电离层误差消除方法及相关设备与流程

1.本发明涉及导航系统技术领域，尤其涉及一种电离层误差消除方法及相关设备。


背景技术：

2.电离层误差会导致导航系统灵敏度出现较大波动，现今一般使用接收双频信号的方法对电离层延迟进行消除。但是，双频信号需要进行信号捕捉和相位同步过程才能被用于电离层误差计算，其进入相位同步的时间较长。电离层的总电子量并非一个定值，一天内电离层的总电子量变化往往具有一定周期性的规律，且受天气影响严重，现有技术中，一般通过基于历史电离层总电子量分布来构建电离层模型，进而通过电离层模型来对某一时刻的电离层总电子量进行预测计算，但是受天气影响，传统电离层模型对电离层的估计不够准确，而且泛化能力不足，从而使得电离层误差消除的准确性不高。


技术实现要素：

3.本发明实施例提供一种电离层误差消除方法，旨在解决传统电离层模型对电离层的估计不够准确，而且泛化能力不足，从而使得电离层误差消除的准确性不高的问题，通过t
q+1
时刻对应的气象数据，计算时刻对应的第一天文观测数据，基于tq时刻对应的电离层总电子量和t
q+1
时刻对应的第一天文观测数据，计算得到t
q+1
时刻对应的电离层总电子量，再根据t
q+1
时刻对应的电离层总电子量计算得到t
p
时刻对应的电离层总电子量，由于考虑了气象数据，可以准确地得到t
p
时刻对应的电离层总电子量，从而提高电离层误差消除的准确性。另外，由于是根据气象数据计算得到第一天文观测数据，降低了天文观测数据的获取难度。
4.第一方面，本发明实施例提供一种电离层误差消除方法，包括以下步骤：
5.获取tq时刻对应的电离层总电子量，以及获取t
q+1
时刻对应的气象数据；
6.根据所述t
q+1
时刻对应的气象数据，计算得到t
q+1
时刻对应的第一天文观测数据；
7.基于所述tq时刻对应的电离层总电子量和所述t
q+1
时刻对应的第一天文观测数据，计算得到所述t
q+1
时刻对应的电离层总电子量；
8.根据所述t
q+1
时刻对应的电离层总电子量，计算得到t
p
时刻对应的电离层总电子量，其中，p大于q；
9.根据所述t
p
时刻对应的电离层总电子量进行电离层误差消除。
10.可选的，所述气象数据包括n个类型，所述第一天文观测数据包括m个类型，所述根据所述t
q+1
时刻对应的气象数据，计算得到t
q+1
时刻对应的第一天文观测数据的步骤包括：
11.通过预设的m个聚类模型，对所述t
q+1
时刻对应的n个类型的气象数据进行计算，得到t
q+1
时刻对应的m个类型的第一天文观测数据。
12.可选的，在所述通过预设的聚类模型，对所述t
q+1
时刻对应的气象数据进行计算，得到t
q+1
时刻对应的第一天文观测数据的步骤之前，所述方法还包括：
13.获取n个类型的历史气象数据，以及获取m个类型的历史天文观测数据，每一历史
时刻的所述历史气象数据对应同一历史时刻的所述历史天文观测数据；
14.根据所述历史气象数据对相同历史时刻的所述历史天文观测数据进行聚类，得到m个聚类模型，所述聚类模型的输入为n个类型的气象数据。
15.可选的，所述根据所述历史气象数据对相同历史时刻的所述历史天文观测数据进行聚类，得到m个聚类模型的步骤包括：
16.将每类天文观测数据按大小进行排序，分成k
i＝1，2，
…m子类，并将所述k
i＝1，2，
…m子类作为气象数据的标签；
17.使用k-nn聚类算法对与所述历史气象数据同一时刻的历史天文观测数据进行聚类分析，得到m个聚类模型，每个聚类模型包括k
i＝1，,2，
…m个聚类中心。
18.可选的，所述基于所述tq时刻对应的电离层总电子量和所述t
q+1
时刻对应的第一天文观测数据，计算得到所述t
q+1
时刻对应的电离层总电子量的步骤包括：
