CN103698785B - 基于贯序极限学习机的卫星信号周跳探测与修复方法 - Google Patents

Abstract

本发明公开了一种基于贯序极限学习机的卫星信号周跳探测与修复方法，其特征在于按如下步骤进行：首先对卫星信号载波相位进行高阶差分处理，利用无周跳的载波相位值构成无周跳训练样本集，训练初始贯序极限学习机模型，然后利用模型预测值构造周跳探测统计量，探测与修复周跳，并使用无周跳的载波相位值更新贯序极限学习机模型。本发明基于贯序极限学习机的卫星信号周跳探测与修复方法可以有效探测小周跳（3周及以上的周跳），而且不需要增加额外辅助信息，适用于单频接收机；该方法可广泛应用于GPS、GLONASS、Galileo、北斗导航卫星信号的处理，具有广阔的应用前景。

Description

基于贯序极限学习机的卫星信号周跳探测与修复方法

技术领域

本发明涉及一种对卫星信号的整周跳变进行探测和修复的方法。

背景技术

高精度卫星导航应用(高精度定位、测向、姿态等)均采用载波相位测量法，载波相位的整周跳变(简称周跳)会对测量结果的精度和稳定性产生很大影响，因此周跳的探测与修复是该领域必须解决的关键问题。

载波相位的周跳是指在载波相位观测时其整周计数出现系统偏差而不足一周部分仍然保持正确的现象。三类原因会导致周跳：第一类是卫星信号受到遮挡而暂时中断；第二类是恶劣的电离层状况、多路径效应严重或卫星仰角过低，致使卫星信号的信噪比过低；第三类是接收机内置软件的设计不周全引起的错误。

周跳对基于载波相位测量的高精度定位、测向、测姿会产生很大影响，因此在进行实际应用前必须要进行周跳的探测与修复。周跳探测是指通过对载波相位值序列进行分析，找到数据中发生周跳的点；周跳修复是指使用无周跳的载波相位值预测发生周跳点的值，使用预测值代替测量值。

目前，周跳探测与修复方法主要有：高次差法、多项式拟合法、伪距相位组合法、电离层残差法、卡尔曼滤波法和小波法等，但它们在实际应用中都存在一些不足之处：

高次差法和多项式拟合法适用于单频接收机，但只能探测5周以上的大周跳，无法探测出小周跳；伪距相位组合法探测周跳的能力依赖于伪距测量的精度，因此不适用于单频接收机；电离层残差法需要双频载波相位值，也不适用于单频接收机；卡尔曼滤波法需要设定合适的滤波参数，对建模精度要求较高；小波法需要两个及以上的测站求双差观测量，复杂度较高。

贯序极限学习机(Online-SequentialExtremeLearningMachine，简称OS-ELM)是南洋理工大学的黄广斌副教授于2006年提出一种快速学习算法。该算法基于单隐层前馈神经网络，通过解析的方法确定连接隐层和输出层的输出权值，参数选择简单，无需迭代，学习速度快且泛化能力强，已经在模式识别和回归估计等问题中得到成功的应用，因此在卫星信号周跳的探测与修复中具有应用前景。

发明内容

本发明为解决上述现有技术所存在的不足之处，提供一种基于贯序极限学习机的卫星信号周跳探测与修复方法，以期该方法不仅适用于单频接收机，而且可以有效探测小周跳。

本发明解决技术问题，采用如下技术方案：

本发明基于贯序极限学习机的卫星信号周跳探测与修复方法，其特点在于按如下步骤进行：

a、对卫星信号载波相位进行高阶差分处理，构建训练样本集

a1、以设定采样周期T获得样本数为k+r+2的载波相位值序列，对所述载波相位值序列进行高阶差分处理，获得载波相位的高阶差分值r为差分阶数，r为3或4；i＝k+2；

按式(1)计算获得差分序列x_i:

式中，c为使x_i在[-1,1]范围内的缩放系数；

a2、按式(2)构建训练样本集X_k:

$X_k={\left\{(x_i,o_i)\right|(x_i={\left[\begin{array}{cc}{x}_i& x_{i+1}\end{array}\right]}^T),o_i=x_{i+2}\}}_{i=1}^k---\left(2\right)$

