RTK定位结果的粗差检验方法及系统

摘要

本申请涉及卫星定位技术领域，公开了一种RTK定位结果的粗差检验方法及系统，该方法包含：获取RTK定位结果的粗差标记结果以及至少一个粗差相关特征的值；利用分类算法，以及每个RTK定位结果的粗差标记结果与粗差相关特征，对粗差检验模型进行训练，以确定粗差检验模型的参考偏置值和每个粗差相关特征相应的参考权值系数；将待检验的RTK定位结果相应的粗差相关特征代入训练后的粗差检验模型，以对待检验的RTK定位结果进行粗差检验。

说明书

技术领域

本申请涉及卫星定位技术领域，特别涉及定位结果检验技术。

背景技术

高精度的GNSS(Global Navigation Satellite System，全球导航卫星系统)定位技术必须采用载波相位观测值，RTK(Real-time kinematic，实时动态)定位技术就是基于载波相位观测值的实时动态定位技术。

具体的，RTK定位技术的标准模式是通过在某一区域内架设一台基准站，基准站通过数据链，将观测到的载波、伪距观测值及基准站坐标、天线信息编码至RTCM(国际海运事业无线电技术委员会)差分格式数据，发送给流动站用户；用户端接收来自基准站的差分格式数据，结合自身的观测数据，构建站间、星间双差观测值，消除了包括接收机载波伪距偏差、接收机钟差、卫星钟差，并大幅度削弱包括卫星轨道误差、大气误差等对整周模糊度搜索的影响，使得整周模糊度能够快速固定，得到实时的厘米级定位结果。

其中，RTK定位粗差是指定位算法在解算过程中受观测值中未消除的各类偏差、卫星几何构型、整周模糊度固定错误的影响，定位精度未能达到预设标准的定位结果。

进一步的，粗差检验的目的是识别并剔除定位精度不达标的解算结果，提高RTK端算法的定位精度。

RTK的定位结果是通过最小二乘估计得到的，传统的粗差检验方法仅依赖于模糊度固定后的残差。当残差大于一定阈值或无法通过卡方检验时，定位结果判定为粗差。

然而，目前对RTK定位结果进行粗差检验的技术存在一些问题，例如，实时性不够好、速度不够快、准确性不够高，等等。

发明内容

本申请的目的在于提供一种RTK定位结果的粗差检验方法及系统，能够更实时、更快速、更准确地对RTK定位结果进行粗差检验。。

本申请公开了一种RTK定位结果的粗差检验方法，包含：

获取RTK定位结果的粗差标记结果以及至少一个粗差相关特征的值，其中，所述粗差相关特征包括：GDOP值、部分模糊度固定剔除卫星数、固定卫星数、无电离层组合的残差、宽巷组合的残差、第一频定位结果与第二频定位结果的定位差、无电离层组合的定位结果与RTK定位结果的定位差、宽巷组合的定位结果与RTK定位结果的定位差中的一者或多者；

利用分类算法，以及所述每个RTK定位结果的粗差标记结果与所述粗差相关特征，对粗差检验模型进行训练，以确定粗差检验模型的参考偏置值和所述每个粗差相关特征相应的参考权值系数；

将待检验的RTK定位结果相应的所述粗差相关特征代入所述训练后的粗差检验模型，以对待检验的RTK定位结果进行粗差检验。

在一个优选例中，所述粗差相关特征还包括ratio值和/或RTK定位的残差。

在一个优选例中，所述RTK定位结果为单频RTK定位结果，所述粗差相关特征包括：RTK定位的残差、GDOP值、部分模糊度固定剔除卫星数和固定卫星数。

在一个优选例中，所述RTK定位结果为双频RTK定位结果，所述粗差相关特征包括：RTK定位的残差、GDOP值、部分模糊度固定剔除卫星数、固定卫星数、无电离层组合的定位结果与RTK定位结果的定位差和无电离层组合的残差。

在一个优选例中，在所述利用分类算法，以及所述每个RTK定位结果的粗差标记结果与所述粗差相关特征，对粗差检验模型进行训练，以确定粗差检验模型的参考偏置值和所述每个粗差相关特征相应的参考权值系数的步骤中，进一步包括：

