CN110990505A - 一种基于神经网络的Loran-C ASF修正方法 - Google Patents
一种基于神经网络的Loran-C ASF修正方法 Download PDFInfo
- Publication number
- CN110990505A CN110990505A CN201911161068.7A CN201911161068A CN110990505A CN 110990505 A CN110990505 A CN 110990505A CN 201911161068 A CN201911161068 A CN 201911161068A CN 110990505 A CN110990505 A CN 110990505A
- Authority
- CN
- China
- Prior art keywords
- loran
- asf
- receiver
- neural network
- time
- 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.)
- Granted
Links
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/20—Information retrieval; Database structures therefor; File system structures therefor of structured data, e.g. relational data
- G06F16/29—Geographical information databases
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01C—MEASURING DISTANCES, LEVELS OR BEARINGS; SURVEYING; NAVIGATION; GYROSCOPIC INSTRUMENTS; PHOTOGRAMMETRY OR VIDEOGRAMMETRY
- G01C25/00—Manufacturing, calibrating, cleaning, or repairing instruments or devices referred to in the other groups of this subclass
-
- 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
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/048—Activation functions
-
- 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
Abstract
本发明提供了一种基于神经网络的Loran‑C ASF修正方法,首先是建立Loran‑C导航信号覆盖范围内栅格化的ASF修正数据库,然后利用建立好的ASF修正数据库对用户集成终端设备上的Loran‑C导航定位数据进行修正。本发明采用神经网络算法,不需要关注影响ASF值条件之间的数学关系,生成Loran‑C导航系统的栅格化修正数据库,得到发射信号到接收机之间在传输路径上的总时延,利用二维位置解算算法,得出接收机的经纬度,相较于只关注经纬度与ASF值之间关系的神经网络算法,本发明着重分析对ASF值有较大影响的温度、湿度、大地电导率及大气折射率与ASF值之间的关系。
Description
技术领域
本发明涉及Loran-C导航领域,尤其是一种Loran-C ASF修正方法。
背景技术
Loran-C导航系统采用100kHz的低频长波电磁波信号,具有极强的抗干扰性能,信号沿地表传播,可用于楼群、坑道、山谷、丛林、水下等特殊环境,但相对于卫星导航系统,该系统定位精度不高。为了进一步提高Loran-C导航定位精度,提升用户使用满意度,必须对Loran-C信号传播过程中的时延进行修正从而提高Loran-C导航定位精度。
目前,影响Loran-C导航定位精度的主要因素是Loran-C信号在实际传播路径中的传播时延。Loran-C信号在实际传播路径中的传播时延包含PF(一次相位因子)、SF(二次相位因子)和ASF(附加二次相位因子)。其中,PF和SF时延值可经过理论公式计算精确得到,但是影响ASF时延的因素复杂,不仅与收发两点之间的大圆距离相关,而且与传播路径上介质的大地等效电导率、大气折射率、相对介电常数,以及季节性变化、温度、湿度、植被覆盖和城区范围等因素相关,因此,很难通过计算精确获得。现有对ASF的计算方法主要有:wait积分法、米林顿方法、波模转换法、抛物法和积分方程算法。此类方法只能定性的预测传播时延,采用已有的参数,计算出的传播时延和实测相差较大,不能满足高精度时延修正的要求。而简单的神经网络模型输入端只考虑经纬度对ASF值的影响,对ASF值影响较大的温度、湿度、大地电导率及大气折射率因素并没有考虑。