式中，(x_i,o_i)为第i个样本，x_i为输入，o_i为输出；k为训练样本集中样本的个数；

b、使用k₀个无周跳的载波相位值按照步骤a构成无周跳训练样本集k₀＝100；然后按式(3)训练初始贯序极限学习机模型：

$\left\{\begin{array}{c}\underset{j=1}{\overset{L}{\mathrm{\Σ}}}{\mathrm{\β}}_{j}f({\mathrm{\α}}_j{x}_1+b_j)=o_1,\\ .\\ .\\ .\\ \underset{j=1}{\overset{L}{\mathrm{\Σ}}}{\mathrm{\β}}_{j}f({\mathrm{\α}}_j{x}_i+b_j)=o_i,\\ .\\ .\\ .\\ \underset{j=1}{\overset{L}{\mathrm{\Σ}}}{\mathrm{\β}}_{j}f({\mathrm{\α}}_j{x}_{k_0}+b_j)=o_{k_0},\end{array}\right.---\left(3\right)$

式中，L为隐含层节点个数，L＝20；α_j＝[α_j1α_j2]为连接第j个神经元的输入权值向量；b_j为第j个神经元的偏差；α_j和b_j为(0,1)范围内的随机数；β_j为连接第j个神经元的输出权值；

隐层神经元函数f(x)使用高斯径向基函数：

f(x)＝exp(-||x||²/2σ²)(4)

其中σ为函数的宽度参数，σ＝1；

按如下步骤计算β₀：

将式(3)写为式(5)的矩阵形式

Hβ₀＝O₀(5)

式中H为式(6)的神经元矩阵：

$H=\left[\begin{array}{cccc}f({\mathrm{\α}}_1{x}_1+b_1)& f({\mathrm{\α}}_2{x}_1+b_2)& ...& f({\mathrm{\α}}_L{x}_1+b_L)\\ f({\mathrm{\α}}_1{x}_2+b_1)& f({\mathrm{\α}}_2{x}_2+b_2)& ...& f({\mathrm{\α}}_L{x}_2+b_L)\\ .& .& .& .\\ .& .& .& .\\ .& .& .& .\\ f({\mathrm{\α}}_1{x}_{k_0}+b_1)& f({\mathrm{\α}}_2{x}_{k_0}+b_2)& ...& f({\mathrm{\α}}_L{x}_{k_0}+b_L)\end{array}\right]---\left(6\right)$

β₀为输出权值向量，β₀＝[β₁β₂…β_L]^T。

O₀为输出向量， $O_0={\left[\begin{array}{cccc}{o}_1& o_2& ...& o_{k_0}\end{array}\right]}^T.$

求解式(5)的最小二乘解可得输出权值向量

β₀＝PH^TO₀(7)

式中

P＝(H^TH)^-1(8)

按式(9)计算初始贯序极限学习机模型的预测方差

${\widehat{\mathrm{\δ}}}_0^2=\frac{1}{k_0}\underset{i=1}{\overset{k_0}{\mathrm{\Σ}}}{({\hat{o}}_i-\stackrel{\‾}{o})}^2---\left(9\right)$

式中，是基于β₀计算出的输出预测值；是输出值的均值；

c、对卫星信号周跳进行探测

根据步骤b所述初始贯序极限学习机模型，获得当前t时刻的模型参数为β_t，按式(10)计算t+1时刻的模型输出预测值

${\hat{x}}_{t+1}={\hat{o}}_{t-1}=\underset{i=1}{\overset{L}{\mathrm{\Σ}}}{\mathrm{\β}}_{t}f({\mathrm{\α}}_i{x}_{t-1}+b_i)---\left(10\right)$

按式(11)计算t+1时刻的预测方差

${\widehat{\mathrm{\δ}}}_{t+1}^2=\frac{k-1}{k}{\widehat{\mathrm{\δ}}}_t^2+\frac{{({\hat{x}}_{t+1}-x_{t+1})}^2}{k}---\left(11\right)$

式中，x_t+1是t+1时刻载波相位高阶差分的实际测量值；和分别为t时刻和t+1时刻的预测方差；

按式(12)构造周跳探测统计量

$S_{t+1}=|{\hat{x}}_{t+1}-x_{t+1}|/{\widehat{\mathrm{\δ}}}_{t+1}---\left(12\right)$