对所述一个或多个粗差相关特征的值进行非线性映射；

利用非线性映射后的所述粗差相关特征对粗差检验模型进行训练。

在一个优选例中，当所述粗差相关特征包括固定卫星数时，所述对所述粗差相关特征的值进行非线性映射的步骤中，通过以下方式对固定卫星数进行非线性映射：

N

其中，n

在一个优选例中，当所述粗差相关特征包括部分模糊度固定剔除卫星数时，所述对所述粗差相关特征的值进行非线性映射的步骤中，通过以下方式对部分模糊度固定剔除卫星数进行非线性映射：

N

其中，n

在一个优选例中，当所述粗差相关特征包括无电离层组合的残差、或宽巷组合的残差时，所述对所述每个粗差相关特征的值进行非线性映射的步骤中，通过以下方式对无电离层组合的残差、或宽巷组合的残差进行非线性映射：

其中，

在一个优选例中，当所述粗差相关特征包括第一频定位结果与第二频定位结果的定位差时，所述对所述每个粗差相关特征的值进行非线性映射的步骤中，通过以下方式对所述第一频定位结果与第二频定位结果的定位差进行非线性映射：

其中，(x

在一个优选例中，当所述粗差相关特征包括无电离层组合的定位结果与RTK定位结果的定位差时，所述对所述每个粗差相关特征的值进行非线性映射的步骤中，通过以下方式对所述无电离层组合的定位结果与RTK定位结果的定位差进行非线性映射：

其中，(x

和/或

当所述粗差相关特征包括宽巷组合的定位结果与RTK定位结果的定位差时，所述对所述每个粗差相关特征的值进行非线性映射的步骤中，通过以下方式对所述宽巷组合的定位结果与RTK定位结果的定位差进行非线性映射：

其中，(x

在一个优选例中，在所述利用分类算法，以及所述每个RTK定位结果的粗差标记结果与所述粗差相关特征，对粗差检验模型进行训练，以确定粗差检验模型的参考偏置值和所述每个粗差相关特征相应的参考权值系数的步骤中，进一步包括：

对一个或多个所述粗差相关特征的值进行非线性映射；

利用非线性映射后的所述粗差相关特征对粗差检验模型进行训练。

在一个优选例中，当所述粗差相关特征包括ratio值时，所述对所述粗差相关特征的值进行非线性映射的步骤中，通过以下方式对ratio值进行非线性映射：

Ratio＝10lg(ratio)

其中，ratio为RTK定位算法的模糊度固定的ratio值；Ratio为相应的映射后的样本特征。

在一个优选例中，当所述粗差相关特征包括RTK定位的残差时，所述对所述每个粗差相关特征的值进行非线性映射的步骤中，通过以下方式对RTK定位的残差进行非线性映射：

其中，

在一个优选例中，所述方法还包含：清洗所述粗差相关特征的值，以去除异常数据，其中所述异常数据包括观测数据有误数据、星历数据有误数据、参考坐标有误数据和粗差特征缺失数据中的至少一者。

本申请还公开了一种RTK定位结果的粗差检验系统，包含：

获取单元，用于获取RTK定位结果的粗差标记结果以及至少一个粗差相关特征的值，其中，所述粗差相关特征包括GDOP值、部分模糊度固定剔除卫星数、固定卫星数、无电离层组合的残差、宽巷组合的残差、第一频定位结果与第二频定位结果的定位差、无电离层组合的定位结果与RTK定位结果的定位差、宽巷组合的定位结果与RTK定位结果的定位差中的一者或多者；

训练单元，用于利用分类算法，以及所述每个RTK定位结果的粗差标记结果与所述粗差相关特征，对粗差检验模型进行训练，以确定粗差检验模型的参考偏置值和所述每个粗差相关特征相应的参考权值系数；

粗差检验单元，用于将待检验的RTK定位结果相应的所述粗差相关特征代入所述训练后的粗差检验模型，以对待检验的RTK定位结果进行粗差检验。

本申请实施方式中，首先，利用机器学习中的分类方法，以及每个观测数据的粗差标记结果与经非线性映射的所述粗差相关特征的大样本数据，训练和测试含有每个粗差相关特征相应的权值系数、偏置值的粗差检验模型，以确定更加合适的粗差相关特征的参考权值系数与参考偏置值，从而更实时、更快速、更准确地对RTK定位结果进行粗差检验。

