一種基于實測氣象參數的對流層天頂延遲改正方法
【技術領域】
[0001] 本發明設及全球導航系統領域，特別設及是一種GNSS全球與區域對流層延遲改 正的計算方法。
【背景技術】
[0002] 對流層折射延遲是全球衛星導航系統（GlobalPfevigationSatelliteSystem, 簡稱GNS巧導航和定位的主要誤差源之一，其對電磁波信號產生的影響是非色散的折射， 即折射率與電磁波的頻率或波長無關，只與傳播速度有關。由于對流層折射的影響，在天頂 方向可使電磁波的傳播路徑差達到2. 3m;當衛星高度角為10°時可達20m。因此運種影響 在全球衛星導航系統導航和定位中必須予W消除或削弱。
[0003] 由于影響對流層的因素很多且帶有較大的隨意性，特別是天頂濕延遲的不規則性 較強，而我們對其變化規律尚未完全搞清楚，從而使對流層延遲中產生了很多不規則變化。 而且，對流層在建模的時候做了很多簡化和假設，利用Saastamoinen模型得到的對流層天 頂延遲狂TD)的精度一般只有厘米至分米，不能滿足實際精密工程測量和導航定位的需 要。
【發明內容】
[0004] 發明目的：為了克服現有技術中存在的不足，本發明提供一種基于實測氣象參數 的對流程延遲改正方法，用于解決現有的方法得到的對流層天頂延遲精度差的技術問題。
[0005] 技術方案：為實現上述目的，本發明采用的技術方案為：
[0006] -種基于實測氣象參數的對流層天頂延遲改正方法，包括順序執行的W下步驟：
[0007] 步驟1、利用BP神經網絡建立W用戶位置處的大氣壓P。、水汽壓e。、溫度T。、用戶 的締度夢、用戶的高度hW及Saastamoinen模型的對流層天頂延遲ZTDsms組成的輸入量與 WSaastamoinen模型所計算的對流層天頂延遲的殘差RESbpw所形成的輸出量之間的非線 性關系；BP神經網絡的輸入端與輸出端之間設置有隱含層，隱含層中的通常設置為雙隱含 層且每個隱含層的節點為3個；
[0008] 步驟2、選擇IGS(國際GNSS服務組織）提供的歷史對流層天頂延遲數據W及相 應的大氣壓P。、水汽壓e。、溫度T。、用戶的締度胖、用戶的高度h用于訓練步驟1中建立的BP 神經網絡，為了提高準確性，上述歷史數據需至少為期一年；運里對流層天頂延遲ZTDsms和 實測氣象參數即大氣壓P。、水汽壓e。、溫度T。可W分別在W下兩個網址下載獲得：
[0009] ftp://cddis.gsfc.nasa.gov/pub/gps/products/troposphere/zpd/;
[0010] ftp://cddis.gsfc.nasa.gov/pub/gps/data/daily/;
[0011] 步驟3、W待求用戶所在位置對應的大氣壓P。、水汽壓e。、溫度T。、用戶的締度9和 用戶的高度h代入下式計算Saastamoinen模型的對流層天頂延遲ZTDsaas
[0012]
[0013] 步驟4、利用待求用戶所在位置對應的大氣壓P。、水汽壓e。、溫度T。、用戶的締度夢、 用戶的高度hW及步驟3中計算出來的Saastamoinen模型的對流層天頂延遲ZTDsms，代入 步驟2中已經訓練完畢的BP神經網絡并來計算待求用戶位置的Saastamonien模型所計算 的對流層天頂延遲的殘差RESww;
[0014] 步驟5、對Saastamonien模型進行誤差補償，即利用步驟4中計算出來的待求 用戶位置的Saastamonien模型所計算的對流層天頂延遲的殘差RESepww補償步驟3中的 Saastamoinen模型的對流層天頂延遲ZTDsaas獲得本發明的ISAAS模型計算的待求用戶位 置的對流程天頂延遲的為ZTDisms=ZTDsms+RESbpnn。
[0015] 有益效果：
[0016] 本發明選用合理輸入輸出參數建立BP神經網絡，并用歷史數據對其進行訓練，使 得利用本發明計算出的對流層天頂延遲要比Saastamonien模型的精度提高大約12.4%。 因此，對于一定區域的對流層，可W利用本發明提出的方法計算其延遲數值。