依据三倍标准差原理，如果S_t+1>3，则发生周跳的时刻为(t+1+r)，r为高阶差分的阶数；周跳大小为：

式中，表示向下取最接近的整数；c是公式(1)中的缩放系数；

d、对卫星信号周跳进行修复：从(t+1+r)时刻开始，将所有时刻的载波相位值均加上实现周跳的修复；

e、更新贯序极限学习机模型

按式(14)与式(15)计算t+1时刻的模型参数β_t+1：

$P_{t+1}=P_t-\frac{P_t{h}_{t+1}^T{h}_{t+1}{P}_t}{1+h_{t+1}{P}_t{h}_{t+1}^T}---\left(14\right)$

${\mathrm{\β}}_{t+1}={\mathrm{\β}}_t+P_{t+1}{h}_{t+1}^T(o_{t-1}-h_{t+1}{\mathrm{\β}}_t)---\left(15\right)$

式中

h_t+1＝[f(α₁x_t-1+b₁)f(α₂x_t-1+b₂)...f(α_Lx_t-1+b_L)](16)

以β_t+1替换步骤c中的β_t，对下一时刻的周跳进行探测和修复。

优选的，所述采样周期T为1秒、缩放系数c为0.5；或所述采样周期t为5秒、缩放系数c为0.2；或所述采样周期t为10秒、缩放系数c为0.1。

与已有技术相比，本发明的有益效果体现在：

1、本发明可实现性好：无需进行观测站间作差，且预测模型参数少，简单易于操作；

2、本发明预测精度高：通过对载波相位高阶差分序列的建模，在线更新预测模型，提高了预测精度，可以有效探测小周跳(3周及以上的周跳)；

3、本发明使用范围广：不需要增加额外的辅助信息如伪距，不需要双频观测量，适用于单频接收机，可广泛应用于GPS、GLONASS、Galileo、北斗导航卫星信号的处理，具有广阔的应用前景。

附图说明

图1为本发明基于贯序极限学习机的载波相位预测模型；

图2为本发明基于贯序极限学习机的周跳探测与修复流程图；

图3为本发明中在发生50周周跳情况下，计算出的探测统计量；

图4为本发明中在发生3周周跳情况下，计算出的探测统计量；

图5为本发明中在发生1周周跳情况下，计算出的探测统计量。

具体实施方式

本实施例基于贯序极限学习机的卫星信号周跳探测与修复方法是如下步骤进行：

a、对卫星信号载波相位进行高阶差分处理，构建训练样本集

a1、以设定采样周期T获得样本数为k+r+2的载波相位值序列，对所述载波相位值序列进行高阶差分处理，获得载波相位的高阶差分值r为差分阶数，r为3或4；i＝k+2；

按式(1)计算获得差分序列x_i:

式中，c为使x_i在[-1,1]范围内的缩放系数，按照不同的采样周期取经验值。例如采样周期T为1秒、缩放系数c为0.5；或所述采样周期t为5秒、缩放系数c为0.2；或所述采样周期t为10秒、缩放系数c为0.1。

载波相位的高阶差分可以放大周跳信息。对载波相位进行高阶差分，并采用贯序极限学习机对载波相位高阶差分序列进行建模，以揭示载波相位数据本身的结构和规律，推断系统及其行为的未来情形。

a2、按式(2)构建训练样本集X_k:

$X_k={\left\{(x_i,o_i)\right|(x_i={\left[\begin{array}{cc}{x}_i& x_{i+1}\end{array}\right]}^T),o_i=x_{i+2}\}}_{i=1}^k---\left(2\right)$

式中，(x_i,o_i)为第i个样本，x_i为输入，o_i为输出；k为训练样本集中样本的个数；

贯序极限学习机只能作用于向量集，不能直接用于时间序列，因此需要将载波相位时间序列转换为向量集。构建训练样本集采用相空间重构的方法。根据Takens的相空间重构理论，只要嵌入维数和时间滞后选择恰当，重构相空间在嵌入空间的“轨迹”就是微分同胚意义下的原系统的“动力学”等价。

