基于粒子群優化算法的實時GLONASS相位偏差估計方法與流程

本發明屬于衛星定位系統和定位測量
技術領域：
，具體涉及一種基于粒子群優化算法的實時GLONASS相位偏差估計方法。
背景技術：
：2011年12月8日俄羅斯GLONASS系統控制中心宣布GLONASS己具有全運行能力。迄今為止，除了GPS以外，僅有GLONASS具有全球定位和授時能力，因此很多研究團隊對GLONASS的精密定位方法進行研究。GLONASS采用頻分多址技術，由于衛星所采用的頻率不同，不同衛星在GLONASS接收機端的未校準相位延遲(uncalibratedphasedelays，UPD)也不同，這個差異稱為接收機端相位觀測值的頻率間偏差(inter-frequencybias，IFB)。盡管GLONASS衛星端的UPD可以通過站間差分消除，但對于具有不同頻率的衛星之間組成的雙差模糊度，由于受到接收機端的IFB影響，將不再具備整數特性，不能固定為整數。相同品牌的GLONASS接收機間具有近似的IFB值，但是對于不同品牌的GLONASS接收機，IFB可能會不同(WanningerL.Carrier-phaseinter-frequencybiasesofGLONASSreceivers：JournalofGeodesy，2012，86(2)：139-148)；為避免由于接收機間的IFB不同而造成模糊度無法固定的問題，需要使用相同品牌的接收機進行基線數據采集。但這個要求在實際野外數據采集過程中并不現實：由于GLONASS接收機生產廠家不斷增加，使用不同品牌接收機共同作業的概率也在增加；此外，天線、天線連接線長度以及接收機的重啟，也會對IFB產生影響(ChenJ，XiaoP，ZhangY，etal.GPS/GLONASSsystembiasestimationandapplicationinGPS/GLONASScombinedpositioning：ChinaSatelliteNavigationConference(CSNC)2013Proceedings，2013：323-333)，這些情況均使得GLONASS模糊度固定變得更加復雜。目前針對IFB特性的研究發現，IFB具有隨頻率線性變化的特征，相同類型接收機的IFB基本一致，兩個頻率(L1/L2)上IFB對應的幾何距離偏差是一致的(WanningerL，Wallstab-FreitagS.CombinedprocessingofGPS，GLONASS，andSBAScodephaseandcarrierphasemeasurements：ProceedingsofIONGNSS，2007：866-875)。根據這些特征，提出多種GLONASS模糊度固定的方法。其主要思想是預先求出IFB參數，處理時作為改正數。然而，由于模糊度參數與IFB的線性相關性，這些方法在估計IFB時一般要求有相當長的觀測數據和己知的測站坐標，在確定IFB時還要用同步的GPS觀測數據來增加模糊度參數的穩定性，最終得到相應的IFB信息。也正是因為這個原因，這些方法的效率很低，精度也有待提高。同時，這樣的方法也很難滿足實時定位中對IFB的快速野外標定的需要，因為IFB可能會受到環境的變化以及接收機重新啟動的影響而發生變化。為了實現IFB的快速估計，Tian等學者采用粒子濾波對IFB進行估計，進而實現GLONASS模糊度快速固定(TianY，GeM，NeitzelF.Particlefilter-basedestimationofinter-frequencyphasebiasforreal-timeGLONASSintegerambiguityresolution：JournalofGeodesy，2015，89(11)：1145-1158)。