19.通过预设的电离层模型对所述tq时刻对应的电离层总电子量和所述t
q+1
时刻对应的第一天文观测数据进行预测，得到所述t
q+1
时刻对应的电离层总电子量。
20.可选的，在所述通过预设的电离层模型对所述tq时刻对应的电离层总电子量和所述t
q+1
时刻对应的第一天文观测数据进行预测，得到所述t
q+1
时刻对应的电离层总电子量之前，所述方法还包括：
21.获取历史气象数据和第二天文观测数据，所述第二天文观测数据包括各个历史时刻对应的电离层总电子量和各个历史时刻对应的第一天文观测数据；
22.通过所述聚类模型对所述历史气象数据进行计算，得到各个历史时刻对应的第一天文观测数据；
23.以各个所述历史时刻对应的第一天文观测数据与相同历史时刻对应的电离层总电子量作为样本数据，以所述历史时刻的下一时刻对应的电离层总电子量作为标签，构建得到样本数据集；
24.构建长短期记忆神经网络，并通过所述样本数据集对所述长短期记忆神经网络进行训练，训练完成得到所述电离层模型。
25.可选的，所述根据所述t
p
时刻对应的电离层总电子量进行电离层误差消除的步骤包括：
26.根据所述t
p
时刻对应的电离层总电子量进行时延估计，得到t
p
时刻的时延估计；
27.根据所述t
p
时刻的时延估计，计算出t
p
时刻的相位关系；
28.以所述t
p
时刻的相位关系为基准，在预设时间范围内进行相位捕捉；
29.通过所述相位捕捉的结果，进行电离层误差消除。
30.第二方面，本发明实施例提供一种电离层误差消除装置，装置包括：
31.第一获取模块，用于获取tq时刻对应的电离层总电子量，以及获取t
q+1
时刻对应的气象数据；
32.第一计算模块，用于根据所述t
q+1
时刻对应的气象数据，计算得到t
q+1
时刻对应的第一天文观测数据；
33.第二计算模块，用于基于所述tq时刻对应的电离层总电子量和所述t
q+1
时刻对应的第一天文观测数据，计算得到所述t
q+1
时刻对应的电离层总电子量；
34.第三计算模块，用于根据所述t
q+1
时刻对应的电离层总电子量，计算得到t
p
时刻对
应的电离层总电子量，其中，p大于q；
35.误差消除模块，用于根据所述t
p
时刻对应的电离层总电子量进行电离层误差消除。
36.第三方面，本发明实施例提供一种电子设备，包括：存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，处理器执行计算机程序时实现本发明实施例提供的电离层误差消除方法中的步骤。
37.第四方面，本发明实施例提供一种计算机可读存储介质，计算机可读存储介质上存储有计算机程序，计算机程序被处理器执行时实现发明实施例提供的电离层误差消除方法中的步骤。
38.本发明实施例中，获取tq时刻对应的电离层总电子量，以及获取t
q+1
时刻对应的气象数据；根据所述t
q+1
时刻对应的气象数据，计算得到t
q+1
时刻对应的第一天文观测数据；基于所述tq时刻对应的电离层总电子量和所述t
q+1
时刻对应的第一天文观测数据，计算得到所述t
q+1
时刻对应的电离层总电子量；根据所述t
q+1
时刻对应的电离层总电子量，计算得到t
p
时刻对应的电离层总电子量，其中，p大于q；根据所述t
p
时刻对应的电离层总电子量进行电离层误差消除。通过t
q+1
时刻对应的气象数据，计算时刻对应的第一天文观测数据，基于tq时刻对应的电离层总电子量和t
q+1
时刻对应的第一天文观测数据，计算得到t
q+1
时刻对应的电离层总电子量，再根据t
q+1
时刻对应的电离层总电子量计算得到t
p
时刻对应的电离层总电子量，由于考虑了气象数据，可以准确地得到t
p