相空间重构可以使载波相位高阶差分时间序列中的结构更清楚地表现出来，从而使周跳等异常表现出来。

b、在初始化阶段，使用大量无周跳的载波相位值构成训练样本集，离线训练出初始贯序极限学习机模型，模型基于单隐层前馈神经网络，如图1所示。

使用k₀个无周跳的载波相位值按照步骤a构成无周跳训练样本集k₀＝100；然后按式(3)训练初始贯序极限学习机模型：

$\left\{\begin{array}{c}\underset{j=1}{\overset{L}{\mathrm{\Σ}}}{\mathrm{\β}}_{j}f({\mathrm{\α}}_j{x}_1+b_j)=o_1,\\ .\\ .\\ .\\ \underset{j=1}{\overset{L}{\mathrm{\Σ}}}{\mathrm{\β}}_{j}f({\mathrm{\α}}_j{x}_i+b_j)=o_i,\\ .\\ .\\ .\\ \underset{j=1}{\overset{L}{\mathrm{\Σ}}}{\mathrm{\β}}_{j}f({\mathrm{\α}}_j{x}_{k_0}+b_j)=o_{k_0},\end{array}\right.---\left(3\right)$

式中，L为隐含层节点个数，L＝20；α_j＝[α_j1α_j2]为连接第j个神经元的输入权值向量；b_j为第j个神经元的偏差；α_j和b_j为(0,1)范围内的随机数；β_j为连接第j个神经元的输出权值；

隐层神经元函数f(x)使用高斯径向基函数：

f(x)＝exp(-||x||²/2σ²)(4)

其中σ为函数的宽度参数，σ＝1；

按如下步骤计算β₀：

将式(3)写为式(5)的矩阵形式

Hβ₀＝O₀(5)

式中H为式(6)的神经元矩阵：

$H=\left[\begin{array}{cccc}f({\mathrm{\α}}_1{x}_1+b_1)& f({\mathrm{\α}}_2{x}_1+b_2)& ...& f({\mathrm{\α}}_L{x}_1+b_L)\\ f({\mathrm{\α}}_1{x}_2+b_1)& f({\mathrm{\α}}_2{x}_2+b_2)& ...& f({\mathrm{\α}}_L{x}_2+b_L)\\ .& .& .& .\\ .& .& .& .\\ .& .& .& .\\ f({\mathrm{\α}}_1{x}_{k_0}+b_1)& f({\mathrm{\α}}_2{x}_{k_0}+b_2)& ...& f({\mathrm{\α}}_L{x}_{k_0}+b_L)\end{array}\right]---\left(6\right)$

β₀为输出权值向量，β₀＝[β₁β₂…β_L]^T。

O₀为输出向量， $O_0={\left[\begin{array}{cccc}{o}_1& o_2& ...& o_{k_0}\end{array}\right]}^T.$

求解式(5)的最小二乘解可得输出权值向量

β₀＝PH^TO₀(7)

式中

P＝(H^TH)^-1(8)

按式(9)计算初始贯序极限学习机模型的预测方差

${\widehat{\mathrm{\δ}}}_0^2=\frac{1}{k_0}\underset{i=1}{\overset{k_0}{\mathrm{\Σ}}}{({\hat{o}}_i-\stackrel{\‾}{o})}^2---\left(9\right)$

式中，是基于β₀计算出的输出预测值；是输出值的均值；

c、对卫星信号周跳进行探测

根据步骤b所述初始贯序极限学习机模型，获得当前t时刻的模型参数为β_t，按式(10)计算t+1时刻的模型输出预测值

${\hat{x}}_{t+1}={\hat{o}}_{t-1}=\underset{i=1}{\overset{L}{\mathrm{\Σ}}}{\mathrm{\β}}_{t}f({\mathrm{\α}}_i{x}_{t-1}+b_i)---\left(10\right)$

按式(11)计算t+1时刻的预测方差

${\widehat{\mathrm{\δ}}}_{t+1}^2=\frac{k-1}{k}{\widehat{\mathrm{\δ}}}_t^2+\frac{{({\hat{x}}_{t+1}-x_{t+1})}^2}{k}---\left(11\right)$

式中，x_t+1是t+1时刻载波相位高阶差分的实际测量值；和分别为t时刻和t+1时刻的预测方差；

按式(12)构造周跳探测统计量

$S_{t+1}=|{\hat{x}}_{t+1}-x_{t+1}|/{\widehat{\mathrm{\δ}}}_{t+1}---\left(12\right)$

