CN109116385A - 一种基于bp神经网络的长距离网络rtk对流层延迟估计方法 - Google Patents

一种基于bp神经网络的长距离网络rtk对流层延迟估计方法 Download PDF

Info

Publication number
CN109116385A
CN109116385A CN201810921010.7A CN201810921010A CN109116385A CN 109116385 A CN109116385 A CN 109116385A CN 201810921010 A CN201810921010 A CN 201810921010A CN 109116385 A CN109116385 A CN 109116385A
Authority
CN
China
Prior art keywords
troposphere
satellite
point
puncture
tropospheric delay
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Pending
Application number
CN201810921010.7A
Other languages
English (en)
Inventor
邓健
许妙强
何原荣
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Xiamen University of Technology
Original Assignee
Xiamen University of Technology
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Xiamen University of Technology filed Critical Xiamen University of Technology
Priority to CN201810921010.7A priority Critical patent/CN109116385A/zh
Publication of CN109116385A publication Critical patent/CN109116385A/zh
Pending legal-status Critical Current

Links

Classifications

    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01S—RADIO DIRECTION-FINDING; RADIO NAVIGATION; DETERMINING DISTANCE OR VELOCITY BY USE OF RADIO WAVES; LOCATING OR PRESENCE-DETECTING BY USE OF THE REFLECTION OR RERADIATION OF RADIO WAVES; ANALOGOUS ARRANGEMENTS USING OTHER WAVES
    • G01S19/00—Satellite radio beacon positioning systems; Determining position, velocity or attitude using signals transmitted by such systems
    • G01S19/01—Satellite radio beacon positioning systems transmitting time-stamped messages, e.g. GPS [Global Positioning System], GLONASS [Global Orbiting Navigation Satellite System] or GALILEO
    • G01S19/13—Receivers
    • G01S19/20—Integrity monitoring, fault detection or fault isolation of space segment
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01S—RADIO DIRECTION-FINDING; RADIO NAVIGATION; DETERMINING DISTANCE OR VELOCITY BY USE OF RADIO WAVES; LOCATING OR PRESENCE-DETECTING BY USE OF THE REFLECTION OR RERADIATION OF RADIO WAVES; ANALOGOUS ARRANGEMENTS USING OTHER WAVES
    • G01S19/00—Satellite radio beacon positioning systems; Determining position, velocity or attitude using signals transmitted by such systems
    • G01S19/01—Satellite radio beacon positioning systems transmitting time-stamped messages, e.g. GPS [Global Positioning System], GLONASS [Global Orbiting Navigation Satellite System] or GALILEO
    • G01S19/13—Receivers
    • G01S19/24—Acquisition or tracking or demodulation of signals transmitted by the system
    • G01S19/28—Satellite selection
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01S—RADIO DIRECTION-FINDING; RADIO NAVIGATION; DETERMINING DISTANCE OR VELOCITY BY USE OF RADIO WAVES; LOCATING OR PRESENCE-DETECTING BY USE OF THE REFLECTION OR RERADIATION OF RADIO WAVES; ANALOGOUS ARRANGEMENTS USING OTHER WAVES
    • G01S19/00—Satellite radio beacon positioning systems; Determining position, velocity or attitude using signals transmitted by such systems
    • G01S19/01—Satellite radio beacon positioning systems transmitting time-stamped messages, e.g. GPS [Global Positioning System], GLONASS [Global Orbiting Navigation Satellite System] or GALILEO
    • G01S19/13—Receivers
    • G01S19/33—Multimode operation in different systems which transmit time stamped messages, e.g. GPS/GLONASS
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods
    • G06N3/084—Backpropagation, e.g. using gradient descent