并且，通过诸如固定卫星数、部分模糊度固定剔除卫星数、GDOP值、ratio值、RTK定位的残差、无电离层组合的残差、第一频定位结果与第二频定位结果的定位差、无电离层组合的定位结果与RTK定位结果的定位差、宽巷组合的定位结果与RTK定位结果的定位差等多个粗差相关特征，更全面地评估观测数据的粗差，使得到的粗差检验结果的准确性更高。

并且，通过先对粗差相关特征进行非线性映射，减少其与粗差之间的非线性特性影响，然后再通过由经映射的粗差相关特征与粗差标记结果构成的样本特征矩阵，对上述模型进行训练，能够有效提高上述模型的精度，确定更加合适的粗差相关特征的参考权值系数与参考偏置值，也进一步使RTK定位结果的粗差检验结果更实时、更快速、更准确。

本申请的说明书中记载了大量的技术特征，分布在各个技术方案中，如果要罗列出本申请所有可能的技术特征的组合(即技术方案)的话，会使得说明书过于冗长。为了避免这个问题，本申请上述发明内容中公开的各个技术特征、在下文各个实施方式和例子中公开的各技术特征、以及附图中公开的各个技术特征，都可以自由地互相组合，从而构成各种新的技术方案(这些技术方案均因视为在本说明书中已经记载)，除非这种技术特征的组合在技术上是不可行的。例如，在一个例子中公开了特征A+B+C，在另一个例子中公开了特征A+B+D+E，而特征C和D是起到相同作用的等同技术手段，技术上只要择一使用即可，不可能同时采用，特征E技术上可以与特征C相组合，则，A+B+C+D的方案因技术不可行而应当不被视为已经记载，而A+B+C+E的方案应当视为已经被记载。

附图说明

图1是根据本申请第一实施方式的RTK定位结果的粗差检验方法的流程示意图；

图2是根据本申请第一实施方式的RTK定位结果的粗差检验方法的另一个流程示意图；

图3是根据本申请第二实施方式的RTK定位结果的粗差检验系统的结构示意图。

具体实施方式

在以下的叙述中，为了使读者更好地理解本申请而提出了许多技术细节。但是，本领域的普通技术人员可以理解，即使没有这些技术细节和基于以下各实施方式的种种变化和修改，也可以实现本申请所要求保护的技术方案。

本申请的发明人通过对大量粗差结果数据的研究分析后发现，残差仅仅是粗差的一个维度的特征，仅仅依赖于残差能检验出的粗差占总粗差的比例在20％左右。进一步的，影响定位结果是否为粗差的特征，还可包括以下之一或其任意组合：

1)固定的卫星数；

2)部分模糊度固定剔除卫星数；

3)GDOP值；

4)模糊度固定时的ratio值；

5)不同观测值组合的残差，例如：宽巷、无电离层组合；

6)不同观测值组合的定位结果与RTK定位结果的差异；

7)不同频点间的定位结果差异；

换句话说，RTK定位粗差是受到上述特征的综合影响下的结果。然而，上述特征与粗差的关系是一种模糊的，难以人为设计公式确切描述的关系。

因此，本申请的发明人提出了一种基于机器学习的RTK定位粗差检验方法。采用机器学习中的分类算法，在大样本数据下训练学习各个特征与RTK定位结果是否为粗差的关系，以得到更精确的RTK定位结果分类模型。

为使本申请的目的、技术方案和优点更加清楚，下面将结合附图对本申请的实施方式作进一步地详细描述。

首先对本说明书的实施例涉及的机器学习进行解释说明。

机器学习是一种能够从数据中学习的算法，通过小范围数据集的学习得到能应用到大范围数据集的模型，帮助我们解决一些人为设计和使用确定性程序很难解决的问题。机器学习算法可以分为两个大类：监督学习和无监督学习。监督学习用于带标签数据的处理，学习数据与标签之间的关系，如分类问题和回归问题；无监督学习用于挖掘数据之间的关系，如聚类问题和主成分分析问题。机器学习的基本原理是本领域技术人员的公知常识，在此不做赘述。

本申请的第一实施方式涉及一种RTK定位结果的粗差检验方法，其流程如图1所示，该方法包括以下步骤：

步骤110：获取RTK定位结果的粗差标记结果以及至少一个粗差相关特征的值，其中，所述粗差相关特征包括GDOP值、部分模糊度固定剔除卫星数、固定卫星数、无电离层组合的残差、宽巷组合的残差、第一频定位结果与第二频定位结果的定位差、无电离层组合的定位结果与RTK定位结果的定位差、宽巷组合的定位结果与RTK定位结果的定位差中的一者或多者。

