本發(fā)明涉及導航
技術領域：
，具體涉及一種導航精度高的汽車導航系統(tǒng)。
背景技術：
：全球定位系統(tǒng)(gps)是美軍研制的新一代空間衛(wèi)星導航定位系統(tǒng)，它具有全天候、全球覆蓋、測速定時精度高等特點，在地殼運動監(jiān)測、船只實時調度和導航、飛機導航等方面都有廣泛的應用。隨著全球定位系統(tǒng)的發(fā)展，汽車導航的準確度和實時性也得到了長足的發(fā)展。但現(xiàn)有的汽車導航系統(tǒng)存在結構復雜、導航精度低等缺點。技術實現(xiàn)要素：針對上述問題，本發(fā)明旨在提供一種導航精度高的汽車導航系統(tǒng)。本發(fā)明的目的采用以下技術方案來實現(xiàn)：提供了一種導航精度高的汽車導航系統(tǒng)，包括定位模塊、方位傳感模塊、速度傳感模塊、地理信息獲取裝置和控制裝置，所述控制裝置與所述定位模塊、方位傳感模塊、速度傳感模塊、地理信息獲取裝置相連，所述定位模塊用于接收gps信號對汽車進行定位，所述方位傳感模塊和速度傳感模塊分別用于檢測汽車的轉動角度和速度，所述地理信息獲取裝置用于獲取地理信息，所述控制裝置用于根據(jù)汽車定位、轉動角度、速度和地理信息對汽車進行導航。本發(fā)明的有益效果為：提供了一種結構簡單、導航精度高且控制方便的汽車導航系統(tǒng)。附圖說明利用附圖對本發(fā)明作進一步說明，但附圖中的實施例不構成對本發(fā)明的任何限制，對于本領域的普通技術人員，在不付出創(chuàng)造性勞動的前提下，還可以根據(jù)以下附圖獲得其它的附圖。圖1是本發(fā)明的結構示意圖；附圖標記：定位模塊1、方位傳感模塊2、速度傳感模塊3、地理信息獲取裝置4、控制裝置5。具體實施方式結合以下實施例對本發(fā)明作進一步描述。參見圖1，本實施例的一種導航精度高的汽車導航系統(tǒng)，包括定位模塊1、方位傳感模塊2、速度傳感模塊3、地理信息獲取裝置4和控制裝置5，所述控制裝置5與所述定位模塊1、方位傳感模塊2、速度傳感模塊3、地理信息獲取裝置4相連，所述定位模塊1用于接收gps信號對汽車進行定位，所述方位傳感模塊2和速度傳感模塊3分別用于檢測汽車的轉動角度和速度，所述地理信息獲取裝置4用于獲取地理信息，所述控制裝置5用于根據(jù)汽車定位、轉動角度、速度和地理信息對汽車進行導航。本實施例提供了一種結構簡單、導航精度高且控制方便的汽車導航系統(tǒng)。優(yōu)選的，所述控制裝置5包括顯示器，用于顯示當前位置信息和行駛路線信息。本優(yōu)選實施例對導航信息進行顯示，提升了用戶體驗。優(yōu)選的，所述地理信息獲取裝置4包括高光譜圖像數(shù)據(jù)采集設備和高光譜圖像數(shù)據(jù)分類設備，所述高光譜圖像數(shù)據(jù)采集設備用于采集高光譜圖像數(shù)據(jù)，所述高光譜圖像數(shù)據(jù)分類設備用于對高光譜圖像數(shù)據(jù)進行分類，得到相應的地理信息。本優(yōu)選實施例實現(xiàn)了地理信息的準確獲取。優(yōu)選的，所述高光譜圖像數(shù)據(jù)分類設備包括第一建模模塊、第二分類模塊和第三評價模塊，所述第一建模模塊采用向量模型表示高光譜圖像數(shù)據(jù)，所述第二分類模塊用于對高光譜圖像數(shù)據(jù)進行分類，所述第三評價模塊用于對分類結果進行評價；所述向量模型用于將高光譜數(shù)據(jù)中的每個像元對應著多個波段的反射值表示為多維空間的一個向量；所述第二分類模塊包括一次分類單元、二次分類單元和三次分類單元，所述一次分類單元對高光譜圖像數(shù)據(jù)進行初步分類，所述二次分類單元對高光譜圖像數(shù)據(jù)進行二次分類，所述三次分類單元對高光譜圖像數(shù)據(jù)進行最終分類。本實施例地理信息獲取裝置中的高光譜圖像數(shù)據(jù)分類設備實現(xiàn)了高光譜圖像數(shù)據(jù)的分類和對分類結果的評價，具體的，向量模型定量描述了目標的光譜輻射特性及其在多維空間中的變化規(guī)律，將每個像元用多維向量表示，更適合計算機進行處理，能夠更好地表征地物的分布特性及其變化規(guī)律，獲取更準確的地理信息，為精確導航提供保證。