Landscapes

  • Engineering & Computer Science (AREA)
  • Radar, Positioning & Navigation (AREA)
  • Remote Sensing (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Computer Networks & Wireless Communication (AREA)
  • Theoretical Computer Science (AREA)
  • Biomedical Technology (AREA)
  • Evolutionary Computation (AREA)
  • Artificial Intelligence (AREA)
  • Health & Medical Sciences (AREA)
  • Biophysics (AREA)
  • Computational Linguistics (AREA)
  • Data Mining & Analysis (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • General Health & Medical Sciences (AREA)
  • Molecular Biology (AREA)
  • Computing Systems (AREA)
  • General Engineering & Computer Science (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • Computer Security & Cryptography (AREA)
  • Position Fixing By Use Of Radio Waves (AREA)

Abstract

本发明涉及一种基于BP神经网络的长距离网络RTK对流层延迟估计方法，包括以下步骤：S100：选择待测区域的N个参考站点和M颗参考卫星；S200：计算每个参考站点相对于每颗参考卫星的对流层穿刺点坐标；S300：将每个参考站点在传播路径上的对流程延迟转化为在对流层穿刺点处的天顶对流层延迟；S400：将上述对流层穿刺点坐标作为输入，其对应的天顶对流层延迟作为输出，组成训练样本，构建BP神经网络模型；S500：针对待测区域中的待测站点和待测卫星，将该对流层穿刺点坐标作为输入，根据BP神经网络模型得到对应的天顶对流层延迟。本发明通过建立BP神经网络模型，实现对用户站点于对应的卫星之间的对流层延迟的估计，从而提高站点RTK测量定位的实时性和精度。