【附圖說明】
[0017] 圖1為Saastamoinen模型誤差的神經網絡設計圖；
[0018] 圖2為本發明的模型補償策略；
[0019] 圖3為建模和測試的IGS站分布圖；
[0020] 圖4為本發明的模型和Saastamoinen模型平均偏差BIAS比較分析結果；
[002。圖5為本發明的模型和Saastamoinen模型中誤差RISE比較分析結果。
【具體實施方式】
[0022] 下面結合附圖對本發明作更進一步的說明。
[0023] 步驟1、利用BP神經網絡技術表示Saastamoinen模型誤差。
[0024] 利用BP神經網絡來表示Saastamoinen模型所計算的對流層天頂延遲的殘差 RESwww與地面氣象參數、地理坐標和模型值的非線性關系。該BP神經網絡具體結構如圖1 所示，其中：地面氣象參數（包括大氣壓P。、水汽壓e。和溫度T。)、用戶的位置（用戶的締度 9和用戶的高度h)和Saastamoinen模型的對流層天頂延遲ZTDsms為該神經網絡的輸入參 數，Saastamoinen模型所計算的對流層天頂延遲的殘差RESbpw為輸出參數。
[00巧]其中，Saastamoinen模型的對流層天頂延遲ZTDsms計算公式如下所示：
[0026]
[0027] 步驟2、使用高精度的IGS對流層延遲產品數據訓練BP神經網絡。
[0028] W圖4所示的俄羅斯地區作為研究地區，選擇該區域中的8個IGS站的一年的數 據作為建模數據，IGS站的具體名稱和位置見表1。
[0029] 表 1
[0030]
[0031] 運8個IGS站提供了至少一年的IGS的對流層天頂延遲ZTDsms、對應的實測氣象 參數數據和大致的地理坐標。對流層天頂延遲ZTDsms和實測氣象參數可W分別在一下兩個 網址下載：
[0032] ftp://cddis.gsfc.nasa.gov/pub/gps/products/troposphere/zpd/;
[0033] ftp://cddis.gsfc.nasa.gOv/pub/gps/data/daily/D
[0034] 利用上述8個IGS站的2011年全年或者2012全年數據對如圖1所示設計的BP 神經網絡進行訓練。部分建模數據如表2所示：
[0035] 表 2
[0036]
[0037]
[0038] 步驟3、用Saastamoinen模型方法計算待求用戶所在位置的對流層天頂延遲 ZTDaus。
[0039] 為了對模型效果驗證，選取3個IGS站（如表3和圖4所示）作為待求用戶所在 位置，選取待求用戶所在位置處的大氣壓P。、水汽壓e。、溫度T。、用戶的締度0和用戶的高度 h運些數據，按照公式（1)計算Saastamoinen模型的對流程天頂延遲ZTDsms。
[0040] 表 3
[0041]
[0042]
[0043] 步驟4、用已經訓練完畢的BP神經網絡計算待求用戶所在位置的所計算的對流層 天頂延遲的殘差RESww。
[0044] 利用待求用戶所在位置對應的大氣壓P。、水汽壓e。、溫度T。、用戶的締度@、用戶的 高度hW及步驟3中計算出來的Saastamoinen模型的對流層天頂延遲ZTDsms作為輸入數 據代入步驟2中已經訓練完畢的BP神經網絡并來計算待求用戶位置的Saastamonien模型 所計算的對流層天頂延遲的殘差RESww;
[0045] 步驟5、計算修改后對流層天頂延遲。
[0046] 對Saastamonien模型進行誤差補償，即利用步驟4中計算出待求用戶位置的 Saastamonien模型所計算的對流層天頂延遲的殘差RESbpnn補償步驟3中Saastamoinen模 型的對流層天頂延遲ZTDsms，如圖2所示。因此，本發明的模型即ISAAS模型計算的用戶位 置的對流程天頂延遲的應為：ZTDisms=ZTDsms+RESww。