優(yōu)選的，對高光譜圖像數(shù)據(jù)進行初步分類，具體為：第一步，設高光譜圖像樣本點的向量集為初始類別數(shù)目為z，其中，xi表示第i個樣本點的向量表示，xi均無標簽，m表示eh中樣本點的個數(shù)；第二步，從高光譜數(shù)據(jù)樣本集eh中隨機選取z個樣本點作為初始分類中心，分別記為yw1(0),yw2(0),…,ywz(0)，初始分類結果記為：初始化迭代次數(shù)k＝0；第三步，計算樣本集eh中的樣本點到各個分類中心的距離，選擇距離最近分類中心所屬的類別作為樣本點的分類，得到新的分類結果表示第k次迭代中第j類樣本點分類結果，重新計算各個分類的中心：上述式子中,表示中所含樣本點數(shù)量，表示中所含樣本點數(shù)量；第四步，重復第三步，直到達到最大迭代次數(shù)或者滿足收斂條件，完成分類，得到初次分類結果；所述收斂條件為上述式子中,β為預先設定的參數(shù)，i＝1,2,…,m，j∈[1,z]，表示樣本點xi和分類中心ywj(k)之間的距離，距離越小，表示樣本點間的相似程度越大；采用以下方式計算：上述式子中，xi和xl表示樣本點。本優(yōu)選實施例第二分類模塊的一次分類單元在重新計算各個分類中心時，考慮了上一次迭代結果對本次分類的影響，減少了本次數(shù)據(jù)異常對分類結果帶來的影響，獲取了更為準確的分類結果，在設定收斂條件時，考慮了兩次迭代差對于和的相對值，獲取的分類結果更為精細，在距離度量過程中，采用距離來衡量各個樣本點的光譜特征相似性，其相似性度量更加符合高光譜圖像數(shù)據(jù)的特性，且該樣本點相似性衡量方式的抗干擾能力較強，受樣本點向量的乘性噪聲干擾小，綜上所述，一次分類單元采用無監(jiān)督分類的方法對高光譜數(shù)據(jù)的樣本點進行分類，獲取了樣本點的分類情況，完成了對不同類別的區(qū)分。優(yōu)選的，對高光譜圖像數(shù)據(jù)進行二次分類，具體為：第一步，從樣本集eh中隨機選擇n1個未標簽的樣本點，結合標簽樣本點，構造訓練樣本集其中，yr表示第r個樣本點的向量表示，n表示y1中樣本點的個數(shù)；第二步，采用一次分類單元對訓練樣本集y1進行p次分類，每次分類類別數(shù)均為z，但每次都隨機選擇初始分類中心，得到fp(yr)，fp(yr)表示樣本點yr在第p次分類中的分類結果，其中，p＝1,2,…,p；第三步，根據(jù)訓練樣本集y1中樣本點yr和ys在p次分類中屬于同一類別的次數(shù)，構造核函數(shù)lg1：上述式子中，[fp(yr)＝＝fp(ys)]用于判斷樣本點yr和ys在第p次分類中是否屬于同一類別，若是則取1，否則為0；第四步，利用核函數(shù)lg1對訓練樣本集y1進行非線性變換，得到用于訓練最小二乘支持向量機分類器的訓練集，采用訓練好的分類器對樣本集eh進行分類，得到二次分類結果；所述三次分類單元采用二次分類結果作為最終分類結果，對于二次分類結果與初次分類結果不一致的樣本點，采用一次分類結果作為最終分類結果。本優(yōu)選實施例第二分類模塊的二次分類單元采用無監(jiān)督分類與半監(jiān)督分類相結合的方法對高光譜圖像數(shù)據(jù)進行分類，由于標簽樣本點的存在，在獲取樣本點分類情況的基礎上，獲取了各個類別的屬性。優(yōu)選的，采用評價函數(shù)對分類結果進行評價，評價函數(shù)采用下式計算：上述式子中，t代表類別數(shù)量，zc表示樣本數(shù)量，ruij為高光譜圖像數(shù)據(jù)分類結果的混淆矩陣，表示類別j被分類為類別i的樣本數(shù)量，i≠j；cs越小，表明分類結果越準確。本優(yōu)選實施例第三評價模塊通過建立評價函數(shù)cs對分類結果進行評價，評價函數(shù)反映了隨機樣本的分類結果與真實標記類別相一致情況,保證了分類的準確性，從而保證了導航的精度。采用本發(fā)明導航精度高的汽車導航系統(tǒng)進行導航，選取5條路線進行導航，并將其編為路線1、路線2、路線3、路線4和路線5，對導航時間和導航準確性進行分析，同現(xiàn)有導航系統(tǒng)相比，產(chǎn)生的有益效果如下表所示：導航時間縮短導航準確性提高路線123％21％路線225％20％路線324％23％路線426％22％路線524％23％最后應當說明的是，以上實施例僅用以說明本發(fā)明的技術方案，而非對本發(fā)明保護范圍的限制，盡管參照較佳實施例對本發(fā)明作了詳細地說明，本領域的普通技術人員應當理解，可以對本發(fā)明的技術方案進行修改或者等同替換，而不脫離本發(fā)明技術方案的實質和范圍。當前第1頁12