时刻对应的电离层总电子量，从而提高电离层误差消除的准确性。另外，由于是根据气象数据计算得到第一天文观测数据，降低了天文观测数据的获取难度。
附图说明
39.为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。
40.图1是本发明实施例提供的一种电离层误差消除方法的流程图；
41.图2是本发明实施例提供的一种电离层误差消除装置的结构示意图；
42.图3是本发明实施例提供的一种电子设备的结构示意图。
具体实施方式
43.下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
44.具体的，请参见图1，图1是本发明实施例提供的一种电离层误差消除方法的流程图，如图1所示，电离层误差消除方法包括：
45.101、获取tq时刻对应的电离层总电子量，以及获取t
q+1
时刻对应的气象数据。
46.在本发明实施例中，上述tq时刻可以是目标时刻的前j个时刻，j是大于等于1的整
数。当j等于1时，则t
q+1
时刻为目标时刻。上述目标时刻也可理解为需要进行电离层误差消除的当前时刻。
47.上述电离层总电子量(tec)也可以称为电离层电子浓度总含量或电离层电子浓度柱含量、积分含量等。tec是描述电离层形态和结构的重要参量，信号传播过程中，其时延取决于电离层总电子量。
48.tq时刻对应的电离层总电子量可以是tq时刻进行电离层误差消除时对应计算得到的电离层总电子量。上述t
q+1
时刻对应的气象数据为tq时刻的下一时刻所对应的气象数据。比如，tq时刻对应的电离层总电子量为12点21分所对应的电离层总电子量，则t
q+1
时刻对应的气象数据为12点22分所对应的气象数据。
49.上述t
q+1
时刻对应的气象数据可通过当地天气部门发布的气象信息来得到。
50.102、根据t
q+1
时刻对应的气象数据，计算得到t
q+1
时刻对应的第一天文观测数据。
51.在本发明实施例中，可以通过预测网络模型对t
q+1
时刻对应的气象数据进行预测处理，得到t
q+1
时刻对应的第一天文观测数据，预测网络模型可以是基于循环神经网络或长短期记忆神经网络进行构建，通过历史气象数据和历史第一天文观测数据来对预测网络模型进行训练，使得预测网络模型学习到历史气象数据和历史第一天文观测数据之间的隐含分布，从而训练预测网络模型根据气象数据输出对应的第一天文观测数据。通过将t
q+1
时刻对应的气象数据输入训练好的预测网络模型中，输出t
q+1
时刻对应的第一天文观测数据。
52.还可以通过聚类模型对对t
q+1
时刻对应的气象数据进行预测处理，得到t
q+1
时刻对应的第一天文观测数据，聚类模型包括与第一天文观测数据对应的聚类中心，计算气象数据与各个聚类中心的距离，将气象数据与某个聚类中心的距离最近时，将该个聚类中心对应的第一天文观测数据作为t
q+1
时刻对应的第一天文观测数据。
53.103、基于tq时刻对应的电离层总电子量和t
q+1
时刻对应的第一天文观测数据，计算得到t
q+1
时刻对应的电离层总电子量。
54.在本发明实施例中，由于tq时刻是在t
q+1
时刻之前，所以t
q+1
时刻对应的电离层总电子量可以通过迭代的方式进行计算得到。在t
q+1
时刻的信号传播过程中，其时延取决于t
q+1
时刻对应的电离层总电子量。
55.与一般电离层模型不同的是，一般电离层模型是基于历史电离层总电子量分布来进行构建，进而通过电离层模型来对某一时刻的电离层总电子量进行预测计算，而本发明实施例采用第一天文观测数据和历史电离层总电子量分布来对t
q+1
时刻对应的电离层总电子量进行预测，准确性更高。而且，第一天文观测数据是通过气象数据得到，数据获取难度低。
56.104、根据t
q+1