Description

一种基于BP神经网络的长距离网络RTK对流层延迟估计方法
技术领域
本发明涉及卫星导航定位技术领域，尤其涉及一种基于BP神经网络的长距离网络RTK对流层延迟估计方法。
背景技术
在卫星导航定位技术迅速发展的今天，基于地面增强的网络RTK技术能够为终端用户提供实时厘米级的高精度动态定位服务，在国内外得到广泛地应用。目前，GPS、GLONASS、BDS均是利用无线电波传输时间进而计算用户位置的导航系统，从地面向上约18km范围被认为是对流层，对于15～30GHz频率范围内的电磁波传播被认为是非弥散性介质，使得信号传输产生延时。在网络RTK相对定位中，对流层延时是属于空间相关误差，理论上在短距离环境下，通过求差，用户接收机端的对流层延迟误差可以完全消除，但当用户接收机与参考站的间距太长时，这种延迟效应使卫星导航定位精度大大降低。因此，对对流层延迟的研究具有重大意义。
对于网络RTK技术，其最终目的就是利用参考站已解算的空间相关误差(主要为电离层误差、对流层误差)，根据用户接收机与周围各参考站的空间位置关系确定出移动用户接收机实时有效的误差改正信息，以实现厘米级高精度差分定位。因此，对对流层延迟有效估计直接关系到移动用户接收机实现RTK定位的有效性和可靠性，是网络RTK核心关键技术之一。
为了提高移动用户接收机在野外测量中RTK定位精度，许多研究学者对对流层进延迟行了深入的研究，并提出来多种估计对流层延迟的方法，但这些基本都是针对针对中长基线下(<100km)网络RTK覆盖范围内空间误差改正数的研究。如通过建立BP神经网络模型，将测站经纬度和海拔作为输入，输出为对流层延迟，在对训练样本训练后，对测试样本进行估计，获得测试样本的对流层延迟估计值，其精度达到了厘米级，亦有通过建立BP神经网络模型，将测站的地面气压、与绝对温度与、测站海拔高度及测站的地面水汽分压作为输入，输出为对流层延迟，在对训练样本训练后，对测试样本进行估计，获得测试样本的对流层延迟估计值，其精度达到了厘米级。当参考站间距增大(150～200km)时，空间误差相关性降低，对流层延迟估计难度增大，如何准确的估计出长距离参考站下用户接收机端的对流层延迟，这也是值得关注的问题。
发明内容
为解决上述问题，本发明一种基于BP神经网络的长距离网络RTK对流层延迟估计方法，其适用于长距离相对定位模式，通过建立BP神经网络模型，实现对用户站点于对应的卫星之间的对流层延迟的估计，从而提高站点RTK测量定位的实时性和精度。
具体方案如下：
一种基于BP神经网络的长距离网络RTK对流层延迟估计方法，包括以下步骤：
S100：选择待测区域的N个参考站点和M颗参考卫星，其中N≥3，M≥2；
S200：将对流层设定为一单层膜，计算每个参考站点相对于每颗参考卫星的对流层穿刺点坐标；
S300：将每个参考站点对应于每颗卫星在传播路径上的对流程延迟转化为该参考站点对应于每颗卫星在对流层穿刺点处的天顶对流层延迟；
S400：将上述对流层穿刺点坐标作为输入，其对应的天顶对流层延迟作为输出，组成训练样本，构建BP神经网络模型；
S500：针对待测区域中的待测站点和待测卫星，计算该待测站点相对于待测卫星的对流层穿刺点坐标，将该对流层穿刺点坐标作为上述BP神经网络模型的输入，根据BP神经网络模型得到对应的天顶对流层延迟。
进一步的，所述对流层穿刺点坐标的计算包括以下步骤：
S201：计算站点至地心的连线与卫星至地心的连线之间的夹角α：
其中，E为站点对应的卫星高度角；
R为地球的半径；
H为对流层的高度；
S202：计算对流层穿刺点坐标，所述对流层穿刺点坐标的经度λp和纬度分别为：
其中，站点的坐标为
对流层穿刺点的坐标为
A为站点对应的卫星方位角。
进一步的，步骤S300中所述天顶对流层延迟转化公式如下：
VDDT＝DDT·cosβ
其中，VDDT为对流层穿刺点处的天顶对流层延迟；
DDT为传播路径上的对流程延迟；
β为穿刺点与卫星之间的天顶距；
R为地球的半径；
H为对流层的高度。
进一步的，步骤S400中，所述BP神经网络模型的网络参数为：训练次数为200次，学习速率为0.01，训练目标最小误差为0.01。
本发明采用如上技术方案，并具有有益效果：
(1)、本发明不同于常规估计对流层延迟的方法，而是针对长距离(150～200km)稀疏参考站下，内插估计用户接收机对应各卫星的对流层延迟误差；
(2)、本发明综合应用了GPS、GLONASS以及北斗(BDS)多个卫星导航定位系统的数据，实时估计对流层延迟，增加了构建神经网络模型的样本数量，从而保证模型的准确性和可靠性性；
(3)、本发明基于BP神经网络模型，但又不同于已有神经网络模型的构建方法，而是将参考站对每颗可见卫星在单层膜中的穿刺点坐标作为输入，对应的天顶对流层延迟作为输出组成训练样本，从而构建BP神经网络模型，并将移动用户站点对应的穿刺点坐标作为输入，利用该模型实时估计用户站点接收机对应的各卫星对流层延迟，提高了用户RTK定位的实时性和精度。
附图说明
图1所示为本发明实施例的步骤示意图。
图2所示为该实施例中的站点与卫星对应参数位置示意图。
图3所示为该实施例中所选的各站点分布图。
图4所示为该实施例中估计值与实际值对比图。
具体实施方式
为进一步说明各实施例，本发明提供有附图。这些附图为本发明揭露内容的一部分，其主要用以说明实施例，并可配合说明书的相关描述来解释实施例的运作原理。配合参考这些内容，本领域普通技术人员应能理解其他可能的实施方式以及本发明的优点。
现结合附图和具体实施方式对本发明进一步说明。
如图1所示，本发明实施例提供了一种基于BP神经网络的长距离网络RTK对流层延迟估计方法，不同于常规的BP神经网络估计对流层的方法，本发明想要解决的问题是计算某个站点在与某颗卫星的传播方向上的对流程延迟，针对该问题建立BP神经网络模型。
该方法包括如下步骤：
S100：选择待测区域的N个参考站点和M颗参考卫星。