优选的，所述粗差相关特征还可包括ratio值和/或RTK定位的残差R

优选的，所述粗差相关特征可包括RTK定位的残差、GDOP值、部分模糊度固定剔除卫星数和固定卫星数。

优选的，所述粗差相关特征可包括RTK定位的残差、GDOP值、部分模糊度固定剔除卫星数和固定卫星数、无电离层组合的定位结果与RTK定位结果的定位差和无电离层组合的残差。

进一步的，在本说明书的其它实施例中，粗差相关特征可以是以下之一或其任意组合：

1)固定卫星数n

例如，若有3个固定卫星，则固定卫星数n

2)部分模糊度固定剔除卫星数n

例如，部分模糊度固定剔除了3颗卫星，则部分模糊度固定剔除卫星数n

3)GDOP值

GDOP，即Geometric Dilution Precision，几何精度因子，是表征空间各部分介质对测量结果相对影响大小的一个参数。

GDOP可通过模糊度固定卫星的位置计算获得。

4)ratio值

即，模糊度搜索时次优模糊度和最优模糊度的比值，例如，次优模糊度和最优模糊度的比值为4，则ratio为4。

5)RTK定位的残差R

RTK，即Real-time kinematic，实时动态，是载波相位差分技术，实时处理两个测量站载波相位观测量的差分方法，将基准站采集的载波相位发给用户接收机，进行求差解算坐标。

RTK定位的残差R

6)无电离层组合的残差R

即，卫星载波观测值的无电离层组合在模糊度固定后的残差，例如，卫星载波观测值的无电离层组合在模糊度固定后的残差为0.03米，则R

7)宽巷组合的残差R

即，卫星载波观测值的宽巷组合在模糊度固定后的残差，例如，卫星载波观测值的宽巷组合在模糊度固定后的残差为0.03米，则R

8)第一频定位结果与第二频定位结果的定位差

所述第一频定位结果是指第一频模糊度固定后的RTK定位结果；所述第二频定位结果是指第二频模糊度固定后的RTK定位结果。

9)无电离层组合的定位结果与RTK定位结果的定位差dP

所述无电离层组合的定位结果是指卫星载波观测值的无电离层组合在模糊度固定后的定位结果；所述宽巷组合的定位结果是指卫星载波观测值的宽巷组合在模糊度固定后的定位结果；所述RTK定位结果是指待检验的RTK定位结果。

其中，上述无电离层组合和宽巷组合的组合方式分别如式(1)和式(2)所示：

其中，Φiono-free是载波的无电离层组合观测值，f

其中，Φwide是载波的宽巷组合观测值，f

优选地，无电离层组合的定位结果为无电离层组合残差经最小二乘平差后得到的定位结果。

优选地，宽巷组合的定位结果为宽巷组合的残差经最小二乘平差后得到的定位结果。

需指出，本申请的发明人通过长期的研究与实验发现，除了GDOP值、ratio值、非组合的残差如RTK定位的残差R

优选地，在本说明书的实施例中，可将上述粗差相关特征分为重要的粗差相关特征和次重要的粗差相关特征。

其中，所述重要的粗差相关特征是指对粗差检验性能影响较大的特征，例如：RTK定位的残差R

进一步的，在本步骤中，需获取RTK定位结果的粗差标记结果，即，每个带有参考坐标的流动站和参考站的观测数据对应的粗差标记结果，即样本的粗差标记结果。

优选地，可以通过下式实现：

其中，OutMark是粗差标记结果；dPreal为RTK定位结果与流动站参考坐标的差值；(x,y,z)为RTK定位结果的坐标值；(x

步骤120：清洗所述粗差相关特征的值，以去除异常数据，其中所述异常数据包括观测数据有误数据、星历数据有误数据、参考坐标有误数据和粗差特征缺失数据中的至少一者。

这样做的好处在于，可通过数据清洗获得可靠性更高的样本数据。

换句话说，所述异常数据可包含以下之一或其任意组合：

1)参考站或流动站坐标有误，这种异常数据会影响观测数据样本是否为粗差的标定；2)观测数据或者星历数据有误，这种异常数据会影响解算输出的粗差相关特征信息的可靠性；3)粗差相关特征存在缺失，这种异常情况会导致模型训练时特征向量的维度无法保持一致。

