一种基于CMONOC-ZTD的对流层延迟改正方法

一种基于cmonoc
‑
ztd的对流层延迟改正方法
技术领域
1.本发明涉及全球导航卫星系统，特别是一种基于cmonoc
‑
ztd的对流层延迟改正方法。


背景技术：

2.无线电信号的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重要误差源之一，对流层天顶延迟一般能达到2m，而随着高度角的降低延迟将增大至20m。目前国际上常用的有气象参数对流层天顶延迟模型主要包括hopfield、saastamoinen、black等模型，此类模型的应用依赖于地表气象参数，这极大限制了模型的应用范围。常用的无气象参数模型大都采取数值天气预报模型建立，是通过对全球大气平均气象资料以及全球气候分析，建立起来的全球范围内的对流层延迟模型。此类模型精度较差，难以实现gnss导航定位中的自洽，尤其是在地域广阔、环境复杂的地区改正效果较为有限。目前，很少有基于gnss
‑
ztd数据直接建模的ztd模型。本专利针对传统对流层天顶延迟模型在估算天顶延迟中存在的精度不高，稳定性差且依赖于气象参数等问题，基于中国区域陆态网提供的gnss反演对流层天顶延迟数据，利用人工神经网络的自适应学习能力和非线性逼近能力，避免一些传统ztd模型中参数化模型的缺点，通过权值的自动调整，达到最佳的逼近效果，以建立一种准确可靠的对流层延迟模型来达到局部精化的效果，以提高中国区域对流层延迟改正精度，对提高gnss导航定位的精度和可靠性有很重要的现实意义。