时刻对应的电离层总电子量，计算得到t
p
时刻对应的电离层总电子量，其中，p大于q。
57.在本发明实施例中，上述t
p
时刻可以理解为目标时刻，p大于q说明t
p
时刻在tq时刻之后，当然，p＝q+1时，则说明t
q+1
时刻与t
p
时刻是相同的时刻。
58.具体的，当，p＝q+1时，t
p
时刻对应的电离层总电子量则为t
q+1
时刻对应的电离层总电子量，当p《q+1时，则根据上述步骤101到步骤103，迭代计算t
q+2
时刻对应的电离层总电子量、t
q+3
时刻对应的电离层总电子量，直到得到t
p
时刻刻对应的电离层总电子量为止。
59.105、根据t
p
时刻对应的电离层总电子量进行电离层误差消除。
60.在本发明实施例中，在得到t
p
时刻对应的电离层总电子量后，可以通过使用接收双频信号的方法对电离层延迟进行消除。
61.在本发明实施例中，获取tq时刻对应的电离层总电子量，以及获取t
q+1
时刻对应的气象数据；根据所述t
q+1
时刻对应的气象数据，计算得到t
q+1
时刻对应的第一天文观测数据；基于所述tq时刻对应的电离层总电子量和所述t
q+1
时刻对应的第一天文观测数据，计算得到所述t
q+1
时刻对应的电离层总电子量；根据所述t
q+1
时刻对应的电离层总电子量，计算得到t
p
时刻对应的电离层总电子量，其中，p大于q；根据所述t
p
时刻对应的电离层总电子量进行电离层误差消除。通过t
q+1
时刻对应的气象数据，计算时刻对应的第一天文观测数据，基于tq时刻对应的电离层总电子量和t
q+1
时刻对应的第一天文观测数据，计算得到t
q+1
时刻对应的电离层总电子量，再根据t
q+1
时刻对应的电离层总电子量计算得到t
p
时刻对应的电离层总电子量，由于考虑了气象数据，可以准确地得到t
p
时刻对应的电离层总电子量，从而提高电离层误差消除的准确性。另外，由于是根据气象数据计算得到第一天文观测数据，降低了天文观测数据的获取难度。
62.可选的，气象数据包括n个类型，第一天文观测数据包括m个类型，根据t
q+1
时刻对应的气象数据，计算得到t
q+1
时刻对应的第一天文观测数据的步骤中，可以通过预设的m个聚类模型，对t
q+1
时刻对应的n个类型的气象数据进行计算，得到t
q+1
时刻对应的m个类型的第一天文观测数据。
63.在本发明实施例中，上述气象数据可以包括温度、风向、湿度、天气情况等n个类型，上述第一天文观测数据包括f1q.7、ap、up和行星际磁场南向分量等m个类型。
64.具体的，可以将n个类型的气象数据作为聚类模型的输入数据，这样，使得聚类模型的输入数据维度为n维，聚类模型的输出为f1q.7、ap、up和行星际磁场南向分量等m个类型的值，即聚类模型的输出数据维度为m维。
65.进一步的，将t
q+1
时刻对应的气象数据输入到聚类模型中，通过聚类模型进行计算后，输出t
q+1
时刻对应的第一天文观测数据，可以通过聚类模型从气象数据得到对应的第一天文观测数据，降低了第一天文观测数据的获取难度。
66.可选的，在通过预设的聚类模型，对t
q+1
时刻对应的气象数据进行计算，得到t
q+1
时刻对应的第一天文观测数据的步骤之前，还可以获取n个类型的历史气象数据，以及获取m个类型的历史天文观测数据，每一历史时刻的历史气象数据对应同一历史时刻的历史天文观测数据；根据历史气象数据对相同历史时刻的历史天文观测数据进行聚类，得到m个聚类模型，聚类模型的输入为n个类型的气象数据。
67.在本发明实施例中，可以获取若干年的n个类型的气象数据作为历史气象数据，包括温度、风向、湿度、天气情况等类型，获取若干年的m个类型的第一天文观测数据作为历史天文观测数据，f1q.7、ap、up和行星际磁场南向分量等类型。