发明内容
为了克服现有技术的不足,本发明提供一种基于神经网络的Loran-C ASF修正方法。为了解决ASF的时延修正问题,本发明采取的基于神经网络的Loran-C ASF修正方法,Loran-C ASF修正方法可分为两步,首先是建立Loran-C导航信号覆盖范围内栅格化的ASF修正数据库,然后利用建立好的ASF修正数据库对用户集成终端设备上的Loran-C导航定位数据进行修正。
本发明解决其技术问题所采用的技术方案的具体实施步骤如下:
步骤1:Loran-C导航信号覆盖范围内栅格化ASF修正数据库模型建立;
1)根据GIS(Geographic Information System)地图信息,设计Loran-C非实时ASF修正数据库栅格分辨度和数据库栅格格式,经纬度栅格分辨度:0.5度×0.5度,并以此对地图进行栅格化处理;
2)根据GIS(Geographic Information System)地图信息,设计Loran-C导航信号覆盖范围栅格化格式Gg(long,lat,d),g=1,2,…n。其中,long、lat分别为栅格Gg的中心经度和纬度,d为栅格上下左右边界距离中心点的法线距离,n为修正数据库栅格总数,;
3)利用集成应用终端同时采集卫导定位结果和Loran-C定位结果,根据发射塔到测试平台的信号传播路径,对路径所经过的栅格时延传输修正量Dasf进行计算,并结合影响Loran-C传播时延因素数值生成ASF时延修正标准格式测试数据,所述时延因素数为大地电导率、大气折射率、温度和湿度;
4)建立非实时ASF时延修正数据神经网络模型,将大地电导率、大气折射率、温度、湿度作为神经网络的输入,时延传输修正量Dasf作为神经网络的输出;具体步骤为:
采样数据的归一化处理,根据集成应用终端卫导定位结果确定用户所在栅格位置Gg,并根据计算分析出信号在栅格Gg的传播距离dg和传输时延tg,则在栅格Gg中的单位传输时延为Δt=tg/dg;
令采样时刻栅格Gg的地理环境数据信息(大地电导率、光照折射率、温度、湿度)作为神经网络的输入层,为4个输入神经元,记为Xk=[xk1,xk2,xk3,xk4](k=1,2,…N);神经网络的输出层为1个神经元,记为Yk=(yk1)(k=1,2,…N),yk1代表神经网络实际输出的栅格Gg单位传输时延Δt;得到非实时ASF时延修正数据的神经网络模型;
5)利用步骤3)得到的测试样本数据以及步骤4)建立的神经网络模型,初始化预处理后训练非实时ASF时延修正神经网络模型,并生成神经网络模型权值参数文件.txt;
步骤2:用户集成终端设备上的Loran-C导航定位数据修正;
1)用户的集成应用终端获取Loran-C粗定位结果后,将相关导航定位数据信息发送到ASF时延修正数据库;
2)Loran-C非实时ASF时延修正数据库根据Loran-C接收机粗定位数据信息,计算并确定信号传播路径上经过的栅格Gj,j=1,…,m,m为传输路径上的栅格总数;令Loran-C发射台到用户平台传输全路径上的信号时延修正量为ΔASFl,l=1,…,6,l代表Loran-C发射台编号;
3)用户平台接收到ASF时延修正数据库计算出的传播路径上栅格Gj的修正量ΔDj,j=1,…,m,则有用户平台相对于导航台l的全路径ASF传播时延修正量:
4)用户平台根据ΔASFl修正Loran-C导航定位结果,采用二维位置解算算法,得到经过伪距修正后的Loran-C接收机定位解算方程:
式中,l为tk时刻接收机接收到发射台编号,利用定位解算方程得出接收机的经纬度,即(xk,yk),获得较高精度的Loran-C导航定位结果。
步骤1中步骤5)所述初始化预处理后训练非实时ASF时延修正神经网络模型的具体步骤如下:
a)设置神经网络的输入层第i个神经元与隐藏层第h个神经元之间的连接权为vih,隐藏层第h个神经元与输出层第j个神经元之间的连接权为whj;
设神经网络中神经元变换函数采用如下双曲函数:
其输出量是-1到1之间的连续量,实现从输入到输出的非线性影射;
b)Ok=[ok1](k=1,2,…N),ok1代表神经网络期望输出的栅格Gg单位传输时延Δt,即归一化后的单位传输时延;
取拟合误差的代价函数为:
c)基于梯度下降策略,调整连接权系数以使代价函数Ek最小;
所以Δwhj=ηykj(1-ykj)(okj-ykj)bh,同理可得Δvih;
