的应用。测试过程中常用的指标包括定位精度、时间精度、信号接收能力和抗干扰性能等。

[0003] 其中，导航型GNSS接收机实时动态测试方法是用于评估和验证导航型GNSS接收机在实时、动态环境中的性能和准确性的技术方法。方法通过监测接收机在实际运动状态下的表现，例如捕获和处理卫星信号，以及在变化的环境条件下维持导航精度。从而评估设备在实际应用中的性能，确保其可靠性和准确性。

[0004] 现有技术主要通过监测接收机在实际运动状态下的表现评估其性能，遇到快速变化的环境条件和复杂的信号干扰下难以准确反映接收机的真实性能。在城市环境中，多径效应和建筑遮挡可能导致信号损失，导致信号处理效率受限。此外，现有技术在实时动态测试中难以对环境因素影响的深入分析，限制了其在复杂地理和气候条件下的适应性和精确性。导致在实际应用中遭遇信号中断或误导，从而影响导航的准确性和可靠性。

[0055] 为了使本发明的目的、技术方案及优点更加清楚明白，以下结合附图及实施例，对本发明进行进一步详细说明。应当理解，此处所描述的具体实施例仅仅用以解释本发明，并不用于限定本发明。

[0056] 在本发明的描述中，需要理解的是，术语“长度”“宽度”“上”“下”“前”“后”“左”“右”“竖直”“水平”“顶”“底”“内”“外”等指示的方位或位置关系为基于附图所示的方位或位置关系，仅是为了便于描述本发明和简化描述，而不是指示或暗示所指的装置或元件必须具有特定的方位、以特定的方位构造和操作，因此不能理解为对本发明的限制。此外，在本发明的描述中，“多个”的含义是两个或两个以上，除非另有明确具体的限定。

[0057] 实施例

[0058] 请参阅图1，本发明提供一种技术方案：一种导航型GNSS接收机实时动态测试方法，包括以下步骤：

[0059] S1：收集GNSS信号数据，对接收的GNSS信号进行时间窗样本分割，每个样本分析信号强度波动和损失事件，记录每个分段的几何覆盖并计算覆盖点数，生成分形维度数据；

[0060] S2：对分形维度数据进行差异分析，通过信号强度对比识别信号模式中的异常变化，评定多种导航场景下的信号不规则程度，获取信号复杂度分析结果；

[0061] S3：基于信号复杂度分析结果，分析气候数据和地理环境的影响，进行信号变化的归因分析，计算建筑遮挡和地形对信号的影响，得到环境适应性分析结果；

[0062] S4：根据环境适应性分析结果模拟城市环境中的信号干扰，包括遮挡和多径效应，记录GNSS接收机在模拟环境因素影响下的反应，跟踪处理信号的速度，生成响应的性能数据；

[0063] S5：根据响应的性能数据，分析接收机在模拟环境下对信号干扰的处理反应，量化信号处理的动态变化，得到动态响应模型；

[0064] S6：根据动态响应模型，参照实时卫星数据，预测GNSS接收机的即时位置，比对预测结果与当前位置信息，进行误差校正，获取实时位置精度分析结果。

[0065] 分形维度数据包括时间窗内的尺度覆盖点数量、覆盖区域的几何形状以及尺度变化率，信号复杂度分析结果包括信号的异常波动点、信号中断频率以及场景依赖的变异性指标，环境适应性分析结果包括气候影响评分、地形遮挡等级和建筑物影响系数，响应的性能数据包括信号恢复时间、信号捕获成功率和多径效应下的误差率，动态响应模型包括模型的预测精度、响应速度指标和环境变化适应性指数，实时位置精度分析结果包括位置预测误差、误差校正次数和最终的位置精度指标。

[0066] 请参阅图2，收集GNSS信号数据，对接收的GNSS信号进行时间窗样本分割，每个样本分析信号强度波动和损失事件，记录每个分段的几何覆盖并计算覆盖点数，生成分形维度数据的具体步骤如下：

