一种基于BP-EGNOS融合模型的对流层延迟改正方法

摘要

本发明公开了一种基于BP‑EGNOS融合模型的对流层延迟改正方法，包括以下的步骤：S1:构建一个4×P×1的BP神经网络模型，表示测站处对流层延迟残差RES与测站处的纬度、测站处的高程、年积日和EGNOS模型计算的测站对流层延迟的非线性关系；S2：利用IGS站提供的高精度对流层延迟产品数据对建立的BP神经网络进行训练；S3：利用测站处的纬度、测站处的高程、年积日和EGNOS模型计算的测站对流层延迟，通过S1建立的BP神经网络计算测站处对流层延迟残差；S4：计算修改后新模型的对流层天顶延迟。本发明模型相对于EGNOS模型，能更好的拟合对流层延迟变化的规律，且在高海拔地区也同样具有较高精度，优于传统的EGNOS模型。

说明书

技术领域

本发明涉及全球导航系统领域，特别是涉及一种基于BP-EGNOS融合模型的对流层延迟改正方法。

背景技术

对流层延迟是影响卫星导航定位精度特别是高程方向上的精度的主要原因。目前对流层延迟改正的主要方法是模型改正法。模型改正法是确定对流层延迟的具体模型，根据不同的假设和影响因素的大小，建立的一种函数关系式。根据模型计算时是否需要气象参数可以分为需要气象参数模型以及无气象参数模型。但在实际的GNSS导航定位应用中，目前的大多数国内外GNSS用户都没有测站处的实测气象数据，而且也无法获得测站处对流层延迟时间序列来拟合出预报模型。因此，利用气象观测资料进行气象参数的数值预报并计算天顶对流层延迟是一种有效的预报对流层延迟的手段。此类模型主要包括美国的UNB系列模型和欧洲的EGNOS模型。EGNOS模型不需要实测的气象数据来计算对流层天顶延迟，该模型提供计算对流层延迟所需的5个气象参数。它们在平均海平面上的变化值只与纬度和年积日有关，且其年变化呈余弦函数形式，余弦函数的振幅和年平均值均通过气象资料拟合求得。

但是，由于EGNOS模型是一个全球的平均对流层大气延迟改正模型，它只能反映全球性对流层大气时空变化的概貌，不可能反映区域性对流层大气变化特征，也就不可能模拟小范围的天顶延迟的变化，在中国地区的精度以及适用性方面的研究较少。

发明内容

发明目的：本发明的目的是提供一种精度较高的基于BP-EGNOS融合模型的对流层延迟改正方法。

技术方案：为达到此目的，本发明采用以下技术方案：

本发明所述的基于BP-EGNOS融合模型的对流层延迟改正方法，包括以下的步骤：

S1:构建一个4×P×1的BP神经网络模型，表示测站处对流层延迟残差RES与测站处的纬度、测站处的高程、年积日和EGNOS模型计算的测站对流层延迟的非线性关系；

S2：利用IGS站提供的高精度对流层延迟产品数据对建立的BP神经网络进行训练；

S3：利用测站处的纬度、测站处的高程、年积日和EGNOS模型计算的测站对流层延迟，通过S1建立的BP神经网络计算测站处对流层延迟残差；

S4：计算修改后新模型的对流层天顶延迟。

进一步，所述步骤S1中BP神经网络模型的输入层包括四个元素，分别为：测站纬度测站高程h、年积日doy、EGNOS模型计算的测站对流层延迟ZTD_EGNOS；隐含层为10-30个节点；输出层1个元素为测站处对流层延迟残差RES；其中，测站处对流层延迟残差RES如式(1)所示：

RES＝ZTD_IGS-ZTD_EGNOS>

式(1)中ZTD_IGS为IGS提供的高精度对流层延迟产品数据，ZTD_EGNOS为EGNOS模型计算的测站对流层延迟。

进一步，所述步骤S4中的对流层天顶延迟ZTD如式(2)所示：

ZTD＝ZTD_EGNOS+RES_BP>

式(2)中，ZTD_EGNOS为EGNOS模型计算的测站对流层延迟，RES_BP为步骤S3计算得到的测站处对流层延迟残差。

有益效果：与现有技术相比，本发明具有如下的有益效果：

1)利用BP神经网络自适应非线性学习能力能够很好地减弱EGNOS模型在局部地区的偏差，改进后的新模型在中国地区偏差较小；

2)本发明模型相对于EGNOS模型，能更好的拟合对流层延迟变化的规律，且在高海拔地区也同样具有较高精度，优于传统的EGNOS模型。

附图说明

图1为本发明的BP神经网络的结构示意图；

图2为bjfs站EGNOS模型与BP-EGNOS融合模型残差图；

图3为lhaz站EGNOS模型与BP-EGNOS融合模型残差图；

图4为kumn站EGNOS模型与BP-EGNOS融合模型残差图；

图5为urum站EGNOS模型与BP-EGNOS融合模型残差图；

图6为xian站EGNOS模型与BP-EGNOS融合模型残差图。

具体实施方式

下面结合具体实施方式对本发明的技术方案作进一步的介绍。

本发明公开了一种基于BP-EGNOS融合模型的对流层延迟改正方法，包括以下 的步骤：

S1:构建一个4×P×1的BP神经网络模型，如图1所示，表示测站处对流层延迟残差RES与测站处的纬度、测站处的高程、年积日和EGNOS模型计算的测站对流层延迟的非线性关系；