神经网络输入层的神经元为4个,隐藏层的神经元为5个,输出层的神经元为1个,通过对采样样本的训练,获得神经网络的连接权系数,并使代价函数Ek最小。
所述步骤2的步骤4)中的详细步骤为:
采用的Loran-C接收机直接测得发射台站信号发射时间t(l)与接收机接收信号时间tu之间的时间差值,从而Loran-C接收机根据发射时间t(l)与接收信号时间tu之间的差异,测量出接收机至发射台站之间的伪距ρ(l),即:
ρ(l)=c(tu-t(l))
式中c代表光速,l为发射台编号;
将伪距公式重写为:
ρ(l)=r+δtu-δtl+δtASF
式中,r为Loran-C信号真实路径传播距离,δtu为接收机钟差,δtl为Loran-C系统误差,δtASF为传播路径时延误差,Loran-C系统误差δtl可预先获得并存储在用户接收机中,信号传播路径时延误差δtASF采用建立的基于神经网络的非实时ASF时延修正数据模型计算得到,经过修正后得到较高精度的伪距测量值ρ(l);由于δtl是已知的,因此,伪距测量值ρ(l)的精度取决于对传播路径时延误差δtASF修正的精度;
基于非实时ASF修正数据库的Loran-C定位方法,在计算δtASF时,实现步骤如下:
a)Loran-C接收机开机后,通过未采取ASF传播时延修正的伪距测量值进行定位解算,获取Loran-C接收机定位初值(x0,y0);
b)根据Loran-C接收机的位置信息,计算接收机接收到信号与相应发射台之间传播路径上经过的栅格集,记为l代表Loran-C发射台编号,g=1,2,…,m代表接收机接收到从第i发射台发射的信号传播路径上的栅格集;
c)获取栅格集Gl中每个栅格的大地电导率、大气折射率、温度、湿度信息,记为作为非实时ASF修正时延数据神经网络计算模型的输入集,利用神经网络计算模型计算该栅格单位时延δASFg(g=1,2,…,m);
e)接收机定位解算采用二维位置解算算法,得出接收机的经纬度,根据Loran-C伪距修正方程得到修正后的发射台1距接收机的距离发射台位置信息为(x(l),y(l))已知,接收机的位置为(xk,yk)未知,则有经过伪距修正后的Loran-C接收机定位解算方程如下:
式中,为伪距值,l为tk时刻接收机接收到发射台编号,获得用户的经度和纬度信息,即(xk,yk);δtu为用户设备和UTC的时间偏差;对定位解算方程再采用最小二乘法进行定位,得到时间tk用户位置(xk,yk)信息,同时将当前时刻的位置信息保存,并转到步骤b),进行tk+1时刻的位置、时间解算。
本发明的有益效果在于:
(1)相较于留级数法、米林顿法、数值积分法的ASF修正方法,本发明采用神经网络算法,不需要关注影响ASF值条件之间的数学关系,通过训练神经网络,得到网络系数后,利用训练好的神经网络获取ASF值。建立Loran-C传播时延修正数据栅格化模型,生成Loran-C导航系统的栅格化修正数据库。
(2)相较于传统的定位解算方法,本发明根据Loran-C接收机获位置信息,计算接收机接收到信号与相应发射台之间传播路径上经过的栅格集。获取栅格集中每个栅格的大地电导率、光照折射率、温度、湿度信息,作为非实时ASF修正时延数据神经网络计算模型的输入,然后计算出当前环境条件下每个栅格的ASF修正值。从而得到发射信号到接收机之间在传输路径上的总时延,利用二维位置解算算法,得出接收机的经纬度。
(3)相较于只关注经纬度与ASF值之间关系的神经网络算法,本发明着重分析对ASF值有较大影响的温度、湿度、大地电导率及大气折射率与ASF值之间的关系。
附图说明
图1为本发明Loran-C非实时ASF修正数据库栅格示意图.
图2为本发明非实时ASF时延数据神经网络结构示意图。
图3为本发明神经元所用的激活函数。
图4为本发明非实时ASF修正数据库建模流程框图。
图5为本发明ASF的测量值与预测值对比示意图。
图6为本发明定位解算结果。
图7为非实时ASF传播时延修正定位算法进行定位解算的结果。
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。
本发明提出了一种基于神经网络的Loran-C ASF修正方法。本发明首先将Loran-C信号覆盖区域栅格化,并在每一栅格内将实测获得影响Loran-C信号传播时延的环境因素作为神经网络的输入,实测ASF传播时延误差值作为网络的输出,对神经网络进行反复训练,获得神经网络修正权值。然后,在用户应用过程中,将实时获得Loran-C传播路径上的环境因素信息,发送到训练好的神经网络模型中计算,获得较高精度的ASF时延修正值,并采用该值修正Loran-C导航信号的测距信息,从而获得较高精度Loran-C导航的定位精度。