[0067] S101：基于收集的GNSS信号数据，将连续信号按照时间标记分割为独立的时间段，每段代表一个采样周期，生成时间窗样本的流程为；

[0068] 根据时间戳索引将总信号数据分割为长度为Δt的多个窗口样本。对于每个样本，提取相应时间窗内的原始信号数据，并将其存储为单独的样本数据集。这样的分割确保了样本的独立性和对应的时间序列的完整性。通过公式 进行计算，T代表总信号记录时间，以秒为单位，从GNSS接收机数据的时间戳获取。Δt代表单个样本的时间长度，以秒为单位，根据测试需求设定。N是样本中的数据点数。

[0069] S102：基于时间窗样本，逐个样本测量信号的最大和最小强度值，记录值的波动幅度和出现信号完全丧失的事件频率，得到信号事件记录的流程为；

[0070] 基于时间窗样本，分别对每个样本计算其信号的最大值Smax和最小值Smin，进一步计算出每个样本的信号强度波动幅度ΔS。同时，记录在样本期间内信号完全丧失的事件频率f，即信号值为零的频次。这些数据对于分析信号在不同条件下的稳定性与可靠性提供了重要信息。波动幅度通过公式 Δ S＝Smax‑Smin计算，事件频率通过公式计算，Smax和Smin分别表示样本中的最大和最小信号强度值，通
过遍历样本中的数据点获取。x为示性函数，当信号Si为0时取1，否则取0。i表示标识样本中的信号值。

[0071] S103：基于信号事件记录，通过盒计数法计算每个时间窗样本的几何覆盖区域，评估区域内点的分布密度和空间连续性，衡量信号的空间均匀性，生成分形维度数据的流程为；

[0072] 将每个样本的信号数据投影到二维空间中，以盒子大小覆盖整个数据集，统计所需的最小盒子数量N()。此方法评估了样本中信号点的分布密度和空间连续性，进而衡量信号的空间均匀性，生成分形维度数据；

[0073] 盒计数法算法按照公式：

[0074]

[0075] 计算分形维度D；

[0076] 其中，表示盒子的尺寸，以米为单位，根据数据集的空间分辨率确定，盒子的尺寸是从信号数据的最小尺度到最大尺度动态调整以覆盖所有数据点，N()表示覆盖数据所需的最小盒子数，通过将信号数据投影到二维空间并应用盒计数法得到，即统计完全覆盖所有数据点所需的盒子数量，c和d是权重系数，用于调整频率和强度因子对分形维度计算的影响，通常通过拟合历史数据集与预测误差的回归分析来确定， 是基于信号的频率特性调整盒子计数的因子，具体地， 可以通过积分信号的功率谱密度P(f1)得到，计算公式为： f1是信号中的具体频率成分，Gint是基于信号强度的调整因子，用于根据信号强度的变化调整盒子计数，通过计算信号强度的标准差来得到，公式为：
sy是第y个样本的信号强度，是信号强度的平均值，X是样
本数量，log表示自然对数，用于计算尺寸与盒子数量的对数比例。

[0077] 计算过程如下：

[0078] 假设信号的功率谱为P(f1)，其中f1是频率，那么 可以定义为：

[0079] 将信号的总功率作为一个衡量其频率特性的量。

[0080] 如果信号在不同的时间窗口内有不同的强度级别，可以采用信号强度的标准差来定义这个参数：

[0081]

[0082] 盒计数法的应用

[0083] 选择合适的盒子大小，通常根据数据集的最小和最大尺寸来确定。

[0084] 计算每个盒子大小对应的盒子数N()，需要将所有数据点投影到二维空间并覆盖所有点。

[0085] 计算改进的分形维度，考虑到信号的频率和强度特性：

[0086]