這種方法的優點為(1)在沒有增加待估參數數量情況下，采用搜索的方式實現GLONASS模糊度固定；(2)在沒有IFB先驗信息的情況下，采用較少歷元的GLONASS數據便可實現模糊度固定。但該方法也存在一些不可忽視的缺點：已有研究結果表明，IFB變化率的取值范圍非常小，通常只有給定的IFB變化率值距離真值在±4mm/FN范圍內才能使GLONASS模糊度固定。因此在使用粒子濾波進行參數估計過程中，粒子的采樣間隔一般設置為1mm/FN。由于最大的IFB變化率值小于0.10m/FN，因此粒子的取值區間設為[-0.10，0.10]m/FN。根據粒子采樣間隔以及取值區間，可以得出在粒子集合中粒子的總數為200個。這說明在進行參數估計過程中，每一歷元需要進行200次的法方程構建，解算以及模糊度固定，而其中只有少數的幾次解算才是有效的，這表明該算法的效率并不高，增加了計算負擔，并且當GLONASS衛星個數較多或GLONASS與其它GNSS系統進行組合定位時，進行上述解算需要更多的時間，很難滿足實時模糊度固定的要求；此外，由于粒子濾波采用加權平均方法進行參數計算，可能會使解算出來的結果十分接近IFB變化率真值，但并不在±4mm/FN范圍內，如果使用這樣的估值對IFB變化率參數進行改正，這將導致模糊度并不能成功固定。粒子群優化算法(PSO)是一種進化計算技術，該算法模擬鳥群覓食的行為，通過鳥之間的集體協作使得群體達到最優。與遺傳算法(GA)類似，系統初始化為一組隨機解，通過迭代搜尋最優值。它也是一種基于群體迭代搜尋最優解的優化工具，但它無需進行交叉和變異操作，而是通過粒子在解空間追隨最優的粒子進行搜索。PSO以其結構簡單、容易實現、精度高、收斂快等優點引起了學術界的重視，目前己廣泛應用于函數優化、神經網絡訓練、模糊系統控制以及其他遺傳算法的應用領域。技術實現要素：針對現有技術的不足，本發明提出一種基于粒子群優化算法的實時GLONASS相位偏差估計方法，以達到解決由于IFB和模糊度線性相關所帶來的問題，提高搜索IFB變化率的準確性，避免由于觀測條件變化導致已有的IFB變化率校正參數不可用現象的目的。一種基于粒子群優化算法的實時GLONASS相位偏差估計方法，包括以下步驟：步驟1：獲取基準站和移動站的GLONASS觀測數據，包括GLONASS偽距和載波觀測數據，并逐歷元進行讀取；步驟2、獲取基準站和流動站概略坐標，選擇基準站和流動站的共視衛星，對位置坐標、對流層延遲、電離層延遲以及模糊度參數進行初始化或更新，對基準站和移動站雙差觀測方程進行線性化處理，采用kalman濾波獲得單差模糊度參數向量及其方差協方差陣；步驟3、在將以周為單位的單差模糊度參數投影為以周為單位的雙差模糊度參數的過程中，利用IFB變化率粒子對所有單差模糊度參數進行改正，采用LAMBDA方法進行雙差模糊度固定，將獲得的RATIO值作為評價每個粒子的適應度，并使用粒子群優化算法對IFB變化率粒子的群體最優位置進行搜索，最終獲得最優IFB變化率估值；步驟4、將確定出來的接收機端相位觀測值的頻率間偏差變化率估值作為改正數對單差模糊度參數進行改正，采用LAMBDA方法進行雙差模糊度固定，即完成對GLONASS模糊度的實時固定。