✅作者简介：热爱科研的Matlab仿真开发者，擅长数据处理、建模仿真、程序设计、完整代码获取、论文复现及科研仿真。
🍎 往期回顾关注个人主页：Matlab科研工作室
🍊个人信条：格物致知,完整Matlab代码获取及仿真咨询内容私信。
🔥内容介绍
精准识别GNSS信号：用SVM破解LOS与NLOS分类难题
一、为什么GNSS信号的“身份识别”如此重要？
在卫星导航（GNSS）领域，我们每天依赖的定位服务（比如手机导航、车载定位），其精度和可靠性都离不开一个核心前提——接收的卫星信号是“干净”且“直接”的。而这里的关键，就是要区分两种核心信号类型：视距信号（LOS）和非视距信号（NLOS）。
视距信号（LOS，Line of Sight），顾名思义就是卫星与接收设备之间没有任何遮挡，信号直接传播到达，就像我们直视太阳时能直接接收到阳光一样。这种信号传播路径稳定、衰减小，是保证定位精度的“主力军”，能让定位误差控制在米级甚至厘米级（比如北斗的精密定位服务）。
而非视距信号（NLOS，Non-Line of Sight）则是“麻烦制造者”：信号传播过程中被建筑物、树木、山体等障碍物遮挡，只能通过反射、衍射等方式到达接收端。就像阳光被墙壁反射后才照进房间，传播路径变长、衰减严重，还会携带大量干扰信息，直接导致定位误差飙升，甚至出现几十米的偏差——这也是城市峡谷、茂密林区等场景下导航“失灵”的主要原因。
无论是自动驾驶的安全导航、无人机的精准作业，还是测绘勘探的精密定位，都迫切需要快速、准确地分辨GNSS信号的LOS/NLOS身份。传统的识别方法（比如基于信号强度阈值判断）在复杂环境下准确率极低，而支持向量机（SVM）作为一种高效的分类算法，凭借其在小样本、高维数据分类中的独特优势，成为解决这一难题的理想工具。
二、先搞懂核心：SVM分类算法到底是什么？
（一）SVM的核心思想：找到最优“分类边界”
支持向量机（SVM，Support Vector Machine）是一种经典的机器学习分类算法，其核心逻辑简单又直观——在两类数据之间找到一条“最优分隔超平面”，让两类数据尽可能远离这个平面，从而实现精准分类。
我们可以用一个生活化的例子理解：假设在操场上有两群人（对应两类数据），你需要画一条线把他们分开。普通的分类算法可能随便画一条能分开的线，但SVM的目标是找到“最宽”的那条线——这条线到两群人的距离都最大，这样即使有人稍微移动（对应数据存在微小波动），也不会轻易被分错。这条“最宽的分隔线”，就是SVM的“最优分隔超平面”。
而支撑起这个“最宽边界”的关键数据点，就叫做“支持向量”。比如刚才的例子中，离分隔线最近的那几个人，就是“支持向量”——只要这些点的位置不变，最优分隔线就不会改变，这也让SVM具备了很好的抗干扰能力。
（二）SVM的“杀手锏”：核函数解决非线性问题
在实际场景中，GNSS信号的LOS和NLOS特征数据往往不是简单的“线性可分”（比如无法用一条直线直接分开）。这时候SVM的“核函数”就派上了用场——它能把低维空间中线性不可分的数据，映射到高维空间中，让数据变得线性可分。
举个通俗的例子：在一张纸上（二维空间），你无法用一条直线把分散在圆环内外的两个点群分开；但如果把这张纸卷成一个圆柱（映射到三维空间），原本的圆环就变成了一条直线，两个点群就能轻松用一个平面分开。核函数就相当于这个“卷纸”的操作，常见的核函数有线性核、多项式核、高斯核（RBF核）等，其中高斯核因为能适应复杂的非线性数据分布，是GNSS信号分类中的常用选择。
三、核心方案：基于SVM的GNSS信号LOS/NLOS分类流程
用SVM实现GNSS信号的LOS/NLOS分类，本质是把“信号特征”当作输入，“LOS/NLOS类别”当作输出，通过SVM模型学习特征与类别的映射关系。整个流程清晰易懂，主要分为5个关键步骤：
（一）第一步：数据采集与特征提取——找到区分信号的“关键线索”
分类的前提是找到能有效区分LOS和NLOS信号的“特征”，就像警察通过身高、衣着等特征识别嫌疑人一样。我们首先需要采集不同场景下的GNSS信号数据（包括LOS场景，如开阔空地；NLOS场景，如城市高楼间、林区），然后从原始信号中提取关键特征。
适合LOS/NLOS分类的GNSS信号特征主要有这些：
信号强度（CN0）：LOS信号传播路径短、衰减小，CN0值通常较高（一般大于40 dB·Hz）；NLOS信号经反射后衰减严重，CN0值偏低且波动大。
伪距误差：伪距是GNSS接收机计算的卫星到接收机的距离，LOS信号伪距误差小（通常在1-3米内）；NLOS信号因传播路径变长，伪距误差会显著增大（可达10米以上）。