[0087] 权重系数c和d可以通过最小化预测误差的方法来确定，具体可以使用历史数据集进行回归分析，找出最佳拟合参数。

[0088] 最终求得的分形维度D提供了一种更精确地衡量信号在空间分布上的复杂度。通过考虑信号的频率和强度特性，我们可以更好地理解信号的结构特点，特别是在动态环境下，如在城市峡谷或森林覆盖区等复杂环境中使用GNSS时。这种改进的分形维度测量可以帮助改善导航系统的设计和优化，提高其在复杂环境中的适应性和精确度。

[0089] 请参阅图3，对分形维度数据进行差异分析，通过信号强度对比识别信号模式中的异常变化，评定多种导航场景下的信号不规则程度，获取信号复杂度分析结果的具体步骤如下：

[0090] S201：基于分形维度数据，进行时间窗数据的对比分析，识别与其余时间窗内数据存在区别的样本，定位到时间段和空间分布，生成初始差异分析结果的流程为；

[0091] 通过计算每个时间窗样本的分形维度D与整体样本的平均分形维度 的绝对偏差δD来识别显著区别的样本。如果偏差超过预设阈值τ，样本被标记为显著不同，这有助于定位到具体的时间段和空间分布，生成初始差异分析结果。阈值τ通常设定为平均偏差的两倍，基于统计中常用的偏差阈值设定，以确保只有显著异常的样本被识别。通过公式：D表示单个时间窗的分形维度，通过盒计数法计算得到。 表示所有样本的
平均分形维度，通过对所有样本分形维度求平均值得到。τ是设定的偏差阈值，根据信号分析需求设定。

[0092] S202：基于初始差异分析结果，对比样本的信号强度最大波动和多次中断事件，标记异常波动的时间窗，得到信号异常点识别结果的流程为；

[0093] 对比样本的信号强度最大波动ΔS和信号完全丧失的事件频率f。计算每个样本的信号强度波动和中断频率的标准化偏差，用以识别异常波动的时间窗。如果标准化偏差超过1.5，这表示样本中的波动或中断事件显著高于平均水平，通常这一标准基于标准差偏差方法，在统计学中用来识别显著超过或低于平均水平的结果，确保只有明显的异常波动被标记。通过公式： 和 计算ΔS的统计量zΔS和f的统计量zf，ΔS表示样本中的最大信号强度波动，通过比较每个样本中的最大和最小信号值得到。μΔS和σΔS分别表示所有样本中信号强度波动的平均值和标准差。f表示样本中信号完全丧失的事件频率，即信号值为零的次数除以总事件数。μf和σf分别表示所有样本中事件频率的平均值和标准差。

[0094] S203：基于信号异常点识别结果，评估和量化导航场景下信号的表现，参照场景对信号质量的影响，分析信号的不规则程度，获取信号复杂度分析结果的流程为；

[0095] 使用线性回归模型对信号不规则程度进行量化分析，获取信号复杂度分析结果。模型考虑信号异常点与导航场景特征的相关性r，通过以下公式计算信号的不规则度I，I＝β0+β1r，r表示信号异常点与导航场景特征的相关系数，通过统计方法计算得到。β0和β1是线性回归模型的系数，通过最小二乘法估计得到。I表示信号的不规则度，通过模型计算得出，用于衡量信号在导航场景下的表现。

[0096] 请参阅图4，基于信号复杂度分析结果，分析气候数据和地理环境的影响，进行信号变化的归因分析，计算建筑遮挡和地形对信号的影响，得到环境适应性分析结果的具体步骤如下：

[0097] S301：基于信号复杂度分析结果，搜集同期的气象数据，包括温度、湿度和风速，评估气象数据对GNSS信号强度和稳定性的影响，生成气候影响数据的流程为；

[0098] 搜集同期的气象数据，包括温度A、湿度B和风速C。通过计算这些气象因素与信号稳定性E的相关系数ρA,E,ρB,E,和ρC,E，评估这些气象条件对GNSS信号稳定性的具体影响，生成气候影响数据。相关系数的计算公式如下： X代表气象变量(温度A、湿度B或风速C)。Xi′是单个测量值，从同期的气象监测数据中获取，其中i′是指各个时间点的索引，代表特定测量时刻。是气象变量的平均值，通过计算所有Xi′的平均值得到。E表示对应时间窗内的GNSS信号稳定性。Ei′是信号稳定性的单个测量值，从GNSS接收机的记录数据中获取。是信号稳定性的平均值，通过计算所有Ei′的平均值得到。