步驟2所述的獲取基準站和流動站概略坐標，選擇基準站和流動站的共視衛星，對位置坐標、對流層延遲、電離層延遲以及模糊度參數進行初始化或更新，對基準站和移動站雙差觀測方程進行線性化處理，采用kalman濾波獲得單差模糊度參數向量及其方差協方差陣；具體步驟如下：步驟2-1、采用偽距單點定位方法獲得基準站和移動站的概率坐標；步驟2-2、根據基準站和流動站的觀測數據選擇共視衛星；步驟2-3、在忽略IFB影響的基礎上，構建基準站和移動站的非差觀測方程；步驟2-4、判斷當前是否為首歷元，若是，則對包含位置、對流層延遲、電離層延遲以及模糊度參數的狀態向量及其方差協方差陣進行初始化，否則根據上一歷元的狀態向量對當前歷元的狀態向量進行預測；步驟2-5、在步驟2-3的基礎上構建基準站和移動站雙差觀測方程；短基線情況下的雙差觀測方程，具體公式如下：Pabij=ρabij+ξabij---(1)]]>其中，表示根據和求雙差而獲得的偽距雙差觀測值，表示衛星i與接收機a之間的偽距觀測值；表示衛星j與接收機a之間的偽距觀測值；表示衛星i與接收機b之間的偽距觀測值；表示衛星j與接收機b之間的偽距觀測值；表示根據和獲得的雙差值；表示衛星i與接收機a之間的幾何距離；表示衛星j與接收機a之間的幾何距離；表示衛星i與接收機b之間的幾何距離；表示衛星j與接收機b之間的幾何距離；表示根據和獲得的偽距雙差觀測值測量噪聲；表示衛星i與接收機a之間偽距的測量噪聲；表示衛星j與接收機a之間偽距的測量噪聲；表示衛星i與接收機b之間偽距的測量噪聲；表示衛星j與接收機b之間偽距的測量噪聲；表示衛星i在接收機a和b之間的相位單差觀測值；表示衛星j在接收機a和b之間的相位單差觀測值；表示衛星i頻段n的載波波長；表示衛星j頻段n的載波波長；表示衛星i在接收機a和b之間的單差模糊度；表示衛星j在接收機a和b之間的單差模糊度；表示根據和獲得的載波相位雙差測量值測量噪聲；表示衛星i與接收機a之間的載波相位觀測值的測量噪聲；表示衛星j與接收機a之間的載波相位觀測值的測量噪聲；表示衛星i與接收機b之間的載波相位觀測值的測量噪聲；表示衛星j與接收機b之間的載波相位觀測值的測量噪聲；步驟2-6、對公式(1)和公式(2)進行線性化，獲得誤差方程；具體公式如下：v＝HX-Z(3)其中，v為誤差項；H表示系數陣；X表示狀態向量；Z為OMC值；步驟2-7、采用kalman濾波對狀態向量進行求解。步驟2-3所述的在忽略IFB影響的基礎上，構建基準站和移動站的非差觀測方程；具體公式如下：Pai=ρai-c(dti-dta)-Iai+Tai+ξai---(4)]]>其中，c表示光速；dti表示衛星i的鐘差；dta表示接收機a的鐘差；表示衛星i與接收機a之間的電離層延遲，表示衛星i與接收機a之間的對流層延遲；表示衛星i與接收機a之間的載波相位觀測值；表示衛星i與接收機a之間的載波相位觀測值所對應的非差模糊度。步驟2-4所述的根據上一歷元的狀態向量對當前歷元的狀態向量進行預測；預測公式如下：X^k|k-1=Fk-1X^k-1|k-1Pk|k-1=Fk-1Pk-1Pk-1|k-1Fk-1T+Qk-1---(6)]]>其中，表示k時刻的狀態向量預測值；Fk-1表示k-1時刻系統狀態轉移矩陣；表示k-1時刻的狀態向量；Pk|k-1表示k時刻的狀態向量的方差協方差陣預測值；Pk-1|k-1表示k-1時刻的狀態向量的方差協方差陣；Qk-1表示k-1時刻過程噪聲的方差協方差陣。步驟2-7所述的采用kalman濾波對狀態向量進行求解；具體公式如下：X^k|k=X^k|k-1+Kk(Zk-HkX^k|k-1)Pk|k=Pk|k-1-Pk|k-1-HkT(HkPk|k-1HkT+RkT)-1HkPk|k-1Kk=Pk|k-1HkT(HkPk|k-1HkT+RkT)-1---(7)]]>其中，表示k時刻經過濾波計算所獲得的狀態向量；Kk表示k時刻的濾波增益矩陣；Zk表示k時刻的OMC值；Hk表示k時刻的系數陣；Pk|k表示k時刻經過濾波計算所獲得的狀態向量的方差協方差陣；Rk表示k時刻的觀測值的方差協方差陣。