步骤1:Loran-C导航覆盖范围内栅格化ASF修正数据库模型建立;
1)根据Loran-C传播时延影响因素分析结论,设计Loran-C非实时ASF修正数据库栅格分辨度和数据库栅格格式,经纬度栅格分辨度:0.5度×0.5度;如图1所示。
2)根据GIS(Geographic Information System)地图信息,设计Loran-C导航信号覆盖范围栅格化格式Gg(long,lat,d),g=1,2,…n。其中,long、lat分别为栅格Gg的中心经度和纬度,d为栅格上下左右边界距离中心点的法线距离,n为修正数据库栅格总数,如图1所示;
3)利用移动测试平台,同时采集卫导定位结果和Loran-C定位结果,生成发射塔到测试平台路径之间时延传输修正量Dasf,并结合影响Loran-C传播时延因素的数值(大地电导率、大气折射率、温度、湿度等)生成ASF时延修正标准格式测试数据;
4)采样数据的归一化处理。根据集成应用终端卫导定位结果确定用户所在栅格位置Gg,并根据计算分析出信号在栅格Gg的传播距离dg和传输时延tg,则在栅格Gg中的单位传输时延为Δt=tg/dg;
5)令采样时刻栅格Gg的地理环境数据信息(大地电导率、光照折射率、温度、湿度)作为神经网络的输入层,为4个输入神经元,记为Xk=[xk1,xk2,xk3,xk4](k=1,2,…N);神经网络的输出层为1个神经元,记为Yk=(yk1)(k=1,2,…N),yk1代表神经网络实际输出的栅格Gg单位传输时延Δt;得到非实时ASF时延修正数据的神经网络模型的结构,如图2所示;
6)设置神经网络的输入层第i个神经元与隐藏层第h个神经元之间的连接权为vih,隐藏层第h个神经元与输出层第j个神经元之间的连接权为whj;
设神经网络中神经元变换函数采用如图3所示的双曲函数:
其输出量是-1到1之间的连续量,实现从输入到输出的非线性影射。
7)Ok=[ok1](k=1,2,…N),ok1代表神经网络期望输出的栅格Gg单位传输时延Δt,即步骤4)中归一化后的单位传输时延;
取拟合误差的代价函数为:
8)基于梯度下降策略,调整连接权系数以使代价函数Ek最小;
所以Δwhj=ηykj(1-ykj)(okj-ykj)bh,同理可得Δvih。
根据上述的计算公式,本系统设计的神经网络输入层的神经元为4个,隐藏层的神经元为5个,输出层的神经元为1个,通过对采样样本的训练,获得神经网络的连接权系数,并使代价函数Ek最小;
由以上步骤可得Loran-C非实时ASF修正数据库建模流程框图如图4所示。
步骤2:Loran-C导航非实时ASF传播时延修正定位;
采用的Loran-C接收机直接测得发射台站信号发射时间t(l)与接收机接收信号时间tu之间的时间差值,从而Loran-C接收机根据发射时间t(l)与接收信号时间tu之间的差异,测量出接收机至发射台站之间的伪距ρ(l),即:
ρ(l)=c(tu-t(l))
式中c代表光速,l为发射台编号;
Loran-C导航信号传播时延的影响因素包括系统误差、接收机钟差等都是影响伪距测量精度的重要因素。将伪距公式重写为:
ρ(l)=r+δtu-δtl+δtASF
式中,r为Loran-C信号真实路径传播距离(距离为信号沿地表传播的大圆距离),δtu为接收机钟差,δtl为Loran-C系统误差,δtASF为传播路径时延误差,Loran-C系统误差δtl可预先获得并存储在用户接收机中,信号传播路径时延误差δtASF采用建立的基于神经网络的非实时ASF时延修正数据模型计算得到,经过修正后得到较高精度的伪距测量值ρ(l);由于δtl是已知的,因此,伪距测量值ρ(l)的精度就取决于对传播路径时延误差δtASF修正的精度。
基于非实时ASF修正数据库的Loran-C定位方法,在计算δtASF时,需要预先知道接收机的大致位置,接收机的初始位置可由未采取传播时延修正时的定位结果确定,然后再后续连续定位中再采取经过修正后的伪距值进行定位,算法实现步骤过程如下:
1)Loran-C接收机开机后,通过未采取ASF传播时延修正的伪距测量值进行定位解算,获取Loran-C接收机定位初值(x0,y0);
2)根据Loran-C接收机的位置信息,计算接收机接收到信号与相应发射台之间传播路径上经过的栅格集,记为l代表Loran-C发射台(和龙、荣城、宣城、饶平、贺县、崇左)编号,g=1,2,…,m代表接收机接收到从第i发射台发射的信号传播路径上的栅格集;
3)获取栅格集Gl中每个栅格的大地电导率、大气折射率、温度、湿度信息,记为作为非实时ASF修正时延数据神经网络计算模型的输入集,利用神经网络计算模型计算该栅格单位时延δASFg(g=1,2,…,m);