68.选定历史时刻的历史气象数据所对应的历史天文观测数据进行聚类分析，比如，选择某小时的历史气象数据所对应的历史天文观测数据进行聚类分析，得到m个聚类模型，每个聚类模型对应一个类型的第一天文观测数据。
69.可以通过历史气象数据和历史天文观测数据来构建聚类模型，从而建立气象数据和第一天文预测数据之间的隐含关系。聚类模型从气象数据得到对应的第一天文观测数据，降低了第一天文观测数据的获取难度。
70.可选的，在根据历史气象数据对相同历史时刻的历史天文观测数据进行聚类，得到m个聚类模型的步骤中，可以将每类天文观测数据按大小进行排序，分成k
i＝1，2，
…m子类，并将k
i＝1，2，
…m子类作为气象数据的标签；使用k-nn聚类算法对与历史气象数据同一时刻的历史天文观测数据进行聚类分析，得到m个聚类模型，每个聚类模型包括k
i＝1，2，
…m个聚类中心。
71.在本发明实施例中，可以将每个类型的第一天文预测数据按大小进行排序，分成k
i＝1，2，
…m子类，比如将f1q.7类型的天文预测数据分成k
i＝1，2，
…m个子类，将ap类型的天文预测数据分成k
i＝1，2，
…m个子类，将up类型的天文预测数据分成k
i＝1，2，
…m个子类，以及将行星际磁场南向分量类型的天文预测数据分成k
i＝1，2，
…m个子类等。将每个子类作为对应气象数据的标签，每组气象数据(包含n个类型的气象数据)对应一个标签，对于一组新的气象数据，可以计算与其距离最近的k组气象数据，在k组气象数据对应的标签中，选择数量最多的标签作为新的气象数据的标签。
72.可以理解的是，根据标签可以形成对应的聚类中心，每个标签对应一个聚类中心，对于一个类型的天文预测数据来说，存在k
i＝1，2，
…m个标签，对应k
i＝1，2，
…m个聚类中心，每个类型的天文预测数据对应一个聚类模型，则有m个聚类模型。
73.可以通过历史气象数据和历史天文观测数据来构建聚类模型，从而建立气象数据和第一天文预测数据之间的隐含关系。通过对天文观测数据进行量化，得到对应气象数据对应的标签，通过k-nn聚类算法来得到m个聚类模型，可以从气象数据得到对应的第一天文观测数据，降低了第一天文观测数据的获取难度。
74.可选的，在所述基于tq时刻对应的电离层总电子量和t
q+1
时刻对应的第一天文观测数据，计算得到t
q+1
时刻对应的电离层总电子量的步骤中，可以通过预设的电离层模型对tq时刻对应的电离层总电子量和t
q+1
时刻对应的第一天文观测数据进行预测，得到t
q+1
时刻对应的电离层总电子量。
75.在本发明实施例中，电离层模型可以是基于循环神经网络或者基于长短期记忆神经网络得到的，将tq时刻对应的电离层总电子量和t
q+1
时刻对应的第一天文观测数据进行预测作为输入数据输入到预设的电离层模型中，通过预设的电离层模型输出t
q+1
时刻对应的电离层总电子量。
76.具体的，预设的电离层模型通过训练过程，学习到tq时刻对应的电离层总电子量和t
q+1
时刻对应的第一天文观测数据两者与t
q+1
时刻对应的电离层总电子量之间的隐含关系，从而能够根据tq时刻对应的电离层总电子量和t
q+1
时刻对应的第一天文观测数据来预测t
q+1
时刻对应的电离层总电子量。
77.通过预设的电离层模型对t
q+1
时刻对应的电离层总电子量进行预测计算，可以更准确更快速的得到t
q+1
时刻对应的电离层总电子量，而且结合了t
q+1
时刻对应的第一天文观测数据，进一步提高了t
q+1
时刻对应的电离层总电子量准确性。
78.可选的，在通过预设的电离层模型对tq时刻对应的电离层总电子量和t
q+1
时刻对应的第一天文观测数据进行预测，得到t
q+1