载波相位平滑误差：载波相位测量精度远高于伪距，LOS信号的载波相位平滑误差小且稳定；NLOS信号受反射干扰，平滑误差会出现明显跳变。
信号到达时间（TOA）波动：LOS信号TOA稳定，波动范围小；NLOS信号因传播路径变化，TOA波动剧烈。
我们把这些特征整理成“特征向量”，每个特征向量对应一个GNSS信号样本，并标注其真实类别（LOS记为1，NLOS记为0），就构成了后续模型训练的数据集。
（二）第二步：数据预处理——让数据更“适合”SVM训练
采集到的原始特征数据往往存在“噪声”（比如测量误差）和“量纲不一致”（比如CN0单位是dB·Hz，伪距误差单位是米）的问题，直接用于训练会影响SVM模型的精度。这一步需要做两件关键工作：
去噪处理：用滑动平均、卡尔曼滤波等方法消除特征数据中的随机噪声，比如对波动较大的CN0数据进行滑动平均，让数据趋势更平稳。
归一化/标准化：将不同量纲的特征统一映射到同一区间（比如[0,1]或[-1,1]），避免某一特征（如伪距误差，数值较大）在训练中占据主导地位。常用的方法是标准化处理：将每个特征值减去该特征的均值，再除以标准差，让处理后的特征服从标准正态分布。
最后，把预处理后的数据集分成两部分：训练集（占比70%-80%）用于训练SVM模型，测试集（占比20%-30%）用于验证模型的分类效果。
（三）第三步：SVM模型构建与参数优化——打造精准分类器
这一步是核心，主要包括“核函数选择”和“参数优化”两个关键环节：
核函数选择：如前所述，GNSS信号的LOS/NLOS特征是典型的非线性关系，因此优先选择高斯核（RBF核）作为SVM的核函数。高斯核能灵活处理非线性数据，适配复杂环境下GNSS信号特征的分布规律。
参数优化：SVM的性能很大程度上依赖两个关键参数：惩罚系数C（控制分类错误的惩罚程度，C越大对错误分类的惩罚越重，容易过拟合；C越小容易欠拟合）和高斯核参数γ（控制核函数的宽度，γ越大模型越复杂，容易过拟合；γ越小模型越简单）。我们可以用“网格搜索+交叉验证”的方法找到最优参数：遍历预设的C和γ取值范围，用交叉验证的方式评估每组参数的分类准确率，最终选择准确率最高的参数组合。
将最优参数代入SVM模型，用训练集数据进行训练，模型就会学习到GNSS信号特征与LOS/NLOS类别的映射关系，生成最终的分类器。
（四）第四步：模型训练与验证——检验分类效果
把训练集输入构建好的SVM模型，模型会通过迭代优化找到最优分隔超平面，完成训练。之后用测试集数据验证模型的分类性能，常用的评价指标有3个，能全面反映模型效果：
准确率（Accuracy）：正确分类的样本数占总样本数的比例，直接反映模型的整体分类能力。
精确率（Precision）：被预测为LOS的样本中，真实为LOS的比例（避免把NLOS误判为LOS，导致定位偏差）。
召回率（Recall）：真实为LOS的样本中，被正确预测为LOS的比例（避免遗漏真实LOS信号，保证定位精度的有效数据源）。
理想情况下，这三个指标都应接近100%。如果指标偏低，需要返回上一步调整参数（如扩大参数搜索范围）或重新优化特征（如增加新的特征维度）。
（五）第五步：实际部署与信号分类——落地应用
训练好的SVM模型可以部署到GNSS接收机或相关定位设备中。实际应用时，设备实时采集GNSS信号，提取上述特征并进行预处理，然后输入SVM模型，模型会在毫秒级时间内输出分类结果（LOS或NLOS）。
后续可以结合分类结果优化定位：对于LOS信号，直接用于定位计算；对于NLOS信号，要么剔除不用，要么通过算法修正其误差后再使用，从而大幅提升复杂环境下的定位精度
⛳️ 运行结果
📣 部分代码
function cleanedData = preprocess_data(losFile, nlosFile)
losData = readtable(losFile);
nlosData = readtable(nlosFile);
losData.Label = repmat("LOS", height(losData), 1);
nlosData.Label = repmat("NLOS", height(nlosData), 1);
combinedData = [losData; nlosData];
% Filter based on signal quality
valid_idx = combinedData.SNR >= 20 & combinedData.SNR <= 60 & ...