步驟3所述的在將以周為單位的單差模糊度參數投影為以周為單位的雙差模糊度參數的過程中，利用IFB變化率粒子對所有單差模糊度參數進行改正，采用LAMBDA方法進行雙差模糊度固定，將獲得的RATIO值作為評價每個粒子的適應度，并使用粒子群優化算法對IFB變化率粒子的群體最優位置進行搜索，最終獲得最優IFB變化率估值；具體步驟如下：步驟3-1、確定由單差模糊度向雙差模糊度投影的投影矩陣，將單差模糊度參數對應的方差協方差陣投影為雙差模糊度對應的方差協方差陣；步驟3-2、將IFB變化率作為粒子群優化算法的搜索目標，對粒子群參數進行設置，包括粒子個數、群體最大迭代次數、最大和最小慣性因數、學習因子、粒子位置變量的最大值和最小值、粒子速度變量的最大值和最小值以及迭代停止條件；步驟3-3、在指定的范圍內，對粒子群進行隨機初始化，包括隨機位置和速度；步驟3-4、計算每個粒子的適應度；步驟3-5、根據粒子適應度更新粒子個體的歷史最優位置；步驟3-6、根據所有粒子個體的歷史最優位置更新粒子群體的歷史最優位置；步驟3-7、根據粒子個體的歷史最優位置和粒子群體的歷史最優位置更新粒子的位置和速度；步驟3-8、判斷更新后的位置或速度是否超出指定的范圍，若是，則對該粒子的位置或速度重新進行初始化，并執行步驟3-9；否則直接執行步驟3-9；步驟3-9、判斷當前粒子群體的歷史最優位置所對應的適應度是否大于給定閾值或者當前迭代次數是否大于群體最大迭代次數，若是，則當前粒子群體的歷史最優位置作為IFB變化率的最優估值，否則，重復執行步驟3-4至步驟3-9，直到滿足迭代停止條件。步驟3-1所述的確定由單差模糊度向雙差模糊度投影的投影矩陣，將單差模糊度參數對應的方差協方差陣投影為雙差模糊度對應的方差協方差陣；投影過程公式如下：DPDT＝P′(8)其中，P′表示投影后狀態向量的方差協方差陣；P表示投影前狀態向量的方差協方差陣；投影矩陣如下：其中，m為觀測到的GLONASS衛星個數。步驟3-4所述的計算每個粒子的適應度；具體步驟如下：步驟3-4-1、利用IFB變化率粒子對所有單差模糊度參數進行改正；改正公式如下：B~abj=Babj+kjxiλnj---(10)]]>其中，表示改正后的衛星j在接收機a和b之間的單差模糊度參數；表示改正前的衛星j在接收機a和b之間的單差模糊度參數；kj表示GLONASS衛星j所對應的頻率編號；表示GLONASS衛星j在第n頻段上的波長；xi表示當前IFB變化率粒子的位置；步驟3-4-2、利用投影矩陣，將改正后的單差模糊度參數投影為雙差模糊度參數；投影過程公式如下：DX＝X′(11)其中，X表示投影前的狀態向量，具體公式如下：X=xyzBab1Bab2...Babm---(12)]]>公式(12)中，x、y、z為位置參數，該參數在投影前后保持不變；為衛星i在接收機a和b之間的單差模糊度參數，i∈[1，m]，m為觀測到的GLONASS衛星個數；X′表示投影后的狀態向量，具體公式如下：X′=xyzNab12...Nab1m---(13)]]>公式(13)中，為投影后的和之間的雙差模糊度參數，為衛星1在接收機a和b之間的單差模糊度參數，為衛星j在接收機a和b之間的單差模糊度參數，j∈[2，m]；步驟3-4-3、在投影后的參數向量及方差協方差陣中提取出與雙差模糊度有關的部分，采用LAMBDA方法進行雙差模糊度固定，將獲取到的RATIO值作為當前粒子的適應度。本發明優點：1、本發明采用搜索的方式對IFB進行估計，解決了由于IFB和模糊度線性相關所帶來的問題；2、本發明在不增加待估參數個數以及先驗信息條件下，采用粒子群優化算法高效準確搜索出IFB變化率參數；3、本發明可以實時在線對IFB變化率進行估計，可避免由于觀測條件變化導致已有的IFB變化率校正參數不可用現象，適合于實時動態定位；4、本發明采用實時的GLONASS相位偏差估計方法實現了GLONASS實時模糊度固定，可以進一步拓展GLONASS的應用領域。