时刻对应的电离层总电子量之前，还可以获取历史气象数据和第二天文观测数据，第二天文观测数据包括各个历史时刻对应的电离层总电子量和各个历史时刻对应的第一天文观测数据；通过聚类模型对历史气象数据进行计算，得到各个历史时刻对应的第一天文观测数据；以各个历史时刻对应的第一天文观测数据与相同历史时刻对应的电离层总电子量作为样本数据，以历史时刻的下一时刻对应的电离层
总电子量作为标签，构建得到样本数据集；构建长短期记忆神经网络，并通过样本数据集对长短期记忆神经网络进行训练，训练完成得到电离层模型。
79.在本发明实施例中，上述历史时刻可以是历史每小时或历史每分钟，本发明实施例以历史时刻为历史每小时进行举例说明，可以将历史每小时对应的第一天文观测数据作为输入，以下一小时对应的电离层总电子量作为标签，对长短期记忆神经网络进行训练，每24小时的对应的第一天文观测数据进行一次网络训练迭代，直到长短期记忆神经网络收敛或达到预设的迭代次数，得到训练好的长短期记忆神经网络作为电离层模型。
80.通过训练长短期记忆神经网络作为电离层模型，可以使得电离层模型具备捕捉较长时间序列的隐含信息，从而使训练结果更准确，提高电离层模型的准确性。
81.可选的，在根据t
p
时刻对应的电离层总电子量进行电离层误差消除的步骤中，可以根据t
p
时刻对应的电离层总电子量进行时延估计，得到t
p
时刻的时延估计；根据t
p
时刻的时延估计，计算出t
p
时刻的相位关系；以t
p
时刻的相位关系为基准，在预设时间范围内进行相位捕捉；通过相位捕捉的结果，进行电离层误差消除。
82.在本发明实施例中，可以通过t
p
时刻对应的电离层总电子量进行时延估计，根据t
p
时刻的时延估计，计算出t
p
时刻的相位关系，以t
p
时刻的相位关系为基准，在预设时间范围内进行相位捕捉，从而可以缩小相位搜索范围，加速相位同步的速度，进而提高使用接收双频信号的方法对电离层延迟进行消除的速度。
83.本发明实施例提供的电离层误差消除方法构建了相对准确的电离层模型，能够为电离层tec的估计带来更加准确的结果；所用数据为一般的气象数据，在实际运作中，气象数据更为常见，易于获取；所用的相位同步方法能够缩小相位搜索范围，加速相位同步的过程。
84.需要说明的是，本发明实施例提供的电离层误差消除方法可以应用于智能手机、导航设备、电脑、服务器等设备。
85.可选的，请参见图2，图2是本发明实施例提供的一种电离层误差消除装置的结构示意图，如图2所示，装置包括：
86.第一获取模块201，用于获取tq时刻对应的电离层总电子量，以及获取t
q+1
时刻对应的气象数据；
87.第一计算模块202，用于根据所述t
q+1
时刻对应的气象数据，计算得到t
q+1
时刻对应的第一天文观测数据；
88.第二计算模块203，用于基于所述tq时刻对应的电离层总电子量和所述t
q+1
时刻对应的第一天文观测数据，计算得到所述t
q+1
时刻对应的电离层总电子量；
89.第三计算模块204，用于根据所述t
q+1
时刻对应的电离层总电子量，计算得到t
p
时刻对应的电离层总电子量，其中，p大于q；
90.误差消除模块205，用于根据所述t
p
时刻对应的电离层总电子量进行电离层误差消除。
91.可选的，所述气象数据包括n个类型，所述第一天文观测数据包括m个类型，所述第一计算模块202还用于通过预设的m个聚类模型，对所述t
q+1
时刻对应的n个类型的气象数据进行计算，得到t
q+1
时刻对应的m个类型的第一天文观测数据。
92.可选的，所述装置还包括：
93.第二获取模块，用于获取n个类型的历史气象数据，以及获取m个类型的历史天文观测数据，每一历史时刻的所述历史气象数据对应同一历史时刻的所述历史天文观测数据；