由于不同区域的地理因素会有所不同，例如对流层高度等等，因为要使用相同的模型，因此参考站点和参考卫星与待测站点和待测卫星应为同一区域内的，即待测区域，本领域技术人员划定待测区域时应尽可能的选取地理因素均相同的区域，避免的计算结果造成影响。
所述参考站点和参考卫星的数量越多越好，数量越多，计算结果越准确，该实施例中所述N≥3，M≥2。
S200：将对流层假设为一单层膜，根据参考站点和参考卫星的位置坐标，计算每个参考站点相对于每颗参考卫星的对流层穿刺点坐标。
所述对流层穿刺点坐标的计算包括以下步骤：
S201：计算站点至地心的连线与卫星至地心的连线之间的夹角α：
其中，E为站点对应的卫星高度角；
R为地球的半径，R＝6378.1363km；
H为对流层的高度，即站点到对流层之间的距离，在不同的纬度，对流层的平均高度均不同，在低纬度地区对流层平均高度为17～18km，在中纬度地区对流层平均为10～12km，极地对流层平均为8～9km。
S202：计算对流层穿刺点坐标，所述对流层穿刺点坐标的经度λp和纬度分别为：
其中，参考站点的坐标为
对流层穿刺点的坐标为
A为参考站点对应的卫星方位角。
S300：将每个参考站点对应于每颗卫星在传播路径上的对流程延迟转化为该参考站点对应于每颗卫星在对流层穿刺点处的天顶对流层延迟。
所述天顶对流层延迟转化公式如下：
VDDT＝DDT·cosβ
其中，VDDT为对流层穿刺点处的天顶对流层延迟；
DDT为传播路径上的对流程延迟；
β为穿刺点与卫星之间的天顶距；
R为地球的半径，R＝6378.1363km；
H为对流层的高度，即参考站点到对流层之间的距离，在不同的纬度，对流层的平均高度均不同，在低纬度地区对流层平均高度为17～18km，在中纬度地区对流层平均为10～12km，极地对流层平均为8～9km。
S400：将上述对流层穿刺点坐标作为输入，其对应的天顶对流层延迟作为输出，组成训练样本，构建BP神经网络模型。
该实施例中，步骤S200中共计算有N*M个对流层穿刺点坐标，步骤S300中共计算有N*M个天顶对流层延迟，因此将N*M个对流层穿刺点坐标作为输入，N*M个天顶对流层延迟作为输出，构建BP神经网络模型。
BP神经网络模型的网络参数设置是否合理会影响到网络学习训练的速度，因此需要对其进行设置。本领域技术人员可以根据实验结果和经验数据进行相应的设置。
该实施例中，BP神经网络模型的网络参数包括：训练次数、学习速率和训练目标最小误差，设定训练次数为200次，学习速率为0.01，训练目标最小误差为0.01。
该实施例中的具体设置方法如下所示：
a)训练次数通过试算取值为200次。
b)学习速率通过试算取值为0.01。试验发现，学习速率的正确选择有利于网络模型的优化。
c)训练目标最小误差：训练目标最小误差的大小会对检验中误差造成影响，一般误差越小，检验中误差也越小。但如果误差设置太小，会造成过拟合现象，即使网络能够收敛，检验中误差也会产生回弹，通过大量试算，实施中训练目标最小误差选择为0.01。
S500：针对待测区域中的待测站点和待测卫星，计算该待测站点相对于待测卫星的对流层穿刺点坐标，将该对流层穿刺点坐标作为上述BP神经网络模型的输入，根据BP神经网络模型得到对应的天顶对流层延迟。
下面以一个具体的实时方案进行说明：
如图2所示为河南省四个站点的概略位置分布图，其中SQXY、XYXX和XCYL三个站点为参考站点，各参考站点之间的间距分别为175km，227km和176km，ZKSQ为用户接收机站点，即待测站点。各站点均选取了2016年3月1日19:30:00至19:49:59共1200秒的数据，所选数据中每一秒均包含GPS、GLONASS、BDS 3个卫星系统，卫星数量共18颗，其中8颗GPS卫星，4颗GLONASS卫星，6颗BDS卫星。在实际应用中，需要每一秒都根据参考站点及参考卫星的信息构建BP神经网络模型并进行对流层延迟内插估计，为此，以下将采用本发明实施例一所述方法验证BP神经网络在长距离网络RTK下每秒的对流层延迟内插估计效果。
(1)、BP神经网络模型构建。
在每一秒中，首先，根据三个参考站点SQXY、XYXX和XCYL的已知坐标及对应卫星当前的高度角、方位角，计算出每个站点对应的每颗卫星(18颗)的对流层穿刺点坐标；然后，将三个参考站对应每颗卫星在传播路径上的对流层延迟转化为穿刺点处的天顶对流层延迟，由于采用的是河南省网络RTK数据，属于中纬度地区，为此，该实施例中对流层平均高度H取11km；最后，将上述数据(作为训练样本，即在构建BP神经网络模型中，各对流层穿刺点坐标作为输入值，对应天顶对流层延迟作为输出值，隐含层节点数设置为3，训练次数取200次，学习速率和训练目标最小误差均取0.01，从而建立该时刻的对流层延迟BP神经网络模型。
(2)、用户接收机站点对流层延迟估计。
ZKSQ作为用户接收机站点即待测站点，首先，根据用户接收机站点的概略坐标(接收机可提供)及对应待测卫星当前的高度角、方位角，计算出该用户接收机站点对应的每颗待测卫星(18颗)的对流层穿刺点坐标；然后，将所求的穿刺点坐标作为输入值，利用当前时刻已建立的BP神经网络模型，估计出该用户接收机站点对应的各待测卫星在穿刺点处的天顶对流层延迟；最后，将估计出的对流层延迟同实际值进行比较，检核该BP神经网络模型的估计效果。
如图3所示为1200秒观测时间中，部分卫星对流层延迟估计值同实际值的差值比较情况(其中，“G”代表GPS卫星；“R”代表GLONASS卫星；“C”代表BDS卫星)，表1为BP神经网络估计的天顶对流层延迟与实际值的比较表，其中列出了所有卫星(18颗)对流层延迟估计效果情况。从图4及表1可以看出，采用本发明方法内插估计对流层延迟效果较好，近90％的估计精度能到达1cm以内，优于常规方法，从而提高了用户RTK定位的实时性和精度。
表1：
尽管结合优选实施方案具体展示和介绍了本发明，但所属领域的技术人员应该明白，在不脱离所附权利要求书所限定的本发明的精神和范围内，在形式上和细节上可以对本发明做出各种变化，均为本发明的保护范围。