附圖說明圖1為本發明一種實施方式的基于粒子群優化算法的實時GLONASS相位偏差估計方法流程圖；圖2為本發明一種實施方式的步驟2的具體流程圖；圖3為本發明一種實施方式的步驟3的具體流程圖；圖4為本發明一種實施方式的利用粒子群優化算法單歷元估計IFB變化率最優值及所需搜索次數的時間序列示意圖；圖5為本發明一種實施方式的利用粒子群優化算法單歷元估計IFB變化率最優值所對應的模糊度固定解定位精度統計示意圖；圖6為本發明一種實施方式的利用粒子群優化算法逐歷元估計IFB變化率最優值及所需搜索次數的時間序列示意圖；圖7為本發明一種實施方式的利用粒子群優化算法逐歷元估計IFB變化率最優值所對應的模糊度固定解定位精度統計。具體實施方式下面結合附圖對本發明一種實施例做進一步說明。本發明實施例中，基于粒子群優化算法的實時GLONASS相位偏差估計方法，如圖1所示，包括以下步驟：步驟1：獲取基準站和移動站的GLONASS觀測數據，包括GLONASS偽距和載波觀測數據，并逐歷元進行讀取；本發明實施例中，選用一條8.6km長的基線數據，該基線采用兩種不同類型的接收機進行數據采集，兩類接收機分別為TRIMBLENETR9和JPSEGGDT，對應的天線分別為TRM57971.00和AOAD/M_T；基線數據采樣間隔為30s，觀測時長為11h20min；步驟2、獲取基準站和流動站概略坐標，選擇基準站和流動站的共視衛星，對位置坐標、對流層延遲、電離層延遲以及模糊度參數進行初始化或更新，通過對基準站和移動站雙差觀測方程進行線性化處理的方式獲得誤差，采用kalman濾波獲得單差模糊度參數向量及其方差協方差陣；具體流程圖如圖2所示，具體步驟如下：步驟2-1、采用偽距單點定位(SPP)方法獲得基準站和移動站的概率坐標(-2491490.2616，-4660803.2317，3559129.0005)和(-2493304.6796，-4655215.1032，3565497.5918)；步驟2-2、根據基準站和流動站的觀測數據選擇共視衛星；共視衛星的數量會隨著時間變化而變化，在本實施中，共視衛星數量的變化范圍為[5，9]顆；步驟2-3、在忽略IFB影響的基礎上，構建基準站和移動站的非差觀測方程；具體公式如下：Pai=ρai-c(dti-dta)-Iai+Tai+ξai---(4)]]>其中，c表示光速；dti表示衛星i的鐘差；dta表示接收機a的鐘差；表示衛星i與接收機a之間的電離層延遲，表示衛星i與接收機a之間的對流層延遲；表示衛星i與接收機a之間的載波相位觀測值；表示衛星i與接收機a之間的載波相位觀測值所對應的非差模糊度。步驟2-4、判斷當前是否為首歷元，若是，則對包含位置、對流層延遲、電離層延遲以及模糊度參數的狀態向量及其方差協方差陣進行初始化，否則根據上一歷元的狀態向量對當前歷元的狀態向量進行預測；預測公式如下：X^k|k-1=Fk-1X^k-1|k-1Pk|k-1=Fk-1Pk-1|k-1Fk-1T+Qk-1---(6)]]>其中，表示k時刻的狀態向量預測值；Fk-1表示k-1時刻系統狀態轉移矩陣；表示k-1時刻的狀態向量；Pk|k-1表示k時刻的狀態向量的方差協方差陣預測值；Pk-1|k-1表示k-1時刻的狀態向量的方差協方差陣；Qk-1表示k-1時刻過程噪聲的方差協方差陣。