94.聚类模块，用于根据所述历史气象数据对相同历史时刻的所述历史天文观测数据进行聚类，得到m个聚类模型，所述聚类模型的输入为n个类型的气象数据。
95.可选的，所述聚类模块还用于将每类天文观测数据按大小进行排序，分成k
i＝1，2，
…m子类，并将所述k
i＝1，2，
…m子类作为气象数据的标签；使用k-nn聚类算法对与所述历史气象数据同一时刻的历史天文观测数据进行聚类分析，得到m个聚类模型，每个聚类模型包括k
i＝1，,2，
…m个聚类中心。
96.可选的，所述第二计算模块203还用于通过预设的电离层模型对所述tq时刻对应的电离层总电子量和所述t
q+1
时刻对应的第一天文观测数据进行预测，得到所述t
q+1
时刻对应的电离层总电子量。
97.可选的，所述装置还包括：
98.第三获取模块，用于获取历史气象数据和第二天文观测数据，所述第二天文观测数据包括各个历史时刻对应的电离层总电子量和各个历史时刻对应的第一天文观测数据；
99.第四计算模块，用于通过所述聚类模型对所述历史气象数据进行计算，得到各个历史时刻对应的第一天文观测数据；
100.第一构建模块，用于以各个所述历史时刻对应的第一天文观测数据与相同历史时刻对应的电离层总电子量作为样本数据，以所述历史时刻的下一时刻对应的电离层总电子量作为标签，构建得到样本数据集；
101.第二构建模块，用于构建长短期记忆神经网络，并通过所述样本数据集对所述长短期记忆神经网络进行训练，训练完成得到所述电离层模型。
102.可选的，所述误差消除模块205还用于根据所述t
p
时刻对应的电离层总电子量进行时延估计，得到t
p
时刻的时延估计；根据所述t
p
时刻的时延估计，计算出t
p
时刻的相位关系；以所述t
p
时刻的相位关系为基准，在预设时间范围内进行相位捕捉；通过所述相位捕捉的结果，进行电离层误差消除。
103.需要说明的是，本发明实施例提供的电离层误差消除装置可以应用于可以进行导航定位的智能手机、导航设备、电脑、服务器等设备。
104.本发明实施例提供的电离层误差消除装置能够实现上述方法实施例中电离层误差消除方法实现的各个过程，且可以达到相同的有益效果。为避免重复，这里不再赘述。
105.参见图3，图3是本发明实施例提供的一种电子设备的结构示意图，如图3所示，包括：存储器302、处理器301及存储在存储器302上并可在处理器301上运行的电离层误差消除方法的计算机程序，其中：
106.处理器301用于调用存储器302存储的计算机程序，执行如下步骤：
107.获取tq时刻对应的电离层总电子量，以及获取t
q+1
时刻对应的气象数据；
108.根据所述t
q+1
时刻对应的气象数据，计算得到t
q+1
时刻对应的第一天文观测数据；
109.基于所述tq时刻对应的电离层总电子量和所述t
q+1
时刻对应的第一天文观测数据，计算得到所述t
q+1
时刻对应的电离层总电子量；
110.根据所述t
q+1
时刻对应的电离层总电子量，计算得到t
p
时刻对应的电离层总电子
量，其中，p大于q；
111.根据所述t
p
时刻对应的电离层总电子量进行电离层误差消除。
112.可选的，所述气象数据包括n个类型，所述第一天文观测数据包括m个类型，处理器301执行的所述根据所述t
q+1
时刻对应的气象数据，计算得到t
q+1
时刻对应的第一天文观测数据的步骤包括：
113.通过预设的m个聚类模型，对所述t
q+1
时刻对应的n个类型的气象数据进行计算，得到t
q+1
时刻对应的m个类型的第一天文观测数据。
114.可选的，在所述通过预设的聚类模型，对所述t
q+1
时刻对应的气象数据进行计算，得到t
q+1
时刻对应的第一天文观测数据的步骤之前，处理器301执行的所述方法还包括：