Claims (4)

1.一种基于BP神经网络的长距离网络RTK对流层延迟估计方法，其特征在于，包括以下步骤：
S100：选择待测区域的N个参考站点和M颗参考卫星，其中N≥3，M≥2；
S200：将对流层设定为一单层膜，计算每个参考站点相对于每颗参考卫星的对流层穿刺点坐标；
S300：将每个参考站点对应于每颗卫星在传播路径上的对流程延迟转化为该参考站点对应于每颗卫星在对流层穿刺点处的天顶对流层延迟；
S400：将上述对流层穿刺点坐标作为输入，其对应的天顶对流层延迟作为输出，组成训练样本，构建BP神经网络模型；
S500：针对待测区域中的待测站点和待测卫星，计算该待测站点相对于待测卫星的对流层穿刺点坐标，将该对流层穿刺点坐标作为上述BP神经网络模型的输入，根据BP神经网络模型得到对应的天顶对流层延迟。
2.根据权利要求1所述的基于BP神经网络的长距离网络RTK对流层延迟估计方法，其特征在于：所述对流层穿刺点坐标的计算包括以下步骤：
S201：计算站点至地心的连线与卫星至地心的连线之间的夹角α：
其中，E为站点对应的卫星高度角；
R为地球的半径；
H为对流层的高度；
S202：计算对流层穿刺点坐标，所述对流层穿刺点坐标的经度λp和纬度分别为：
其中，站点的坐标为
对流层穿刺点的坐标为
A为站点对应的卫星方位角。
3.根据权利要求1所述的基于BP神经网络的长距离网络RTK对流层延迟估计方法，其特征在于：步骤S300中所述天顶对流层延迟转化公式如下：
VDDT＝DDT·cosβ
其中，VDDT为对流层穿刺点处的天顶对流层延迟；
DDT为传播路径上的对流程延迟；
β为穿刺点与卫星之间的天顶距；
R为地球的半径；
H为对流层的高度。
4.根据权利要求1所述的基于BP神经网络的长距离网络RTK对流层延迟估计方法，其特征在于：步骤S400中，所述BP神经网络模型的网络参数为：训练次数为200次，学习速率为0.01，训练目标最小误差为0.01。
CN201810921010.7A 2018-08-14 2018-08-14 一种基于bp神经网络的长距离网络rtk对流层延迟估计方法 Pending CN109116385A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201810921010.7A CN109116385A (zh) 2018-08-14 2018-08-14 一种基于bp神经网络的长距离网络rtk对流层延迟估计方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201810921010.7A CN109116385A (zh) 2018-08-14 2018-08-14 一种基于bp神经网络的长距离网络rtk对流层延迟估计方法