combinedData.Elevation > 5 & ...
combinedData.Azimuth >= 0 & combinedData.Azimuth <= 360;
cleanedData = combinedData(valid_idx, :);
fprintf('Filtered data: %d samples (LOS: %d, NLOS: %d)\n', ...
height(cleanedData), sum(cleanedData.Label == "LOS"), sum(cleanedData.Label == "NLOS"));
end
🔗 参考文献
🎈 部分理论引用网络文献，若有侵权联系博主删除
👇 关注我领取海量matlab电子书和数学建模资料
🏆团队擅长辅导定制多种科研领域MATLAB仿真，助力科研梦：
🌟 各类智能优化算法改进及应用
生产调度、经济调度、装配线调度、充电优化、车间调度、发车优化、水库调度、三维装箱、物流选址、货位优化、公交排班优化、充电桩布局优化、车间布局优化、集装箱船配载优化、水泵组合优化、解医疗资源分配优化、设施布局优化、可视域基站和无人机选址优化、背包问题、 风电场布局、时隙分配优化、 最佳分布式发电单元分配、多阶段管道维修、 工厂-中心-需求点三级选址问题、 应急生活物质配送中心选址、 基站选址、 道路灯柱布置、 枢纽节点部署、 输电线路台风监测装置、 集装箱调度、 机组优化、 投资优化组合、云服务器组合优化、 天线线性阵列分布优化、CVRP问题、VRPPD问题、多中心VRP问题、多层网络的VRP问题、多中心多车型的VRP问题、 动态VRP问题、双层车辆路径规划（2E-VRP）、充电车辆路径规划（EVRP）、油电混合车辆路径规划、混合流水车间问题、 订单拆分调度问题、 公交车的调度排班优化问题、航班摆渡车辆调度问题、选址路径规划问题、港口调度、港口岸桥调度、停机位分配、机场航班调度、泄漏源定位、冷链、时间窗、多车场等、选址优化、港口岸桥调度优化、交通阻抗、重分配、停机位分配、机场航班调度、通信上传下载分配优化
🌟 机器学习和深度学习时序、回归、分类、聚类和降维
2.1 bp时序、回归预测和分类
2.2 ENS声神经网络时序、回归预测和分类
2.3 SVM/CNN-SVM/LSSVM/RVM支持向量机系列时序、回归预测和分类
2.4 CNN|TCN|GCN卷积神经网络系列时序、回归预测和分类
2.5 ELM/KELM/RELM/DELM极限学习机系列时序、回归预测和分类
2.6 GRU/Bi-GRU/CNN-GRU/CNN-BiGRU门控神经网络时序、回归预测和分类
2.7 ELMAN递归神经网络时序、回归\预测和分类
2.8 LSTM/BiLSTM/CNN-LSTM/CNN-BiLSTM/长短记忆神经网络系列时序、回归预测和分类
2.9 RBF径向基神经网络时序、回归预测和分类
2.10 DBN深度置信网络时序、回归预测和分类
2.11 FNN模糊神经网络时序、回归预测
2.12 RF随机森林时序、回归预测和分类
2.13 BLS宽度学习时序、回归预测和分类
2.14 PNN脉冲神经网络分类
2.15 模糊小波神经网络预测和分类
2.16 时序、回归预测和分类
2.17 时序、回归预测预测和分类
2.18 XGBOOST集成学习时序、回归预测预测和分类
2.19 Transform各类组合时序、回归预测预测和分类
方向涵盖风电预测、光伏预测、电池寿命预测、辐射源识别、交通流预测、负荷预测、股价预测、PM2.5浓度预测、电池健康状态预测、用电量预测、水体光学参数反演、NLOS信号识别、地铁停车精准预测、变压器故障诊断