115.获取n个类型的历史气象数据，以及获取m个类型的历史天文观测数据，每一历史时刻的所述历史气象数据对应同一历史时刻的所述历史天文观测数据；
116.根据所述历史气象数据对相同历史时刻的所述历史天文观测数据进行聚类，得到m个聚类模型，所述聚类模型的输入为n个类型的气象数据。
117.可选的，处理器301执行的所述根据所述历史气象数据对相同历史时刻的所述历史天文观测数据进行聚类，得到m个聚类模型的步骤包括：
118.将每类天文观测数据按大小进行排序，分成k
i＝1，2，
…m子类，并将所述k
i＝1，2，
…m子类作为气象数据的标签；
119.使用k-nn聚类算法对与所述历史气象数据同一时刻的历史天文观测数据进行聚类分析，得到m个聚类模型，每个聚类模型包括k
i＝1，,2，
…m个聚类中心。
120.可选的，处理器301执行的所述基于所述tq时刻对应的电离层总电子量和所述t
q+1
时刻对应的第一天文观测数据，计算得到所述t
q+1
时刻对应的电离层总电子量的步骤包括：
121.通过预设的电离层模型对所述tq时刻对应的电离层总电子量和所述t
q+1
时刻对应的第一天文观测数据进行预测，得到所述t
q+1
时刻对应的电离层总电子量。
122.可选的，在所述通过预设的电离层模型对所述tq时刻对应的电离层总电子量和所述t
q+1
时刻对应的第一天文观测数据进行预测，得到所述t
q+1
时刻对应的电离层总电子量之前，处理器301执行的所述方法还包括：
123.获取历史气象数据和第二天文观测数据，所述第二天文观测数据包括各个历史时刻对应的电离层总电子量和各个历史时刻对应的第一天文观测数据；
124.通过所述聚类模型对所述历史气象数据进行计算，得到各个历史时刻对应的第一天文观测数据；
125.以各个所述历史时刻对应的第一天文观测数据与相同历史时刻对应的电离层总电子量作为样本数据，以所述历史时刻的下一时刻对应的电离层总电子量作为标签，构建得到样本数据集；
126.构建长短期记忆神经网络，并通过所述样本数据集对所述长短期记忆神经网络进行训练，训练完成得到所述电离层模型。
127.可选的，处理器301执行的所述根据所述t
p
时刻对应的电离层总电子量进行电离层误差消除的步骤包括：
128.根据所述t
p
时刻对应的电离层总电子量进行时延估计，得到t
p
时刻的时延估计；
129.根据所述t
p
时刻的时延估计，计算出t
p
时刻的相位关系；
130.以所述t
p
时刻的相位关系为基准，在预设时间范围内进行相位捕捉；
131.通过所述相位捕捉的结果，进行电离层误差消除。
132.需要说明的是，本发明实施例提供的电子设备可以应用于可以进行电离层误差消除的智能手机、导航设备、电脑、服务器等设备。
133.本发明实施例提供的电子设备能够实现上述方法实施例中电离层误差消除方法实现的各个过程，且可以达到相同的有益效果。为避免重复，这里不再赘述。
134.本发明实施例还提供一种计算机可读存储介质，计算机可读存储介质上存储有计算机程序，该计算机程序被处理器执行时实现本发明实施例提供的电离层误差消除方法或应用端电离层误差消除方法的各个过程，且能达到相同的技术效果，为避免重复，这里不再赘述。
135.本领域普通技术人员可以理解实现上述实施例方法中的全部或部分流程，是可以通过计算机程序来指令相关的硬件来完成，的程序可存储于一计算机可读取存储介质中，该程序在执行时，可包括如上述各方法的实施例的流程。其中，的存储介质可为磁碟、光盘、只读存储记忆体(read-only memory，rom)或随机存取存储器(random access memory，简称ram)等。
136.以上所揭露的仅为本发明较佳实施例而已，当然不能以此来限定本发明之权利范围，因此依本发明权利要求所作的等同变化，仍属本发明所涵盖的范围。