依据三倍标准差原理，如果S_t+1>3，则发生周跳的时刻为(t+1+r)，r为高阶差分的阶数；周跳大小为：

式中，表示向下取最接近的整数；c是公式(1)中的缩放系数；

d、对卫星信号周跳进行修复：从(t+1+r)时刻开始，将所有时刻的载波相位值均加上实现周跳的修复；

e、更新贯序极限学习机模型

按式(14)与式(15)计算t+1时刻的模型参数β_t+1：

$P_{t+1}=P_t-\frac{P_t{h}_{t+1}^T{h}_{t+1}{P}_t}{1+h_{t+1}{P}_t{h}_{t+1}^T}---\left(14\right)$

${\mathrm{\β}}_{t+1}={\mathrm{\β}}_t+P_{t+1}{h}_{t+1}^T(o_{t-1}-h_{t+1}{\mathrm{\β}}_t)---\left(15\right)$

式中

h_t+1＝[f(α₁x_t-1+b₁)f(α₂x_t-1+b₂)...f(α_Lx_t-1+b_L)](16)

以β_t+1替换步骤c中的β_t，对下一时刻的周跳进行探测和修复。

贯序极限学习机的模型参数β会随着新的训练样本的加入不断更新，从而使模型更加符合当前载波相位变化的规律，其预测精度得到保障。新的训练样本以“贯序”方式输入模型，模型参数β以递推方式得到更新。

综上，基于贯序极限学习机的周跳探测与修复方法流程如图2所示。

采用Novatel公司的OEMV5GPS接收机，701GPS天线作为实验设备。本实施例的算法在计算机上运行，软件环境为MATLAB。采集卫星(PRN4)的载波相位值，采样周期T为5秒。选出连续300个无周跳的L1载波相位数据，使用前100个数据作为初始化训练样本，后200个数据作为测试样本。

进行了三组实验，分别从测试样本的第100个数据开始加上50周、3周和1周的周跳，分别采用本专利方法进行周跳探测，得到的周跳探测统计量S分别如图3、图4和图5所示。可见，在三组实验中，S均在第96个数据处超过了门限值“3”，因此可判定发生了周跳，进一步推理出在第100个数据处发生了周跳，并且根据式(13)可计算出周跳大小分别为50周、3周和1周。

大量实验结果表明本专利方法可有效探测3周及以上的小周跳。另外，由于本专利方法不需要增加额外辅助信息，因此适用于单频接收机。

Claims (2)

1.基于贯序极限学习机的卫星信号周跳探测与修复方法，其特征在于按如下步骤进行：

a、对卫星信号载波相位进行高阶差分处理，构建训练样本集

a1、以设定采样周期T获得样本数为k+r+2的载波相位值序列，对所述载波相位值序列进行高阶差分处理，获得载波相位的高阶差分值r为差分阶数，r为3或4；i＝k+2；

按式(1)计算获得差分序列x_i:

式中，c为使x_i在[-1,1]范围内的缩放系数；

a2、按式(2)构建训练样本集X_k:

$X_k={\left\{(x_i,o_i)\right|(x_i={\left[\begin{array}{cc}{x}_i& x_{i+1}\end{array}\right]}^T),o_i=x_{i+2}\}}_{i=1}^k---\left(2\right)$

式中，(x_i,o_i)为第i个样本，x_i为输入，o_i为输出；k为训练样本集中样本的个数；

b、使用k₀个无周跳的载波相位值按照步骤a构成无周跳训练样本集k₀＝100；然后按式(3)训练初始贯序极限学习机模型：

$\left\{\begin{array}{c}\underset{j=1}{\overset{L}{\mathrm{\Σ}}}{\mathrm{\β}}_{j}f({\mathrm{\α}}_j{x}_1+b_j)=o_1,\\ .\\ .\\ .\\ \underset{j=1}{\overset{L}{\mathrm{\Σ}}}{\mathrm{\β}}_{j}f({\mathrm{\α}}_j{x}_i+b_j)=o_i,\\ .\\ .\\ .\\ \underset{j=1}{\overset{L}{\mathrm{\Σ}}}{\mathrm{\β}}_{j}f({\mathrm{\α}}_j{x}_{k_0}+b_j)=o_{k_0},\end{array}\right.---\left(3\right)$

式中，L为隐含层节点个数，L＝20；α_j＝[α_j1α_j2]为连接第j个神经元的输入权值向量；b_j为第j个神经元的偏差；α_j和b_j为(0,1)范围内的随机数；β_j为连接第j个神经元的输出权值；

隐层神经元函数f(x)使用高斯径向基函数：

f(x)＝exp(-||x||²/2σ²)(4)