技术实现要素：

3.发明目的：本发明的目的是提供一种高精度的基于cmonoc
‑
ztd的对流层延迟改正方法。
4.技术方案：本发明所述的一种基于cmonoc
‑
ztd的对流层延迟改正方法，包括以下步骤：
5.s1：获取建模数据，构造训练样本；
6.s2：利用s1中得到的样本构建若干个“弱”神经网络模型；
7.s3：在“弱”神经网络模型中输入样本训练；
8.s4：确定每个“弱”神经网络模型的权重；
9.s5：将“弱”神经网络模型的结果加权平均，输出最终模型，并验证其精度。
10.所述步骤s1中的建模数据采用中国大陆构造环境监测网(crustal movement observation network of china，cmonoc)的测站提供的对流层天顶延迟(zenith total delay，ztd)产品(简称cmonoc
‑
ztd)序列。
11.所述步骤s2中的“弱”神经网络模型采取fnn网络。
12.所述feed
‑
forward neural network(fnn)网络由输入层、隐含层与输出层组成，其输入层节点数为5，分别代表测站经度(
°
)、纬度(
°
)、高程(m)、年积日(dayofyear，doy)和小时(h)，隐含层节点数为27个，输出层节点数为1个，代表ztd(mm)，激活函数选取tan
‑
sigmoid函数，其表达式为：
[0013][0014]
其中x为该神经元的输入信号值，f(x)为输出信号值，fnn的目标误差为1mm，最大训练次数为200次，采用梯度下降法进行训练。
[0015]
所述步骤s4中根据训练误差计算确定每个“弱”神经网络模型的权重，m个训练样本的分布权值初始化为：
[0016]
d0(i)＝1/m,i＝1,2,3,
…
,m
[0017]
每个fnn网络的初始累积误差为：
[0018]
error(t)＝0,t＝1,2,3,
…
,20
[0019]
第t个fnn网络训练完成后，如果由fnn
t
得到的第i个样本的预测误差大于50mm时，认为该样本是需要加强学习的样本，按照下列公式更新该网络的累计误差error(t)及样本的分布误差d
t
，否则网络的累计误差及样本的分布权值不变；
[0020][0021]
计算各fnn网络的权重，第t个fnn网络的权重p
t
由下列公式计算并归一化得到：
[0022][0023]
假定第t个fnn网络计算得到的对流层延迟记作ztd
t
，最终的对流层延迟由下列公式计算得到：
[0024][0025]
所述步骤s5中的验证精度是将未参与步骤s1的陆态网测站的ztd0作为真值，采用平均偏差(bias)和均方根误差(root mean square error，rms)作为评定标准，其中bias表示准确度，即模型与真值的偏离程度，rms表示精度，用于衡量模型的可靠性和稳定性，计算公式为：
[0026][0027]
有益效果：与现有技术相比，本发明具有如下优点：
[0028]
1、优于常用的ctrop模型和shatrop模型，新模型精度比上述两个模型提高了9.6％和3.3％；
[0029]
2、采用gnss实测ztd序列进行建模，不同于其他模型或是采用气象再分析数据、或
是采用探空数据建模，最大程度的实现了模型在gnss应用中的自洽，能够保证在中国区域内导航定位的应用精度；
[0030]
3、在内陆和高海波地区新模型的精度较其他常用模型更高。
附图说明
[0031]
图1为本发明的步骤流程图；
[0032]
图2为本发明具体实施方式的陆态网建模，验证测站的信息图；
[0033]
图3为本发明具体实施方式的算法流程图；
[0034]
图4为采用本具体实施方式所述方法得到的模型与ctrop，shatrop模型各测站的bias和rms分布图，其中图4a为ctrop的bias，4b为shatrop的bias，4c为bp
‑
adaboost的bias，4d为ctrop的rms，4e为shatrop的rms，4f为bp
‑
adaboost的rms；
[0035]
图5为采用本具体实施方式所述方法得到的模型与ctrop、shatrop模型在各个季度的rms对比，其中图5a为春季各模型rms，5b为夏季各模型rms，5c为秋季各模型rms，5d为冬季各模型rms。
具体实施方式
[0036]
下面结合附图对本发明的技术方案作进一步说明。
[0037]
如图1所示，本具体实施方式公开了一种基于comonc的ztd改正方法，包括以下步骤：
[0038]
s1：获取并筛选符合条件的中国大陆构造环境监测网(陆态网)测站提供的对流层天顶延迟产品。具体如下：
[0039]
本具体实施方式选取近7年来有连续数据的cmonc测站，并剔除中误差大于5mm的观测值，共得到测站217个。均匀选取其中155个测站2014
‑
2018年的数据进行建模，利用剩余62个测站(验证站)以及参与建模的141个测站(建模站)2019年的数据进行验证。得到训练样本1883076个，检验样本分别为136958和271882个。
[0040]
s2：利用s1中得到的样本构建若干个“弱”神经网络模型，确定输入层节点为5，分别代表测站经度(
°
)、纬度(
°
)、高程(m)、年积日(dayofyear，doy)和小时(h)，隐含层节点数为27个，输出层节点数为1个，代表精确的ztd(mm)预测值。
[0041]
s3：训练建立20个fnn网络。将共1883076个训练样本的分布权值初始化为每个fnn网络有三层，分别由输入层、隐含层与输出层组成。其输入层节点数为5，分别代表：测站经度(
°
)，纬度(
°
)，高程(m)，年积日(dayofyear，doy)和小时(h)；隐含层节点数为27；输出层节点数为1，代表ztd(mm)。fnn模型隐含层的传递函数选取tan
‑
sigmoid函数，其表达式如公式(1)所示，其中x为输入值：
[0042][0043]
每个fnn网络的目标误差为1mm，最大迭代次数为200，训练方法采用标准的最速下降法。
[0044]
s4：各fnn网络的权值分配，本方法共选取20个fnn网络，并将其加权集成为强预测
器，用来精确估计ztd。每个网络的初始累积误差error(t)＝0,t＝1,2,3,
…
,20。第t个fnn(fnn
t
)网络训练完成后，如果由fnn
t
得到的第i个样本的预测误差大于50mm时，认为该样本是需要加强学习的样本，按照公式(2)更新该网络的累计误差error(t)及样本的分布误差d
t
，否则网络的累计误差及样本的分布权值不变：
[0045][0046]
计算各fnn网络的权重，第t个fnn网络的权重p
t
可由公式(3)计算并归一化得到：
[0047][0048]
s5：取这20个fnn网络预测结果的加权平均值为最终的ztd输出，公式如(4)所示，并确定最终改进权重并验证其精度。
[0049][0050]
因此将步骤s1中两组测站的对流层延迟记作ztd0作为真值，采用平均偏差(bias)和均方根误差(root mean square error，rms)作为评定标准。其中bias表示准确度，即模型与真值的偏离程度；rms表示精度，用于衡量模型的可靠性和稳定性，其计算公式如公式(5)所示：
[0051][0052]
其中n表示样本个数，ztd
i
为模型计算得到的对流层延迟，为对流层延迟的精确值。为讨论新模型的适用性，本文利用2019年cmonoc的141个建模测站、62个验证站的ztd，分别比较了ctrop模型和shatrop模型在中国区域的精度，具体结果如表1所示；为进一步分析各个模型的空间适用性，画出各个cmonc站与探空站的bias与rms分布图如图4所示；
[0053]
表1：四种模型的bias与rms(单位：mm)
[0054][0055][0056]
进一步分析这四种模型在不同海拔高度的适用性，按照测站高程，将各个测站按
照0
‑
2km、2
‑
4km以及>4km三个区间分别统计，如表2所示：
[0057]
表2：两个子区域的bias和rms(单位：mm)
[0058][0059]
进一步为验证模型在不同时间段的适用精度，计算这四个模型分别在每个季度的rms，如图5所示。
[0060]
表3：三个高程区间的bias和rms(单位：mm)
[0061][0062]
由表1、表2、表3、图4、图5可以看出：
[0063]
(1)利用2019年cmonoc参与建模的155个测站以及未参与建模的62个测站数据进行验证bp
‑
adaboost模型在中国区域内的总体bias为0.62mm,、
‑
1.16mm，优于常用的ctrop模型、和shatrop模型，表明模型没有明显的系统误差；其rms为25.30mm和26.72mm，比上述三个模型精度提高了9.6％、2.8％和3.3％。
[0064]
(3)三个模型的精度分布都呈现出内陆高，东南沿海低的特性，在内陆地区bp
‑
adaboost模型的优势更加明显。bp
‑
adaboost在高海拔地区也优于其他三个模型。
[0065]
(4)三个模型的精度都呈现出夏季低而冬季高的特性，cmonoc两组数据验证结果表明，bp
‑
adbooost的精度都由于其他模型，在春季和和夏季精度比ctrop模型和shatrop模型提高在5％左右。
[0066]
(5)本发明采用的gnss实测的ztd序列进行建模，不同于其他模型或是采用气象再分析数据、或是采用radiosonde数据建模，最大程度的实现了模型在gnss应用中的自洽，能够保证在中国区域内导航定位的应用精度。
[0067]
从以上结论可以看出基于中国区域陆态网的bp
‑
adaboost算法建模精度的可靠性，无论偏差还是均方根误差都要好过目前主流使用的模型，同时该模型在中国内陆区域的表现更加优异，因此对于中国区域可以利用本发明提出的方法计算其延迟数值。