CN110554414A - 基于气象参数及信号质量的系统误差预测方法 - Google Patents

Abstract

本发明提供了一种基于气象参数及信号质量的系统误差预测方法，采用气象参数及信号质量等参数来拟合设备时延曲线的方法来预测并标定地面站设备时延。通过前期地面站气象站所采集的气象数据以及信号质量的常规水平，对地面站设备时延进行建模，用之前的模型预测将来的设备时延变化，随着数据量的累计、模型迭代，其预测精度将不断提高。本发明能够有效预测地面站设备时延，其RMS优于0.3ns，可以有效解决因设备故障等因素引起的地面站设备时延标定数据缺失，从而影响对卫星的测轨、定轨精度，时间传递精度等的问题。

Description

基于气象参数及信号质量的系统误差预测方法

技术领域

本发明涉及一种系统误差预测方法,涉及卫星导航领域。

背景技术

现如今，世界各主要大国都不惜斥巨资争相发展和完善全球卫星导航系统，形成了美国GPS系统、俄罗斯GLONASS系统、欧盟的Galileo系统和我国的北斗卫星导航系统的四大全球卫星导航系统格局，各国卫星导航系统争相竟艳，重要性不断凸现。

在卫星导航系统中，卫星测定轨精度直接影响着系统定位、授时、测速的精度。作为中国第二代卫星导航系统重大专项的三大试验系统之一的转发式卫星导航试验系统，也一直在不断的研究如何可以进一步的提升系统的各项服务性能。转发式卫星测定轨方法是转发式卫星导航试验系统的重要技术支撑，在转发式卫星测定轨系统中，基于伪码测量原理的星地距离测量是实现卫星精密定轨的基础，系统的发射、接收设备时延是转发式测轨技术中的重要误差源，为获得高精度的星地距离，需要将地面站设备时延从伪距值中精确扣除。这样，地面站设备时延的精确标定也就成为了提升卫星定轨精度的关键，也是进一步优化系统性能指标的重要手段。

由于VSAT天线接收信号的需求，地面测轨站的某些部分只能暴露于自然环境之中，受外界环境温度的影响。用来模拟卫星转发器，从而辅助完成测量系统误差的小天线，其机械设备也是安装在抛物面天线主反射面的边缘，暴露在自然环境之中，温度不易控制。设备时延误差是TWSTFT中的重要误差源。设备时延与其所处环境的温度变化密切相关，美国的NIST、日本的NICT和中国台湾的TL等对此都有过许多详细的研究。

现有技术中与本发明最接近的是使用卫星模拟转发器方法，通过地面站设备发射、接收信号形成闭环，测量地面站设备时延。存在的问题是使用这种方法测量得到的地面站设备时延受外界环境因素、噪声信号干扰以及仪器设备故障等问题的影响，测量结果的稳定性和可靠性较差。若线缆或设备异常，则无法获得设备时延，这样导致系统差无法分离，对最终卫星定轨结果影响较大。

发明内容

为了克服现有技术的不足，本发明提供一种基于气象参数及信号质量的系统误差预测方法，可以有效解决因设备故障等因素引起的地面站设备时延标定数据缺失，从而影响对卫星的测轨、定轨精度，时间传递精度等的问题。

本发明解决其技术问题所采用的技术方案包括以下步骤：

以气象参数和空间信号质量作为自变量，对设备时延进行最小二乘法拟合，所述的气象参数包括温度、湿度、大气压，空间信号质量包括信号功率及信号的信噪谱密度；构建公式Ax＝B，

其中：

求解得到设备时延的观测方程y＝f₁x_tem+f₂x_hum+f₃x_pre+f₄x_pow+f₅x_cn0+f₆；其中，x_tem为温度变量；x_hum为湿度变量；x_pre为大气压变量；x_pow为信号功率变量；x_cn0为信号的信噪谱密度变量；f_i为不同变量的系数。

所述的气象参数和空间信号质量为待预测或者回归历元时刻之前若干天的观测数据，通过设置的筛选条件，选出符合要求的有效数据参与后续的方程拟合。

所述的筛选条件是在自变量完全相同的若干行数据中，选择因变量最接近这组数据平均值的一行，来参与后续的方程拟合。

所述的有效数据进行相关性分析，确认因变量与各自变量之间的相关性，选择相关系数最大的拟合阶数，若不同阶数的相关系数相同或差异小于设定阈值，则优先选择阶数最低的情况。