其中σ为函数的宽度参数，σ＝1；

按如下步骤计算β₀：

将式(3)写为式(5)的矩阵形式

Hβ₀＝O₀(5)

式中H为式(6)的神经元矩阵：

$H=\left[\begin{array}{cccc}f({\mathrm{\α}}_1{x}_1+b_1)& f({\mathrm{\α}}_2{x}_1+b_2)& ...& f({\mathrm{\α}}_L{x}_1+b_L)\\ f({\mathrm{\α}}_1{x}_2+b_1)& f({\mathrm{\α}}_2{x}_2+b_2)& ...& f({\mathrm{\α}}_L{x}_2+b_L)\\ .& .& .& .\\ .& .& .& .\\ .& .& .& .\\ f({\mathrm{\α}}_1{x}_{k_0}+b_1)& f({\mathrm{\α}}_2{x}_{k_0}+b_2)& ...& f({\mathrm{\α}}_L{x}_{k_0}+b_L)\end{array}\right]---\left(6\right)$

β₀为输出权值向量，β₀＝[β₁β₂…β_L]^T；

O₀为输出向量， $O_0={\left[\begin{array}{cccc}{o}_1& o_2& ...& o_{k_0}\end{array}\right]}^T;$

求解式(5)的最小二乘解可得输出权值向量

β₀＝PH^TO₀(7)

式中

P＝(H^TH)^-1(8)

按式(9)计算初始贯序极限学习机模型的预测方差

${\widehat{\mathrm{\δ}}}_0^2=\frac{1}{k_0}\underset{i=1}{\overset{k_0}{\mathrm{\Σ}}}{({\hat{o}}_i-\stackrel{\‾}{o})}^2---\left(9\right)$

式中，是基于β₀计算出的输出预测值；是输出值的均值；

c、对卫星信号周跳进行探测

根据步骤b所述初始贯序极限学习机模型，获得当前t时刻的模型参数为β_t，按式(10)计算t+1时刻的模型输出预测值

${\hat{x}}_{t+1}={\hat{o}}_{t-1}=\underset{i=1}{\overset{L}{\mathrm{\Σ}}}{\mathrm{\β}}_{t}f({\mathrm{\α}}_i{x}_{t-1}+b_i)---\left(10\right)$

按式(11)计算t+1时刻的预测方差

${\widehat{\mathrm{\δ}}}_{t+1}^2=\frac{k-1}{k}{\widehat{\mathrm{\δ}}}_t^2+\frac{{({\hat{x}}_{t+1}-x_{t+1})}^2}{k}---\left(11\right)$

式中，x_t+1是t+1时刻载波相位高阶差分的实际测量值；和分别为t时刻和t+1时刻的预测方差；

按式(12)构造周跳探测统计量

$S_{t+1}=|{\hat{x}}_{t+1}-x_{t+1}|/{\widehat{\mathrm{\δ}}}_{t+1}---\left(12\right)$

依据三倍标准差原理，如果S_t+1>3，则发生周跳的时刻为(t+1+r)，r为高阶差分的阶数；周跳大小为：

式中，表示向下取最接近的整数；c是公式(1)中的缩放系数；

d、对卫星信号周跳进行修复：从(t+1+r)时刻开始，将所有时刻的载波相位值均加上实现周跳的修复；

e、更新贯序极限学习机模型

按式(14)与式(15)计算t+1时刻的模型参数β_t+1：

$P_{t+1}=P_t-\frac{P_t{h}_{t+1}^T{h}_{t+1}{P}_t}{1+h_{t+1}{P}_t{h}_{t+1}^T}---\left(14\right)$

${\mathrm{\β}}_{t+1}={\mathrm{\β}}_t+P_{t+1}{h}_{t+1}^T(o_{t-1}-h_{t+1}{\mathrm{\β}}_t)---\left(15\right)$

式中

h_t+1＝[f(α₁x_t-1+b₁)f(α₂x_t-1+b₂)...f(α_Lx_t-1+b_L)](16)

以β_t+1替换步骤c中的β_t，对下一时刻的周跳进行探测和修复。

2.根据权利要求1所述的基于贯序极限学习机的卫星信号周跳探测与修复方法，其特征在于：所述采样周期T为1秒、缩放系数c为0.5；或所述采样周期t为5秒、缩放系数c为0.2；或所述采样周期t为10秒、缩放系数c为0.1。