可以理解，本步骤为可选步骤，因此，在本说明书的其它实施例中也可省略本步骤。进一步的，清洗数据的具体方式使本领域技术人员的常识，在此不做赘述。

步骤130：利用分类算法，以及所述每个RTK定位结果的粗差标记结果与所述粗差相关特征，对粗差检验模型进行训练，以确定粗差检验模型的参考偏置值和所述每个粗差相关特征相应的参考权值系数。

其中，粗差检验模型的参考偏置值，也就是一个粗差检验模型中所有相关特征共有的偏置值，换句话说，一个粗差检验模型包含一个偏置值、以及每个粗差相关特征相应的权值系数。

具体的，本步骤可包含以下子步骤：

步骤1302：对所述一个或多个粗差相关特征的值进行非线性映射；

需指出，在本说明书的实施例中，既可以仅对一个粗差相关特征的值进行非线性映射，其它不进行非线性映射；也可以对其中的多个粗差相关特征的值进行非线性映射；或者，也可以对全部的粗差相关特征的值进行非线性映射。

这样做的好处在于，非线性映射可以减小粗差相关特征与粗差之间存在的非线性特性带来的模型精度损失，但非线性映射不是必须的，具体实施过程中可以根据需要选择特征做非线性映射。

具体地说，由于RTK是实时算法，为了兼顾算法执行的效率，采用线性分类模型。本步骤中，通过针对每个粗差相关特征设计相应的非线性映射函数，减少每个粗差相关特征与粗差之间存在的非线性特性带来的模型精度损失。

优选地，可通过以下映射函数式(3)-(7)对不同的粗差相关特征进行相应的映射，具体如下：

固定卫星数n

N

n

N

设计上述映射函数式(3)的依据为：依经验，固定卫星数与定位粗差的相关性随数量的增加而减弱，其变化趋势与式(3)相近。

部分模糊度固定剔除卫星数n

N

n

N

n

设计上述映射函数式(4)的依据为：依经验，部分模糊度固定剔除的卫星数的占比与定位结果出现粗差的可能性近似线性相关。

ratio值的非线性映射：

Ratio＝10lg(ratio) 式(5)

ratio为RTK定位算法的模糊度固定的ratio值；

Ratio为相应的映射后的样本特征，即原粗差特征经非线性映射后得到可以用来训练的样本特征。

设计上述映射函数式(5)的依据为：依经验，ratio值与定位粗差的相关性随值的增大而减弱，其变化趋势与式(5)相近。

RTK定位的残差R

*可以替换为RTK定位、宽巷组合定位、无电离层组合定位，也就是说，上述非线性映射函数式可分别应用于对RTK定位的残差R

Std

举例来说，当所述粗差相关特征包括RTK定位的残差时，所述对所述每个粗差相关特征的值进行非线性映射的步骤中，通过以下方式对RTK定位的残差进行非线性映射：

其中，

设计上述映射函数式(6)的依据为：由于不同历元的固定卫星数不同导致残差的数量也不同，为了使样本特征矩阵的维度具有一致性，需要通过标准差将不同历元的不同数量的残差特征转换成一个统一的特征指标。

第一频定位结果与第二频定位结果的定位差

(x

(x,y,z)为待检验的RTK定位结果；

dP

设计上述映射(7)的依据为：为了将不同方向的定位差统一成一个特征指标，使其与粗差的线性关系更显著。

更具体地说，当所述粗差相关特征包括第一频定位结果与第二频定位结果的定位差时，所述对所述每个粗差相关特征的值进行非线性映射的步骤中，通过以下方式对所述第一频定位结果与第二频定位结果的定位差进行非线性映射：

其中，(x

和/或

当所述粗差相关特征包括无电离层组合的定位结果与RTK定位结果的定位差时，所述对所述每个粗差相关特征的值进行非线性映射的步骤中，通过以下方式对所述无电离层组合的定位结果与RTK定位结果的定位差进行非线性映射：

其中，(x

和/或

当所述粗差相关特征包括宽巷组合的定位结果与RTK定位结果的定位差时，所述对所述每个粗差相关特征的值进行非线性映射的步骤中，通过以下方式对所述宽巷组合的定位结果与RTK定位结果的定位差进行非线性映射：