本发明的有益效果是：由于VSAT天线接收信号的需求，地面测轨站的某些部分只能暴露于自然环境之中，受外界环境温度的影响。而用来模拟卫星转发器从而辅助完成设备时延标定的小天线，其机械设备也是安装在抛物面天线主反射面的边缘，暴露在自然环境之中，温度不易控制。目前与地面站设备时延有关的变量包括气象参数和空间信号质量，具体来说，气象参数包括：温度、湿度、大气压；空间信号质量包括：信号功率及信号的信噪谱密度C/N₀。本发明可以有效解决因硬件设备故障或其他因素引起的地面站设备时延标定数据缺失，从而影响对卫星轨道的高精度测量、高精度时间传递等问题。随着数据样本点的积累、模型的不段迭代，其预测精度将不断提高。

附图说明

图1是本发明的流程示意图；

图2是UTC时间2019年5月10日至19日，筛选之前的地面站设备时延测量结果示意图；

图3是UTC时间2019年5月10日至19日，筛选之后的地面站设备时延测量结果示意图；

图4是不同阶的自变量与因变量的相关系数示意图；

图5是观测值和拟合值比较示意图；

图6是观测值与拟合值的残差示意图。

具体实施方式

下面结合附图和实施例对本发明进一步说明，本发明包括但不仅限于下述实施例。

针对转发式测距体制中地面站设备时延标定困难无法随时测量以及因设备故障等原因引起的设备时延标定数据缺失从而影响对卫星的高精度轨道测量、时间传递精度等的问题，本发明提出用气象参数及信号质量等参数来拟合设备时延曲线的方法来预测并标定地面站设备时延。通过前期地面站气象站所采集的气象数据以及信号质量的常规水平，对地面站设备时延进行建模，用之前的模型预测将来的设备时延变化，随着数据量的累计、模型迭代，其预测精度将不断提高。结果表明：该方法能够有效预测地面站设备时延，其RMS优于0.3ns，可以有效解决因设备故障等因素引起的地面站设备时延标定数据缺失，从而影响对卫星的测轨、定轨精度，时间传递精度等的问题。

为了进一步分析设备时延与外界环境温度等因素关系，从而进一步研究设备时延的变化规律，考虑建立包含地面站气象参数以及信号质量的拟合函数，用以探求气象参数及信号质量与地面站设备时延之间的关系，分别以这些因素作为自变量，对设备时延进行最小二乘法拟合。因此，从UTC时间2019年5月10日开始，将西安站第一套GEO3.7米天线朝天，开始全天测量小天线环路时延。

设备时延预测方法原理：在前期收集的地面站设备时延数据文件中，存在有若干变量，包括气象数据以及空间信号质量等。因为数据的采样间隔为1s，所以数据的样本点较多，通过对前期的设备时延标定数据进行预处理，筛选并整理出有效数据。再对这些有效数据进行建模，使得在常规标定过程中的每一个变量都成为该新建模型的自变量，通过最终的归算，计算求解出作为因变量的待标定的设备时延。具体推导过程如下：

目前与地面站设备时延有关的变量包括气象参数和空间信号质量，具体来说，气象参数包括：温度、湿度、大气压；空间信号质量包括：信号功率及信号的信噪谱密度C/N₀。分别以这些因素作为自变量，对设备时延进行最小二乘法拟合。

假设设备时延的观测方程为：

y＝f₁x_tem+f₂x_hum+f₃x_pre+f₄x_pow+f₅x_cn0+f₆ (1)

其中：x_tem为温度变量；x_hum为湿度变量；x_pre为大气压变量；x_pow为信号功率变量；x_cn0为信号的信噪谱密度变量；f_i为不同变量的系数，i＝1,2,...6；

这样，根据最小二乘方法的计算原理，令：

式中，M表示观测值的残差平方和，N表示样本点个数；要求得f₁至f₆，则需要对式(2)做进一步变换，如下：

对式(3)进行化简整理后，可得：

对式(4)进行求解，令：

Ax＝B (5)

其中：

要求解x，则需对式(5)进一步变化如下：

x＝A^-1B (6)