步驟2-5、在步驟2-3的基礎上構建基準站和移動站雙差觀測方程；短基線情況下的雙差觀測方程，具體公式如下：Pabij=ρabij+ξabij---(1)]]>其中，表示根據和求雙差而獲得的偽距雙差觀測值，表示衛星i與接收機a之間的偽距觀測值；表示衛星j與接收機a之間的偽距觀測值；表示衛星i與接收機b之間的偽距觀測值；表示衛星j與接收機b之間的偽距觀測值；表示根據和獲得的雙差值；表示衛星i與接收機a之間的幾何距離；表示衛星j與接收機a之間的幾何距離；表示衛星i與接收機b之間的幾何距離；表示衛星j與接收機b之間的幾何距離；表示根據和獲得的偽距雙差觀測值測量噪聲；表示衛星i與接收機a之間偽距的測量噪聲；表示衛星j與接收機a之間偽距的測量噪聲；表示衛星i與接收機b之間偽距的測量噪聲；表示衛星j與接收機b之間偽距的測量噪聲；表示衛星i在接收機a和b之間的相位單差觀測值；表示衛星j在接收機a和b之間的相位單差觀測值；表示衛星i頻段n的載波波長；表示衛星j頻段n的載波波長；表示衛星i在接收機a和b之間的單差模糊度；表示衛星j在接收機a和b之間的單差模糊度；表示根據和獲得的載波相位雙差測量值測量噪聲；表示衛星i與接收機a之間的載波相位觀測值的測量噪聲；表示衛星j與接收機a之間的載波相位觀測值的測量噪聲；表示衛星i與接收機b之間的載波相位觀測值的測量噪聲；表示衛星j與接收機b之間的載波相位觀測值的測量噪聲；步驟2-6、對公式(1)和公式(2)進行線性化，獲得誤差方程；具體公式如下：v＝HX-Z(3)其中，v為誤差項；H表示系數陣；X表示狀態向量；Z為OMC值；步驟2-7、采用kalman濾波對狀態向量進行求解。具體公式如下：X^k|k=X^k|k-1+Kk(Zk-HkX^k|k-1)Pk|k=Pk|k-1-Pk|k-1HkT(HkPk|k-1HkT+RkT)-1HkPk|k-1Kk=Pk|k-1HkT(HkPk|k-1HkT+RkT)-1---(7)]]>其中，表示k時刻經過濾波計算所獲得的狀態向量；Kk表示k時刻的濾波增益矩陣；Zk表示k時刻的OMC值；Hk表示k時刻的系數陣；Pk|k表示k時刻經過濾波計算所獲得的狀態向量的方差協方差陣；Rk表示k時刻的觀測值的方差協方差陣。步驟3、在將以周為單位的單差模糊度參數投影為以周為單位的雙差模糊度參數的過程中，利用IFB變化率粒子對所有單差模糊度參數進行改正，采用LAMBDA方法進行雙差模糊度固定，將獲得的RATIO值作為評價每個粒子的適應度，并使用粒子群優化算法對IFB變化率粒子的群體最優位置進行搜索，最終獲得最優IFB變化率估值；具體流程圖如圖3所示，具體步驟如下：步驟3-1、確定由單差模糊度向雙差模糊度投影的投影矩陣，將單差模糊度參數對應的方差協方差陣投影為雙差模糊度對應的方差協方差陣；投影過程公式如下：DPDT＝P′(8)其中，P′表示投影后狀態向量的方差協方差陣；P表示投影前狀態向量的方差協方差陣；投影矩陣如下：其中，m為觀測到的GLONASS衛星個數。本發明實施例中，m的取值范圍為[5，9]；步驟3-2、將IFB變化率作為粒子群優化算法的搜索目標，對粒子群參數進行設置；本發明實施例中，設置粒子個數設為10；群體最大迭代次數設為10；最大和最小慣性因數分別設為0.2和1.2；學習因子c1和c2均設為2；粒子位置變量的最大值和最小值分為設為-0.1和0.1；粒子速度變量的最大值和最小值分別為0.03和0；迭代停止條件中gbest所對應的適應度閾值設為4.5；步驟3-3、在[-0.1，0.1]范圍內，對粒子群進行隨機初始化，包括隨機位置和速度；步驟3-4、計算每個粒子的適應度；具體步驟如下：步驟3-4-1、利用IFB變化率粒子對所有單差模糊度參數進行改正；改正公式如下：B~abj=Babj+kjxiλnj---(10)]]>其中，表示改正后的衛星j在接收機a和b之間的單差模糊度參數；表示改正前的衛星j在接收機a和b之間的單差模糊度參數；kj表示GLONASS衛星j所對應的頻率編號；表示GLONASS衛星j在第n頻段