其中，(x

步骤1304：利用非线性映射后的所述粗差相关特征对粗差检验模型进行训练。

在本步骤中，首先，根据每个所述观测数据相应的经映射的粗差相关特征以及粗差标记结果，生成相应的样本特征矩阵。

具体的，对于每个所述带有参考坐标的流动站和参考站的观测数据，根据该观测数据各个经映射的粗差相关特征，以及该观测数据的粗差标记结果，生成样本特征矩阵。

优选地，所述样本特征矩阵可表示为：

[id,N

其中，id为样本特征向量的编号，表示每个带有参考坐标的流动站和参考站的观测数据；Gdop为RTK定位算法固定卫星的gdop值；其它特征已在上文中说明，在此不做赘述。

需指出，在本说明书的实施例中，样本特征矩阵中的各项特征以及排序不限于此，可以根据需要进行增减和调整，例如，可以是本说明书中提到的所有粗差相关特征的任意组合，以及相应的粗差标记结果，在此不做赘述。

然后，使用所述样本特征矩阵和分类算法，对上述粗差检验模型进行训练和测试，以确定所述每个粗差相关特征对应的参考权值系数w

在本步骤中，通过使用由每个观测数据的经映射的粗差相关特征与相应的粗差标记结果构成的样本特征矩阵，对粗差检验模型进行训练和测试，可筛选出最优的粗差检验模型的对应的各个粗差相关特征的权值系数w

更具体的，将所述样本特征矩阵分为训练集与测试集，通过分类算法，对粗差检验模型，利用所述训练集获得所述每个粗差相关特征对应的权值系数w

换句话说，即，在训练集中训练得到各个粗差相关特征的权值系数w

优选地，本步骤中可以使用例如：逻辑回归、贝叶斯分类、SVM(Support VectorMachine，支持向量机)、决策树、K近邻等分类算法进行分类，其中，可进一步选择使用线性SVM分类算法。

需指出，上述“最优”可以是指粗差检验模型的筛选指标的值最大。例如，当粗差检验模型的筛选指标是召回率与特异度之和时，即：

max(TPR+TNR) 式(10)

其中，TPR为召回率，代表在真实值是粗差的样本中，粗差检验模型检验正确的比例；TNR为特异度，代表在真实值是非粗差的样本中，粗差检验模型检验正确的比例；其中，上述真实值是指真实的定位结果。

在这种情况下，可将召回率与特异度之和最大的粗差检验模型的各个粗差相关特征的权值系数w

步骤140：将待检验的RTK定位结果相应的所述粗差相关特征代入所述训练后的粗差检验模型，以对待检验的RTK定位结果进行粗差检验。

具体的，在本步骤中，将待检验的RTK定位结果相应的所述粗差相关特征的值，代入包含有参考偏置值bias以及各个粗差相关特征相应的参考权值系数w

更具体的，在实时的RTK定位中，将上述参考偏置值bias以及各个粗差相关特征相应的参考权值系数w

其中，s

可以理解，如上所述，本实施例中的步骤120为可选步骤，如在本实施例中不执行步骤120，则整体流程可参见图2。

本实施例和现有技术相比，具有以下技术优势和技术效果：

首先，利用机器学习中的分类方法，以及每个观测数据的粗差标记结果与经非线性映射的所述粗差相关特征的大样本数据，训练和测试含有每个粗差相关特征相应的权值系数、偏置值的粗差检验模型，以确定更加合适的粗差相关特征的参考权值系数与参考偏置值，从而更实时、更快速、更准确地对RTK定位结果进行粗差检验。

并且，通过诸如固定卫星数n

并且，通过先对粗差相关特征进行非线性映射，减少其与粗差之间的非线性特性影响，然后再通过由经映射的粗差相关特征与粗差标记结果构成的样本特征矩阵，对上述模型进行训练，能够有效提高上述模型的精度，确定更加合适的粗差相关特征的参考权值系数与参考偏置值，也进一步使RTK定位结果的粗差检验结果更实时、更快速、更准确。