其中，BP神经网络模型的输入层包括四个元素，分别为：测站纬度测站高程h、年积日doy、EGNOS模型计算的测站对流层延迟ZTD_EGNOS；隐含层为10-30个节点；输出层1个元素为测站处对流层延迟残差RES；其中，测站处对流层延迟残差RES如式(1)所示：

RES＝ZTD_IGS-ZTD_EGNOS>

式(1)中ZTD_IGS为IGS提供的高精度对流层延迟产品数据，ZTD_EGNOS为EGNOS模型计算的测站对流层延迟。

S2：利用IGS站提供的高精度对流层延迟产品数据对建立的BP神经网络进行训练；

选择中国地区的5个IGS站(如表1所示)的一年的数据作为建模数据。

表1 5个IGS站基本信息

利用上述5个IGS站的一年的数据样本对如图1所示设计的BP神经网络进行训练。部分训练数据如表所示：

表2部分训练数据

S3：利用测站处的纬度、测站处的高程、年积日和EGNOS模型计算的测站对流层延迟，通过S1建立的BP神经网络计算测站处对流层延迟残差；

利用5个IGS站数据样本中的测站纬度测站高程h、年积日doy以及步骤S1计算得到的EGNOS模型的对流层延迟计算值ZTD_EGNOS，通过训练好的BP神经网络，计算出这5个IGS站处的对流层延迟残差RES_BP。

S4：计算修改后新模型的对流层天顶延迟。

利用步骤S3计算出的测站处对流层延迟残差RES_BP以及EGNOS模型的对流层延迟计算值ZTD_EGNOS计算出测站处的对流层天顶延迟ZTD，如式(2)所示：

ZTD＝ZTD_EGNOS+RES_BP>

以偏差绝对值的平均值BIAS和中误差RMSE作为模型比较分析验证的基本标准，它们的计算式分别为：

$BIAS=\frac{1}{N}\underset{i=1}{\overset{N}{\Sigma }}\left(\right|{\mathrm{ZTD}}_i^C-{\mathrm{ZTD}}_i^O\left|\right)---\left(3\right)$

$RMSE=\sqrt{\frac{1}{N}\underset{i=1}{\overset{N}{\Sigma }}{({\mathrm{ZTD}}_i^C-{\mathrm{ZTD}}_i^O)}^2}---\left(4\right)$

其中：N是用于测试数据的数量；为模型计算值；为真值，即IGS所提供ZTD产品。

为了分析BP-EGNOS融合模型的精度，选择中国地区的5个IGS站一年的对流层延迟数据，计算出EGNOS模型以及BP-EGNOS融合模型的对流层延迟并与IGS对流层延迟进行比较。图2～图6分别是这5个IGS站上各个模型的误差图。表3给出了这两种模型在5个IGS站上天顶对流层延迟的偏差绝对值的平均值BIAS和中误差RMSE。

表3BP-EGNOS融合模型与EGNOS模型的精度比较分析结果

从图2～图6以及表3可以看出：EGNOS模型在这五个站的BIAS均值为4.4cm，其中bjfs站的BIAS最大，为6.2cm；BP-EGNOS融合模型在这五个站上的BIAS均值为2.1cm，其中bjfs站的BIAS为2.7cm，明显改善。在中误差方面，EGNOS模型在这五个站的RMSE均值为±5.2cm，其中bjfs站RMSE达到了±7.1cm；BP-EGNOS融合模型的RMSE均值为±2.9cm，其中在bjfs站RMSE为±3.6cm，明显改善。

通过以上数据，我们发现：

(1)EGNOS模型在中国地区几个IGS站的BIAS都较大，五个站BIAS的均值达到了4.4cm，改进后的BP-EGNOS融合模型在五个站的BIAS均值降到了 2.1cm，说明BP-EGNOS融合模型对降低中国区域内的对流层延迟偏差有很大的改进作用。

(2)通过比较可以发现BP-EGNOS融合模型的模型精度明显高于EGNOS模型的精度。EGNOS模型平均RMSE为±5.2cm，BP-EGNOS融合模型平均RMSE为±2.9cm。相对于EGNOS模型，BP-EGNOS融合模型的模型精度提高44％以上。这说明相对于EGNOS模型，BP-EGNOS融合模型能更好的拟合中国区域的对流层延迟变化规律。

因此，对于中国区域的对流层，可以利用本发明提出的方法计算其延迟数值。

凡是根据本发明技术实质对以上实施所作的任何简单修改、变更以及等效结构变化，均仍属于本发明技术方案的保护范围内。