上的波長；xi表示當前IFB變化率粒子的位置；步驟3-4-2、利用投影矩陣，將改正后的單差模糊度參數投影為雙差模糊度參數；投影過程公式如下：DX＝X′(11)其中，X表示投影前的狀態向量，具體公式如下：X=xyzBab1Bab2...Babm---(12)]]>公式(12)中，x、y、z為位置參數，該參數在投影前后保持不變；為衛星i在接收機a和b之間的單差模糊度參數，i∈[1，m]，例為觀測到的GLONASS衛星個數；X′表示投影后的狀態向量，具體公式如下：X′=xyzNab12...Nab1m---(13)]]>公式(13)中，為投影后的和之間的雙差模糊度參數，為衛星1在接收機a和b之間的單差模糊度參數，為衛星j在接收機a和b之間的單差模糊度參數，j∈[2，m]；步驟3-4-3、在投影后的參數向量及方差協方差陣中提取出與雙差模糊度有關的部分，采用LAMBDA方法進行雙差模糊度固定，將獲取到的RATIO值作為當前粒子的適應度。步驟3-5、根據粒子適應度更新粒子個體的歷史最優位置；步驟3-6、根據所有粒子個體的歷史最優位置更新粒子群體的歷史最優位置；步驟3-7、根據粒子個體的歷史最優位置和粒子群體的歷史最優位置更新粒子的位置和速度；公式如下：vik+1=wkvik+c1r1(pbesti-xik)+c2r2(gbest-xik)---(14)]]>xik+1=xik+vik+1---(15)]]>式(14)中：wk=wminfik<fthreswmaxfik≥fthres---(16)]]>其中，是第i個粒子在第k次迭代時的位置；是第i個粒子在第k次迭代時的速度；是第i個粒子在第k+1次迭代時的位置；是第i個粒子在第k+1次迭代時的速度；wk是第i個粒子在第k次迭代時的慣性因子；是第i個粒子在第k次迭代時的適應度，fthres是為判斷粒子適應度是否可信而設置的一個閾值，wmin和wmax分別是設定的最小和最大慣性因子；c1和c2是設定的學習因子；r1和r2為[0，1]區間的均勻分布隨機函數；pbesti是第i個粒子的歷史最優位置；gbest是所有粒子的群體歷史最優位置；步驟3-8、判斷更新后的位置是否超出[-0.1，0.1]范圍或速度是否超出[0，0.03]范圍，若是，則對該粒子的位置或速度重新進行初始化，并執行步驟3-9；否則直接執行步驟3-9；步驟3-9、判斷當前粒子群體的歷史最優位置所對應的適應度是否大于給定閾值4.5或者當前迭代次數是否大于群體最大迭代次數10，若是，則當前粒子群體的歷史最優位置作為IFB變化率的最優估值，否則，重復執行步驟3-4至步驟3-9，直到滿足迭代停止條件。步驟4、將確定出來的接收機端相位觀測值的頻率間偏差變化率估值作為改正數對單差模糊度參數進行改正，采用LAMBDA方法進行雙差模糊度固定，即完成對GLONASS模糊度的實時固定；具體如下：步驟4-1、將確定出來的IFB變化率估值作為改正數對GLONASS單差模糊度參數進行改正；步驟4-2、使用投影矩陣D，將改正后的單差模糊度參數及其方差協方差陣投影為雙差模糊度參數及其方差協方差陣；步驟4-3、采用LAMBDA方法進行雙差模糊度固定；步驟4-4、使用RATIO值對模糊度固定解進行驗證，如果RATIO值大于3，那么說明當前歷元模糊度固定成功，利用固定的雙差模糊度值對其它非模糊度參數進行改正，獲得當前歷元的模糊度固定解，同時根據參考衛星的單差模糊度值以及固定的雙差模糊度值對投影前的單差模糊度進行改正，為下一歷元數據處理做準備；如果RATIO值小于3，說明當前歷元無法模糊度固定，以浮點解作為當前歷元的最終解；步驟4-5、如果連續n(n≥5)個歷元均為模糊度固定解，并且這n個歷元所求得的n個IFB變化率估值十分接近，它們的