[0099] S302：基于气候影响数据，采集地理信息，包括周边建筑物的高度和布局，分析导致信号的遮挡或反射的结构，得到地理环境影响数据的流程为；

[0100] 基于气候影响数据，进一步采集地理信息，包括周边建筑物的高度h和布局。通过分析建筑物的高度和布局对信号的遮挡或反射效果，计算建筑物对信号影响的指数Ibuild。此指数通过评估建筑物的空间分布与信号接收位置之间的几何关系来确定，用以衡量信号的遮挡或反射影响： hj表示第j个建筑物的高度，从地理信息系统
中获取，j表示建筑物的索引。dj表示建筑物与信号接收点的距离，同样从地理信息系统中计算得到。λ是衰减常数，根据建筑材料和信号传播特性设定。

[0101] S303：基于地理环境影响数据，对信号覆盖区域内建筑和地形的影响进行量化，确定每个因素对信号质量的减损或增强作用，得到环境适应性分析结果的流程为；

[0102] 对信号质量的影响Q可以通过以下模型进行计算：Q＝α1·Ibuild+β2·Iterrain+γ1，α1,β2是建筑和地形影响的调整系数，根据实地测试和历史数据分析确定。Iterrain表示地形对信号的影响指数，计算方法类似于建筑影响指数，但考虑的是地形的高度、斜率及其与信号接收点的距离。γ1是常数项，调整基线信号质量，基于信号测量的基本环境条件设定。

[0103] 请参阅图5，根据环境适应性分析结果模拟城市环境中的信号干扰，包括遮挡和多径效应，记录GNSS接收机在模拟环境因素影响下的反应，跟踪处理信号的速度，生成响应的性能数据的具体步骤如下：

[0104] S401：基于环境适应性分析结果，配置虚拟城市模型，模拟高建筑和多种地形的信号干扰场景，设置遮挡和多径效应参数，生成模拟环境设置的流程为；

[0105] 基于环境适应性分析结果，配置虚拟城市模型以模拟具有高建筑物和多种地形的信号干扰场景。在模拟环境中设置遮挡参数θobsc和多径效应参数θmp，这些参数量化建筑物和地形对信号的影响：通过公式：θenv＝κ1·θobsc+κ2·θmp，计算环境总影响参数θenv，θobsc表示建筑物遮挡的参数，基于建筑物的高度、密度和布局计算得出，从虚拟模型的地理信息系统中提取。θmp表示多径效应的参数，反映了信号由于遇到多个反射面而产生的干扰程度，通过模拟测试和历史数据获得。κ1和κ2是权重系数，用以调整遮挡和多径效应对总环境影响的贡献，根据实验室测试和理论分析确定。

[0106] S402：基于模拟环境设置，使用传感器记录GNSS接收机对干扰的响应，包括信号损失和恢复的时间，得到初始响应数据的流程为；

[0107] 基于模拟环境设置，使用传感器记录GNSS接收机对干扰的响应，包括信号的损失和恢复时间。这些时间长度Δtloss和Δtrec是关键指标，用于评估接收机在特定干扰条件下的表现，通过公式：Tresponse＝Δtloss+Δtrec，计算响应时间Tresponse，Δtloss表示信号损失的时间，通过传感器记录信号消失到重新捕获的间隔直接测定。Δtrec表示信号恢复的时间，从信号再次被接收机捕获到稳定输出的时间间隔测定。