Publications (1)

Publication Number Publication Date
CN109116385A true CN109116385A (zh) 2019-01-01

Family

ID=64852267

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201810921010.7A Pending CN109116385A (zh) 2018-08-14 2018-08-14 一种基于bp神经网络的长距离网络rtk对流层延迟估计方法

Country Status (1)

Country Link
CN (1) CN109116385A (zh)

Cited By (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109917424A (zh) * 2019-03-08 2019-06-21 山东科技大学 多因子约束下的nwp反演对流层延迟的残差改正方法
CN111382507A (zh) * 2020-03-04 2020-07-07 山东大学 一种基于深度学习的全球对流层延迟建模方法
CN113608239A (zh) * 2021-07-13 2021-11-05 中国科学院国家空间科学中心 基于bp神经网络的gnss掩星对流层参数的修正方法
CN113743635A (zh) * 2020-05-28 2021-12-03 千寻位置网络有限公司 Rtk终端用户定位效果预测模型的训练方法及其装置
CN116260506A (zh) * 2023-05-09 2023-06-13 红珊科技有限公司 卫星通信传输时延预测系统和方法

Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN101680943A (zh) * 2007-05-31 2010-03-24 纳夫科姆技术公司 实时动态（rtk）定位中距离相关的误差减轻
CN105223598A (zh) * 2015-09-28 2016-01-06 厦门理工学院 一种gnss载波相位整周模糊度单历元解算方法
US20160154107A1 (en) * 2012-11-13 2016-06-02 Trimble Navigation Limited Gnss reference for subscribed precisions
CN105787556A (zh) * 2016-02-23 2016-07-20 东南大学 一种基于Saastamoinen模型的BP神经网络对流层延迟改正方法
CN106022470A (zh) * 2016-04-29 2016-10-12 东南大学 一种基于bp-egnos融合模型的对流层延迟改正方法
US20170045624A1 (en) * 2015-08-14 2017-02-16 Trimble Navigation Limited Navigation satellite system positioning involving the generation of advanced correction information
CN108254774A (zh) * 2018-03-29 2018-07-06 千寻位置网络有限公司 基于gnss多频信号的单基站长距离实时定位方法

Patent Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN101680943A (zh) * 2007-05-31 2010-03-24 纳夫科姆技术公司 实时动态（rtk）定位中距离相关的误差减轻
US20160154107A1 (en) * 2012-11-13 2016-06-02 Trimble Navigation Limited Gnss reference for subscribed precisions
US20170045624A1 (en) * 2015-08-14 2017-02-16 Trimble Navigation Limited Navigation satellite system positioning involving the generation of advanced correction information
CN105223598A (zh) * 2015-09-28 2016-01-06 厦门理工学院 一种gnss载波相位整周模糊度单历元解算方法
CN105787556A (zh) * 2016-02-23 2016-07-20 东南大学 一种基于Saastamoinen模型的BP神经网络对流层延迟改正方法
CN106022470A (zh) * 2016-04-29 2016-10-12 东南大学 一种基于bp-egnos融合模型的对流层延迟改正方法
CN108254774A (zh) * 2018-03-29 2018-07-06 千寻位置网络有限公司 基于gnss多频信号的单基站长距离实时定位方法