標準差小于0.004，那么縮小下一歷元粒子群的搜索范圍，進一步提高粒子群搜索效率；本發明實施例中，將本發明所述方法與基于粒子濾波的IFB變化率估計方法(TianY，GeM，NeitzelF.Particlefilter-basedestimationofinter-frequencyphasebiasforreal-timeGLONASSintegerambiguityresolution：JournalofGeodesy，2015，89(11)：1145-1158)進行比較，利用本發明所述方法采用單歷元數據處理方式對觀測數據進行處理；如圖4所示，在觀測時段內，1360個歷元中有98.6％的歷元能夠準確搜索出IFB變化率，只有極少歷元無法準確確定出對應的IFB變化率估值，對于這些歷元，其搜索次數已經達到最大搜索次數，并且對應的適應度也均小于3，說明無論采用何種方式進行搜索，均無法使這些歷元的模糊度固定，出現這類現象的可能原因為這些歷元的觀測數據質量不佳，即使給定準確的IFB變化率改正值，采用單歷元數據也無法進行模糊度固定，因而也無法準確搜索出IFB變化率。采用本發明所述方法進行IFB變化率搜索，每歷元平均搜索次數為32次，而對于基于粒子濾波的IFB變化率估計方法，首先該方法無法實現單歷元IFB變化率估計，通常需要一定數量的歷元進行收斂；其次該方法的每歷元平均搜索次數至少為200次。該實驗中單歷元模糊度固定成功率達到96.2％，為了進一步驗證模糊度固定的可靠性，將模糊度固定解的定位精度進行分析。如圖5所示，將模糊度固定解的定位結果與其真值進行比較，其在東(E)、北(N)、高(U)三個方向上的最大坐標偏差分別為11.7、16.7和36.7mm，平均定位精度分別為0.3、0.1和0.5mm，中誤差分別為4.3、4.8和11.1mm；根據以上的實驗結果統計分析表明使用本發明所述方法可以高效準確的獲得IFB變化率估值，同時也可以獲得可靠的模糊度固定解。單歷元數據處理方式可以很好的檢驗算法的性能，但在實際數據處理過程中，通常采用濾波的方式對數據進行逐歷元處理。利用本發明所述方法對上述觀測數據進行逐歷元數據處理；粒子群參數設置如單歷元數據處理方式。如圖6所示，在觀測時段內，所有歷元都能夠準確搜索出IFB變化率，其平均值為6.7mm/FN，標準差為2mm/FN；每歷元平均搜索次數為9次；模糊度固定成功率為97.8％。相較于單歷元數據處理方式，采用濾波方式的逐歷元數據處理可以更好的發揮本發明所述方法的性能。需要說明的是：相對于使用最小二乘和基于粒子濾波的IFB變化率估計方法，使用本發明所述方法獲取的IFB變化率并不夠穩定，這是因為在使用粒子群優化算法進行IFB變化率最優值搜索過程中，需要同時顧及解算效率和精度，考慮到實時定位對解算效率的要求，我們需要的并不是絕對群體最優值，而是既能夠滿足模糊度固定所需基本條件又能夠達到搜索次數最少效果的近似最優值，因此利用本發明所述方法獲取到的IFB變化率估值雖然不是十分穩定，但可以達到較好的模糊度固定效果。為了對本次實驗中的模糊度固定解的定位精度進行分析，將模糊度固定解的定位結果與其真值進行比較，如圖7所示，在E、N、U三個方向上的最大坐標偏差分別為11.7、14.4和31.4mm，平均定位精度分別為0.1、0.0和0.1mm，中誤差分別為4.2、4.6和11.5mm，以上統計結果說明利用本專利所述方法獲取的模糊度固定解十分可靠。以上所述，僅為本發明中最基礎的具體實施方式，但本發明的保護范圍并不局限于此，任何本
技術領域：
人士在本發明所揭露的技術范圍內，可理解到的替換，都應涵蓋在本發明的包含范圍之內。因此，本發明的保護范圍應該以權利要求書的保護范圍為準。當前第1頁1 2 3