这样，分别将A^-1和B带入式(6)中，便可求解出x，再将x带入式(1)中，便可计算出地面站设备时延的计算模型。

本发明的具体步骤如下：

步骤1：

在定轨服务器上下载之前的观测资料，用自行编写的数据预处理程序模块对原始的观测文件进行预处理，筛选出符合要求的数据点；

步骤2：

分析了各种可能影响设备时延值的自变量与设备时延值之间的相关系数，确认了各种因素对设备时延值测量结果的相关性。

步骤3：

根据前2步的数据预处理结果，对筛选出来的数据进行多元线性回归，通过Matlab语言编程，对筛选出来的数据进行最小二乘拟合，求解出各个变量的系数，并完成其函数建模。

步骤4：

若地面站系统差标校设备故障，根据该模型，输入对应的变量，便可求解出不同情况下地面站的设备时延，在一定程度上可以提高系统的可靠性，帮助系统更好的完成高精度轨道测量与精密时间传递等任务。

如图1所示，本发明的实施例具体步骤如下：

步骤1：原始观测数据获取及筛选

采用ftp服务器的文件传输功能，将想要预测或者回归历元时刻之前若干天的原始数据观测文件传输至本地，并进行数据的预处理，通过设置相应的筛选条件，选出符合要求的有效数据。

所述的预处理是由于原始数据文件中数据的采样间隔为1秒，而外界气象参数及信号质量在短期内不会发生明显变化，这样就会造成自变量(气象参数、信号质量) 不变，而因变量(设备时延)不断变化的情况，使得方程无法有效拟合。要在自变量完全相同的若干行数据中，选择因变量最接近这组数据平均值的一行，来参与后续的方程拟合。这样可以保证自变量是一直在变化的，便于方程拟合。)

步骤2：相关系数确定

对筛选过后的数据进行相关性分析，确认因变量与各自变量之间的相关性，最终确定(选择相关系数最大的拟合阶数，若不同阶数的相关系数相同或差异小于设定阈值，则优先选择阶数最低的情况)将选用的拟合阶数。

步骤3：多元线性回归建模

根据相关系数结果，确定好因变量的函数表达式后，便可开始对各自变量系数的求解。因为数据的样本的大大多于自变量的个数，所以本方法选择通过使用最小二乘的方法，来实现系数求解。具体的求解过程如公式(1)至公式(6)所示。

步骤4：使用模型预测

为了检验该模型的准确性，使用了UTC时间2019年5月20日的自变量作为先验值，输入该模型中，比较预测值与实测值结果的差异。最终的数据处理结果表明，使用本方法预测的地面站设备时延值与实测值的结果符合度较高，二者的残差优于0.3 纳秒，满足系统要求的测量精度。

Claims (4)

1.一种基于气象参数及信号质量的系统误差预测方法，其特征在于包括以下步骤：

以气象参数和空间信号质量作为自变量，对设备时延进行最小二乘法拟合，所述的气象参数包括温度、湿度、大气压，空间信号质量包括信号功率及信号的信噪谱密度；构建公式Ax＝B，其中， 求解得到设备时延的观测方程y＝f₁x_tem+f₂x_hum+f₃x_pre+f₄x_po_w+f₅x_cn0+f₆；其中，x_tem为温度变量；x_hum为湿度变量；x_pre为大气压变量；x_pow为信号功率变量；x_cn0为信号的信噪谱密度变量；f_i为不同变量的系数。

2.根据权利要求1所述的基于气象参数及信号质量的系统误差预测方法，其特征在于：所述的气象参数和空间信号质量为待预测或者回归历元时刻之前若干天的观测数据，通过设置的筛选条件，选出符合要求的有效数据参与后续的方程拟合。

3.根据权利要求2所述的基于气象参数及信号质量的系统误差预测方法，其特征在于：所述的筛选条件是在自变量完全相同的若干行数据中，选择因变量最接近这组数据平均值的一行，来参与后续的方程拟合。

4.根据权利要求2所述的基于气象参数及信号质量的系统误差预测方法，其特征在于：所述的有效数据进行相关性分析，确认因变量与各自变量之间的相关性，选择相关系数最大的拟合阶数，若不同阶数的相关系数相同或差异小于设定阈值，则优先选择阶数最低的情况。