[0108] S403：基于初始响应数据，追踪和记录接收机对信号干扰的反应过程，分析信号处理速度和恢复效率，生成响应的性能数据的流程为；

[0109] 基于初始响应数据，追踪和记录接收机对信号干扰的反应过程。通过分析信号处理速度和恢复效率，量化接收机的性能表现，通过公式：Qperf＝λ1·vproc+λ2·ηrec，计算量化的性能指标Qperf，vproc表示信号处理的速度，通常基于处理的数据量和处理所需时间计算，直接从接收机的系统日志或性能监控工具中获取。ηrec表示恢复效率，通常基于信号恢复的完整性和时间来评估，通过对比恢复前后信号质量的变化得出。λ1和λ2是权重系数，用于综合评价处理速度和恢复效率对整体性能的影响，这些系数是根据先前的模拟和实地测试经验确定的。Qperf表示接收机对干扰的整体反应效率，用于评估接收机在不同测试场景下的表现。

[0110] 请参阅图6，根据响应的性能数据，分析接收机在模拟环境下对信号干扰的处理反应，量化信号处理的动态变化，得到动态响应模型的具体步骤如下：

[0111] S501：基于响应的性能数据，记录每个模拟干扰场景下接收机反应的时间序列，测量从信号丢失到恢复的持续时间，生成动态变化数据的流程为；

[0112] 基于性能数据，记录每个干扰场景下接收机的时间序列反应。这包括从信号丢失tloss到恢复trec的持续时间Δt′，通过公式：Δt′＝trec‑tloss，计算从信号丢失到恢复的时间，trec(信号恢复的时间戳)表示接收机重新捕获信号的具体时刻，通过接收机日志文件中记录的时间戳获取。tloss(信号丢失的时间戳)表示接收机失去信号的起始时刻，同样通过接收机的日志文件记录获取。Δt′用于测量接收机响应干扰的快速性和效率，得到动态变化数据。

[0113] S502：基于动态变化数据，测定每种干扰条件下信号恢复到正常水平所需的时间，评估干扰强度对信号稳定性的影响，得到信号稳定性评估结果的流程为；

[0114] 使用动态变化数据，测定每种干扰条件下信号恢复到正常水平所需的时间Tnorm。这一步骤用于评估干扰强度对信号稳定性的影响，公式为：Tnorm＝max(Δt′)，Tnorm(正常化时间)是在一系列干扰测试中观察到的最长信号恢复时间，用于评估在最极端条件下接收机的恢复能力，通过分析所有记录的Δt′数据获取最大值。

[0115] S503：基于信号稳定性评估结果，整合每个场景下的信号恢复时间和干扰的持续影响数据，通过计算Lyapunov指数判断接收机在面对环境信号干扰时的稳定性，得到动态响应模型的流程为；

[0116] 通过计算Lyapunov指数λ3，整合每个场景下的信号恢复时间Δt′和干扰的持续影响，生成动态响应模型M；

[0117] Lyapunov指数计算方法按照公式：

[0118]

[0119] 判断接收机在面对环境信号干扰时的稳定性；

[0120] 其中，λ′3表示改进后的Lyapunov指数，用于量化系统对初始条件的敏感性，表征系统对干扰的响应动态的稳定性或不稳定性，ΔEk是第k次测试后的接收机输出变化量，通过测试前后的信号质量对比计算得到，ΔE0是测试开始前的接收机输出状态，用作比较基准，Tnorm用于归一化计算的时间周期，确保Lyapunov指数反映长期行为，ΔTsync是信号同步延迟调整，用于考虑实时数据处理中的延时，α2和β3是权重系数，分别用于调整第k次和初始状态下导航参数Zk和Z0对信号变化的贡献，这些系数通过数据拟合得出，通常使用历史测试数据进行回归分析来优化，Zk和Z0分别表示第k次和初始状态下的额外导航参数，如卫星的相对位置变化和信号强度，增加这些参数可以增加模型对环境变化的敏感度。

[0121] 计算过程如下：

[0122] 参数定义与初始化

[0123] ΔEk和ΔE0的参数分别表示第k次测试后的接收机输出变化量和测试开始前的接收机输出状态。这些值通过比较接收机在测试前后的信号强度来直接计算，确保能够反映实际信号的变化。