[0047] W平均偏差BIAS和中誤差RISE作為模型比較分析驗證的基本標準，它們的計算 式分別為：
[0050] 其中：N是用于測試數據的數量；為模型計算值即各個模型的對流層天頂延 遲；Z77'為真值，即IGS所提供對流層天頂延遲數據。
[0051] 圖4從上到下分別為badg、pets和svtl運S個測試站ISAAS模型與Saastamoinen 模型平均偏差BIAS比較分析結果。圖5從上到下分別為badg、pets和svtlS個測試站 ISAAS模型和Saastamoinen模型中誤差RISE比較分析結果比較分析結果。通過在一年中不 同的時間段的BIAS和RISE比較分析結果，可W看出本發明的ISAAS模型計算方法的BIAS 得到很大改進，而MSE得到一定的提高。表4為ISAAS模型計算方法的一年的精度，結果 表明在測試立個站有一定的提高，ISAAS模型計算出的對流層天頂延遲要比Saastamonien 模型提高大約12.4%。
[0052] 表 4
[0053]
[0054] 因此，對于一定區域的對流層，可W利用本發明提出的方法計算其延遲數值。
[0055] 凡是根據本發明技術實質對W上實施所作的任何簡單修改、變更W及等效結構變 化，均仍屬于本發明技術方案的保護范圍內。
【主權項】
1. 一種基于實測氣象參數的對流層天頂延遲改正方法，其特征在于：包括順序執行的 以下步驟： 步驟1、利用BP神經網絡建立以用戶位置處的大氣壓P。、水汽壓e。、溫度T。、用戶的煒 度用戶的高度h以及Saastamoinen模型的對流層天頂延遲ZTDsms組成的輸入量與以 Saastamoinen模型所計算的對流層天頂延遲的殘差RESbpnnK形成的輸出量之間的非線性 關系； 步驟2、選擇IGS提供的歷史對流層天頂延遲數據以及相應的大氣壓P。、水汽壓e。、溫 度T。、用戶的煒度f、用戶的高度h用于訓練步驟1中建立的BP神經網絡； 步驟3、以待求用戶所在位置對應的大氣壓P。、水汽壓e。、溫度T。、用戶的煒度於和用戶 的高度h代入下式計算Saastamoinen模型的對流層天頂延遲ZTDsms步驟4、利用待求用戶所在位置對應的大氣壓P。、水汽壓e。、溫度T。、用戶的煒度，用戶 的高度h以及步驟3中計算出來的Saastamoinen模型的對流層天頂延遲ZTDsms，代入步驟 2中已經訓練完畢的BP神經網絡并來計算待求用戶位置的Saastamonien模型所計算的對 流層天頂延遲的殘差RES bpnn; 步驟5、利用步驟4中計算出來的待求用戶位置的Saastamonien模型所計算的對流層 天頂延遲的殘差RESBPNt^h償步驟3中的Saastamoinen模型的對流層天頂延遲ZTD 5^獲得 待求用戶所在位置的對流程天頂延遲的為ZTDisaas= ZTD saas+RESbpnn。2. 根據權利要求1所述的基于實測氣象參數的對流層天頂延遲改正方法，其特征在 于：BP神經網絡的輸入端與輸出端之間設置有隱含層，隱含層設置為雙隱含層且每個隱含 層的節點為3個。
【專利摘要】本發明公開了一種GNSS區域對流層天頂延遲改正的ISAAS模型計算方法，首先利用BP神經網絡技術表示Saastamoinen模型誤差；使用高精度的IGS對流層延遲產品數據訓練BP神經網絡；然后，用Saastamoinen模型方法計算用戶位置的對流層天頂延遲；接著，用已經訓練完畢的BP神經網絡計算用戶位置的Saastamonien模型模型殘差；最后、計算修改后對流層天頂延遲。本發明計算出的對流層天頂延遲要比Saastamonien模型的精度提高大約12.4％。因此，對于一定區域的對流層，可以利用本發明提出的方法計算其延遲數值。
【IPC分類】G01S19/07
【公開號】CN105182366
【申請號】CN201510557767
【發明人】胡伍生, 丁茂華, 余龍飛, 王松寒
【申請人】東南大學
【公開日】2015年12月23日
【申請日】2015年9月2日