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
许妙强 等: "《卫星导航定位与北斗系统应用--深化北斗应用 促进产业发展2018》", 1 August 2018, 测绘出版社 *

Cited By (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109917424A (zh) * 2019-03-08 2019-06-21 山东科技大学 多因子约束下的nwp反演对流层延迟的残差改正方法
CN111382507A (zh) * 2020-03-04 2020-07-07 山东大学 一种基于深度学习的全球对流层延迟建模方法
CN113743635A (zh) * 2020-05-28 2021-12-03 千寻位置网络有限公司 Rtk终端用户定位效果预测模型的训练方法及其装置
CN113608239A (zh) * 2021-07-13 2021-11-05 中国科学院国家空间科学中心 基于bp神经网络的gnss掩星对流层参数的修正方法
CN113608239B (zh) * 2021-07-13 2023-10-17 中国科学院国家空间科学中心 基于bp神经网络的gnss掩星对流层参数的修正方法
CN116260506A (zh) * 2023-05-09 2023-06-13 红珊科技有限公司 卫星通信传输时延预测系统和方法
CN116260506B (zh) * 2023-05-09 2023-07-04 红珊科技有限公司 卫星通信传输时延预测系统和方法

Similar Documents

Publication Publication Date Title
CN109116385A (zh) 一种基于bp神经网络的长距离网络rtk对流层延迟估计方法
CN101295014B (zh) 基于gnss的远距离高精度实时/快速定位方法和系统
CN108490473B (zh) 一种融合gnss和uwb的无人机增强定位方法与系统
CN104714244B (zh) 一种基于抗差自适应Kalman滤波的多系统动态PPP解算方法
CN108828626B (zh) 基于实时网格的网络rtk电离层延迟内插方法及系统
CN110031881A (zh) 高精度星间激光测距辅助精密单点定位的方法
CN103796307B (zh) 基于通信基站精确定位的方法
CN112902825B (zh) 一种适用于高精度形变监测的北斗/gnss网络rtk算法
CN104965207A (zh) 一种区域对流层天顶延迟的获取方法
CN101943749A (zh) 基于星型结构的虚拟参考站网络rtk定位方法
CN103176188A (zh) 一种区域地基增强ppp-rtk模糊度单历元固定方法
CN100385996C (zh) 基于td-scdma系统的rtk定位方法
CN111694030A (zh) 一种基于格网虚拟观测值的bds局域差分方法及系统
CN105891860A (zh) 一种基于误差分离模式的gnss区域伪距差分增强定位方法
CN107071893B (zh) 一种蜂窝网络rtk定位方法及系统
CN110426723A (zh) 一种卫星定位gga数据的获取与地图发布的方法
CN113358017B (zh) 一种多站协同处理的gnss高精度变形监测方法
CN106842266A (zh) 一种即时参考站定位方法及系统
CN110780323A (zh) 一种长距离下基于北斗三频信号的实时分米级定位方法
CN111123345B (zh) 一种基于gnss测量的经验电离层模型数据驱动方法
CN114910939B (zh) 短距离大高差rtk中对流层延迟实测气象改正方法
CN103096465B (zh) 一种环境自适应的多目标直接定位方法
CN109613582A (zh) 一种车载实时单频米级伪距定位方法
CN115524661A (zh) 电离层高度与目标位置联合优化的短波时差定位方法
CN115856975A (zh) 一种基于北斗浮动平台的水下目标精确定位解算方法

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination
WD01 Invention patent application deemed withdrawn after publication

Application publication date: 20190101

WD01 Invention patent application deemed withdrawn after publication