本申请的第二实施方式涉及一种RTK定位结果的粗差检验系统，其结构如图3所示，该RTK定位结果的粗差检验系统包括：

获取单元，用于获取RTK定位结果的粗差标记结果以及至少一个粗差相关特征的值，其中，所述粗差相关特征包括GDOP值、部分模糊度固定剔除卫星数、固定卫星数、无电离层组合的残差、宽巷组合的残差、第一频定位结果与第二频定位结果的定位差、无电离层组合的定位结果与RTK定位结果的定位差、宽巷组合的定位结果与RTK定位结果的定位差中的一者或多者；

训练单元，用于利用分类算法，以及所述每个RTK定位结果的粗差标记结果与所述粗差相关特征，对粗差检验模型进行训练，以确定粗差检验模型的参考偏置值和所述每个粗差相关特征相应的参考权值系数；

粗差检验单元，用于将待检验的RTK定位结果相应的所述粗差相关特征代入所述训练后的粗差检验模型，以对待检验的RTK定位结果进行粗差检验。

第一实施方式是与本实施方式相对应的方法实施方式，第一实施方式中的技术细节可以应用于本实施方式，本实施方式中的技术细节也可以应用于第一实施方式。

需要说明的是，本领域技术人员应当理解，上述RTK定位结果的粗差检验系统的实施方式中所示的各模块的实现功能可参照前述RTK定位结果的粗差检验方法的相关描述而理解。上述RTK定位结果的粗差检验系统的实施方式中所示的各模块的功能可通过运行于处理器上的程序(可执行指令)而实现，也可通过具体的逻辑电路而实现。本申请实施例上述RTK定位结果的粗差检验系统如果以软件功能模块的形式实现并作为独立的产品销售或使用时，也可以存储在一个计算机可读取存储介质中。基于这样的理解，本申请实施例的技术方案本质上或者说对现有技术做出贡献的部分可以以软件产品的形式体现出来，该计算机软件产品存储在一个存储介质中，包括若干指令用以使得一台计算机设备(可以是个人计算机、服务器、或者网络设备等)执行本申请各个实施例所述方法的全部或部分。而前述的存储介质包括：U盘、移动硬盘、只读存储器(ROM，Read Only Memory)、磁碟或者光盘等各种可以存储程序代码的介质。这样，本申请实施例不限制于任何特定的硬件和软件结合。

相应地，本申请实施方式还提供一种计算机存储介质，其中存储有计算机可执行指令，该计算机可执行指令被处理器执行时实现本申请的各方法实施方式。

此外，本申请实施方式还提供一种RTK定位结果的粗差检验设备，其中包括用于存储计算机可执行指令的存储器，以及，处理器；该处理器用于在执行该存储器中的计算机可执行指令时实现上述各方法实施方式中的步骤。其中，该处理器可以是中央处理单元(Central Processing Unit，简称“CPU”)，还可以是其他通用处理器、数字信号处理器(Digital Signal Processor，简称“DSP”)、专用集成电路(Application SpecificIntegrated Circuit，简称“ASIC”)等。前述的存储器可以是只读存储器(read-onlymemory，简称“ROM”)、随机存取存储器(random access memory，简称“RAM”)、快闪存储器(Flash)、硬盘或者固态硬盘等。本发明各实施方式所公开的方法的步骤可以直接体现为硬件处理器执行完成，或者用处理器中的硬件及软件模块组合执行完成。

需要说明的是，在本专利的申请文件中，诸如第一和第二等之类的关系术语仅仅用来将一个实体或者操作与另一个实体或操作区分开来，而不一定要求或者暗示这些实体或操作之间存在任何这种实际的关系或者顺序。而且，术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、方法、物品或者设备不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程、方法、物品或者设备所固有的要素。在没有更多限制的情况下，由语句“包括一个”限定的要素，并不排除在包括所述要素的过程、方法、物品或者设备中还存在另外的相同要素。本专利的申请文件中，如果提到根据某要素执行某行为，则是指至少根据该要素执行该行为的意思，其中包括了两种情况：仅根据该要素执行该行为、和根据该要素和其它要素执行该行为。多个、多次、多种等表达包括2个、2次、2种以及2个以上、2次以上、2种以上。

在本申请提及的所有文献都被认为是整体性地包括在本申请的公开内容中，以便在必要时可以作为修改的依据。此外应理解，在阅读了本申请的上述公开内容之后，本领域技术人员可以对本申请作各种改动或修改，这些等价形式同样落于本申请所要求保护的范围。