🌟图像处理方面
图像识别、图像分割、图像检测、图像隐藏、图像配准、图像拼接、图像融合、图像增强、图像压缩感知
🌟 路径规划方面
旅行商问题（TSP）、车辆路径问题（VRP、MVRP、CVRP、VRPTW等）、无人机三维路径规划、无人机协同、无人机编队、机器人路径规划、栅格地图路径规划、多式联运运输问题、 充电车辆路径规划（EVRP）、 双层车辆路径规划（2E-VRP）、 油电混合车辆路径规划、 船舶航迹规划、 全路径规划规划、 仓储巡逻、公交车时间调度、水库调度优化、多式联运优化
🌟 无人机应用方面
无人机路径规划、无人机控制、无人机编队、无人机协同、无人机任务分配、无人机安全通信轨迹在线优化、车辆协同无人机路径规划、
🌟 通信方面
传感器部署优化、通信协议优化、路由优化、目标定位优化、Dv-Hop定位优化、Leach协议优化、WSN覆盖优化、组播优化、RSSI定位优化、水声通信、通信上传下载分配
🌟 信号处理方面
信号识别、信号加密、信号去噪、信号增强、雷达信号处理、信号水印嵌入提取、肌电信号、脑电信号、信号配时优化、心电信号、DOA估计、编码译码、变分模态分解、管道泄漏、滤波器、数字信号处理+传输+分析+去噪、数字信号调制、误码率、信号估计、DTMF、信号检测
🌟电力系统方面
微电网优化、无功优化、配电网重构、储能配置、有序充电、MPPT优化、家庭用电、电/冷/热负荷预测、电力设备故障诊断、电池管理系统（BMS）SOC/SOH估算（粒子滤波/卡尔曼滤波）、 多目标优化在电力系统调度中的应用、光伏MPPT控制算法改进（扰动观察法/电导增量法）、电动汽车充放电优化、微电网日前日内优化、储能优化、家庭用电优化、供应链优化\智能电网分布式能源经济优化调度，虚拟电厂，能源消纳，风光出力，控制策略，多目标优化，博弈能源调度，鲁棒优化
电力系统核心问题经济调度：机组组合、最优潮流、安全约束优化。新能源消纳：风光储协同规划、弃风弃光率量化、爬坡速率约束建模多能耦合系统：电-气-热联合调度、P2G与储能容量配置新型电力系统关键技术灵活性资源：虚拟电厂、需求响应、V2G车网互动、分布式储能优化稳定与控制：惯量支撑策略、低频振荡抑制、黑启动预案设计低碳转型：碳捕集电厂建模、绿氢制备经济性分析、LCOE度电成本核算风光出力预测：LSTM/Transformer时序预测、预测误差场景生成（GAN/蒙特卡洛）不确定性优化：鲁棒优化、随机规划、机会约束建模能源流分析、PSASP复杂电网建模，经济调度，算法优化改进，模型优化，潮流分析，鲁棒优化，创新点，文献复现微电网配电网规划，运行调度，综合能源，混合储能容量配置，平抑风电波动，多目标优化，静态交通流量分配，阶梯碳交易，分段线性化，光伏混合储能VSG并网运行，构网型变流器， 虚拟同步机等包括混合储能HESS：蓄电池+超级电容器，电压补偿,削峰填谷，一次调频，功率指令跟随，光伏储能参与一次调频，功率平抑，直流母线电压控制；MPPT最大功率跟踪控制，构网型储能，光伏，微电网调度优化，新能源，虚拟同同步机，VSG并网，小信号模型
🌟 元胞自动机方面
交通流 人群疏散 病毒扩散 晶体生长 金属腐蚀
🌟 雷达方面
卡尔曼滤波跟踪、航迹关联、航迹融合、SOC估计、阵列优化、NLOS识别
🌟 车间调度
零等待流水车间调度问题NWFSP、置换流水车间调度问题PFSP、混合流水车间调度问题HFSP、零空闲流水车间调度问题NIFSP、分布式置换流水车间调度问题 DPFSP、阻塞流水车间调度问题BFSP
👇