[0124] ΔEk＝Eafter,k‑Ebefore,k

[0125] ΔE0＝Einitial

[0126] 其中，Eafter,k和Ebefore,k分别是第k次测试后和前的信号强度，Einitial是测试开始前的信号强度。

[0127] Zk和Z0的参数反映了与导航相关的额外数据，如卫星的相对位置变化或其他环境因子，这些数据可以从接收机或相关导航系统数据库中获得。

[0128] Zk＝fnav(datanav,k)

[0129] Z0＝fnav(datanav,initial)

[0130] 其中，fnav是一个函数，用于从导航数据datanav,k和datanav,initial中提取或计算出相关的导航参数。

[0131] α2和β3权重系数通过历史数据的统计分析确定，通常采用回归分析或最小二乘法来优化这些参数，以确保可以最佳地反映参数对输出变化的影响。

[0132] α2,β3＝optimize(ΔEk,Zk,ΔE0,Z0)

[0133] 优化过程包括对历史数据集进行分析，找出最佳拟合系数。

[0134] 通过结合上述参数和调整，计算Lyapunov指数：

[0135]

[0136] 这里，Tnorm是归一化时间周期，ΔTsync是考虑到的数据处理延迟。

[0137] Lyapunov指数λ′3提供了一个更精确的度量，用于评估GNSS接收机在实时动态测试中对环境变化和信号干扰的响应能力。通过整合额外的导航数据和调整权重系数，该指数能更全面地反映设备在复杂环境下的稳定性，帮助优化设备设计和性能，增强其在多变和挑战性导航环境中的适应性和准确度。

[0138] 请参阅图7，根据动态响应模型，参照实时卫星数据，预测GNSS接收机的即时位置，比对预测结果与当前位置信息，进行误差校正，获取实时位置精度分析结果的具体步骤如下：

[0139] S601：基于动态响应模型，同步实时卫星数据，利用模型进行位置预测，生成实时的位置预测数据的流程为；

[0140] 基于动态响应模型M，同步实时卫星数据Dsat，并利用模型进行位置预测。使用当前位置Pcurrent和模型调整因子ΔM，结合实时卫星数据，来预测位置：Ppredicted＝Pcurrent+ΔM·Dsat，Ppredicted(预测位置)是基于当前实时数据和响应模型预测得到的。Pcurrent是接收机最近一次通过GNSS测定的实际位置。ΔM是从动态响应模型M中提取的位置调整因子。Dsat是当前从卫星系统接收的数据。

[0141] S602：基于实时的位置预测数据，对比预测位置与通过当前测量得到的GNSS位置，记录两者之间的位置偏差，得到初始误差数据的流程为；

[0142] 使用预测的位置Ppredicted和通过GNSS实际测定得到的位置Pactual，比较并计算两者之间的位置偏差：ΔP＝Ppredicted‑Pactual，ΔP是预测位置和实际位置之间的差异，用于评估预测的准确性。

[0143] S603：基于初始误差数据，实施多次迭代校正，逐步优化预测位置与当前位置之间的误差，获取实时位置精度分析结果的流程为；

[0144] 通过迭代的方式，根据位置偏差ΔP调整模型参数，逐步优化预测位置，以减少误差并提高定位准确度：Poptimized＝Ppredicted‑α3·ΔP，Poptimized是优化后的预测位置，通过调整预测位置以减小误差。α3是调整系数，确定每次迭代调整预测位置的程度。这个迭代过程持续进行，直到ΔP降至可接受的范围或达到预定的迭代次数为止。

[0145] 以上，仅是本发明的较佳实施例而已，并非对本发明作其他形式的限制，任何熟悉本专业的技术人员可能利用上述揭示的技术内容加以变更或改型为等同变化的等效实施例应用于其他领域，但是凡是未脱离本发明技术方案内容，依据本发明的技术实质对以上实施例所做的任何简单修改、等同变化与改型，仍属于本发明技术方案的保护范围。