一种基于bp-egnos融合模型的对流层延迟改正方法
【专利摘要】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。
【专利说明】
-种基于BP-EGNOS融合模型的对流层延迟改正方法
技术领域
[0001] 本发明设及全球导航系统领域，特别是设及一种基于BP-EGNOS融合模型的对流层 延迟改正方法。
【背景技术】
[0002] 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W分为需要气象参数模型W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缔度 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。
[0003] 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W及适用性方面的研究较少。
【发明内容】
[0004] 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。
[000引技术方案:为达到此目的，本发明采用W下技术方案：
[0006] 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W下的步骤：
[0007] SI:构建一个4 XP Xl的BP神经网络模型，表示测站处对流层延迟残差RES与测站 处的缔度、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；
[000引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；
[0009] S3:利用测站处的缔度、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Sl建立的BP神经网络计算测站处对流层延迟残差；
[0010] S4:计算修改后新模型的对流层天顶延迟。
[0011] 进一步，所述步骤Sl中BP神经网络模型的输入层包括四个元素，分别为:测站缔度 中、测站高程h、年积日doy、EGN0S模型计算的测站对流层延迟ZIDegnos;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：
[0012] RES = ZTDigs-ZTDegnos (1)
[0013] 式（I)中ZTDigs为IGS提供的高精度对流层延迟产品数据，ZTDegn日S为EGNOS模型计算 的测站对流层延迟。
[0014] 进一步，所述步骤S4中的对流层天顶延迟ZlD如式(2)所示：
[0015] ZTD = ZTDegnos+RESbp (2)
[0016] 式（2)中，ZTDegnos为EGNOS模型计算的测站对流层延迟，RESbp为步骤S3计算得到的 测站处对流层延迟残差。
[0017] 有益效果:与现有技术相比，本发明具有如下的有益效果：
[0018] 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；
[0019] 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】
[0020] 图1为本发明的BP神经网络的结构示意图；
[0021 ]图2为bjf S站EGNOS模型与BP-EGNOS融合模型残差图；
[0022] 图3为化az站EGNOS模型与BP-EGNOS融合模型残差图；
[0023] 图4为kumn站EGNOS模型与BP-EGNOS融合模型残差图；
[0024] 图5为urum站EGNOS模型与BP-EGNOS融合模型残差图；
[00巧]图6为Xian站EGNOS模型与BP-EGNOS融合模型残差图。
【具体实施方式】
[0026] 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。
[0027] 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W下的步 骤：
[002引 Sl:构建一个4 XP X 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与测站处的缔度、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；
[0029] 其中，B巧申经网络模型的输入层包括四个元素，分别为:测站缔度和测站高程h、年 积日doy、EGN0S模型计算的测站对流层延迟ZTDegn日S;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：
[0030] RES = ZTDigs-ZTDegnos (1)
[0031] 式（1)中ZTDigs为IGS提供的高精度对流层延迟产品数据，ZTDegn日S为EGNOS模型计算 的测站对流层延迟。
[0032] 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；
[0033] 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。
[0034] 表1 5个IGS站基本信息
[0035]
[0036] 利用上述5个IGS站的一年的数据样本对如图I所示设计的BP神经网络进行训练。 部分训练数据如表所示：
[0037] 表2部分训练数据 [00；3 引
[0039]
[0040] S3:利用测站处的缔度、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Sl建立的BP神经网络计算测站处对流层延迟残差；
[0041] 利用5个IGS站数据样本中的测站缔度取、测站高程h、年积日doyW及步骤Sl计算得 至Ij的EGNOS模型的对流层延迟计算值ZIDegnos，通过训练好的BP神经网络，计算出运5个IGS站 处的对流层延迟残差RESbp。
[0042] S4:计算修改后新模型的对流层天顶延迟。
[0043] 利用步骤S3计算出的测站处对流层延迟残差RESbpW及EGNOS模型的对流层延迟计 算值ZTDegnqs计算出测站处的对流层天顶延迟ZTD，如式(2)所示：
[0044] ZTD = ZTDegnos+RESbp (2)
[0045] W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：
[0046] (3)：
[0047] (4)
[004引其中：N是用于测试数据的数量;ZTIf为模型计算值;ZJDf为真值，即IGS所提供 ZTD产品。
[0049] 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W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分别是运5个IGS站上各个模型的误差图。表3给出了运两种模型在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。
[0050] 表3BP-EGN0S融合模型与EGNOS模型的精度比较分析结果 [00511
[0化2] 从图2~图6 W及表3可W看出：EGNOS模型在运五个站的BIAS均值为4.4cm，其中 bjf S站的BIAS最大，为6.2cm; BP-EGNOS融合模型在运五个站上的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模型在运五个站的RMSE均值为± 5.2cm，其中bjfS站RM沈达到了 ± 7.1 cm; BP-EGNOS融合模型的RM沈均值为± 2.9cm，其中在 bjfS站RM沈为±3.6cm，明显改善。
[0053] 通过W上数据，我们发现：
[0054] (1化GNOS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. Icm，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。
[0055] (2)通过比较可W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RM沈为± 5.2cm，BP-EGNOS融合模型平均RM沈为± 2.9畑1。相对于EGNOS模型， BP-EGNOS融合模型的模型精度提高44 % W上。运说明相对于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。
[0056] 因此，对于中国区域的对流层，可W利用本发明提出的方法计算其延迟数值。
[0057]凡是根据本发明技术实质对W上实施所作的任何简单修改、变更W及等效结构变 化，均仍属于本发明技术方案的保护范围内。
【主权项】
1. 一种基于BP-EGNOS融合模型的对流层延迟改正方法，其特征在于:包括以下的步骤： Sl:构建一个4 XP X 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 炜度、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:利用测站处的炜度、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Sl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。2. 根据权利要求1所述的基于BP-EGNOS融合模型的对流层延迟改正方法，其特征在于： 所述步骤Sl中BP神经网络模型的输入层包括四个元素，分别为:测站炜度φ、测站高程h、年 积日doy、EGN0S模型计算的测站对流层延迟ZTD egnqs;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 = ZTDigs~ZTDegnos (1) 式（1)中ZTDigs为IGS提供的高精度对流层延迟产品数据，ZTDegnqs为EGNOS模型计算的测 站对流层延迟。3. 根据权利要求1所述的基于BP-EGNOS融合模型的对流层延迟改正方法，其特征在于： 所述步骤S4中的对流层天顶延迟ZTD如式(2)所示： ZTD = ZTDegnos+RESbp (2) 式(2)中，ZTDegnqs为EGNOS模型计算的测站对流层延迟，RESbp为步骤S3计算得到的测站 处对流层延迟残差。
【文档编号】G06N3/08GK106022470SQ201610278065
【公开日】2016年10月12日
【申请日】2016年4月29日
【发明人】胡伍生, 夏晓明, 严宇翔, 丁茂华
【申请人】东南大学