5)在实际工程应用中,多数情况下只能测量到3个台站的伪距信息。接收机定位解算采用二维位置解算算法,得出接收机的经纬度,根据Loran-C伪距修正方程得到修正后的发射台1距接收机的距离发射台位置信息为(x(l),y(l))已知,接收机的位置为(xk,yk)未知,则有经过伪距修正后的Loran-C接收机定位解算方程如下:
6)对式(1)或(2),再采用最小二乘法进行定位,得到时间tk用户位置(xk,yk)信息,同时将当前时刻的位置信息保存,并转到第2)步,进行tk+1时刻的位置、时间解算。
由以上步骤可得用户平台的Loran-C导航终端设备的基于非实时ASF修正数据库的定位步骤图如图5所示。
仿真实例
在上川监测站接收贺县台站发出的信号,利用一年的数据,将温度、湿度、大地电导率、大气折射率等值作为神经网络的输入,经卫导校正后的Loran-C传播时延ASF修正量作为输出对神经网络进行训练,得到神经网络权值。
利用新采集的250组数据,对得到的神经网络进行验证。将预测的ASF值与采集到的ASF值进行对比,如图6所示,其横坐标为统计的测试点数,纵坐标为ASF时延,单位是ns。从图6中可以看出,本专利提出的神经网络Loran-C修正技术的预测时延误差小于190ns。
上川监测站经纬度为(112.773,21.735),从监测站接收6780台链(贺县台、崇左台、饶平台)的信号,利用本专利提出的非实时ASF传播时延修正定位算法进行定位解算,定位误差小于100米。结果如图7所示。仿真结果充分说明了该方法的可行性和正确性,相比传统Loran-C定位精度(460m~1.2km)有了极大提高。
Claims (3)
1.一种基于神经网络的Loran-C ASF修正方法,其特征在于包括下述步骤:
步骤1:Loran-C导航信号覆盖范围内栅格化ASF修正数据库模型建立;
1)根据GIS(Geographic Information System)地图信息,设计Loran-C非实时ASF修正数据库栅格分辨度和数据库栅格格式,经纬度栅格分辨度:0.5度×0.5度,并以此对地图进行栅格化处理;
2)根据GIS(Geographic Information System)地图信息,设计Loran-C导航信号覆盖范围栅格化格式Gg(long,lat,d),g=1,2,…n,其中,long、lat分别为栅格Gg的中心经度和纬度,d为栅格上下左右边界距离中心点的法线距离,n为修正数据库栅格总数,;
3)利用集成应用终端同时采集卫导定位结果和Loran-C定位结果,根据发射塔到测试平台的信号传播路径,对路径所经过的栅格时延传输修正量Dasf进行计算,并结合影响Loran-C传播时延因素数值生成ASF时延修正标准格式测试数据,所述时延因素数为大地电导率、大气折射率、温度和湿度;
4)建立非实时ASF时延修正数据神经网络模型,将大地电导率、大气折射率、温度、湿度作为神经网络的输入,时延传输修正量Dasf作为神经网络的输出;具体步骤为:
采样数据的归一化处理,根据集成应用终端卫导定位结果确定用户所在栅格位置Gg,并根据计算分析出信号在栅格Gg的传播距离dg和传输时延tg,则在栅格Gg中的单位传输时延为Δt=tg/dg;
令采样时刻栅格Gg的地理环境数据信息(大地电导率、光照折射率、温度、湿度)作为神经网络的输入层,为4个输入神经元,记为Xk=[xk1,xk2,xk3,xk4](k=1,2,…N);神经网络的输出层为1个神经元,记为Yk=(yk1)(k=1,2,…N),yk1代表神经网络实际输出的栅格Gg单位传输时延Δt;得到非实时ASF时延修正数据的神经网络模型;
5)利用步骤3)得到的测试样本数据以及步骤4)建立的神经网络模型,初始化预处理后训练非实时ASF时延修正神经网络模型,并生成神经网络模型权值参数文件.txt;
步骤2:用户集成终端设备上的Loran-C导航定位数据修正;
1)用户的集成应用终端获取Loran-C粗定位结果后,将相关导航定位数据信息发送到ASF时延修正数据库;
2)Loran-C非实时ASF时延修正数据库根据Loran-C接收机粗定位数据信息,计算并确定信号传播路径上经过的栅格Gj,j=1,…,m,m为传输路径上的栅格总数;令Loran-C发射台到用户平台传输全路径上的信号时延修正量为ΔASFl,l=1,…,6,l代表Loran-C发射台编号;
4)用户平台根据ΔASFl修正Loran-C导航定位结果,采用二维位置解算算法,得到经过伪距修正后的Loran-C接收机定位解算方程:
式中,l为tk时刻接收机接收到发射台编号,利用定位解算方程得出接收机的经纬度,即(xk,yk),获得较高精度的Loran-C导航定位结果。
2.根据权利要求1所述的一种基于神经网络的Loran-C ASF修正方法,其特征在于:
步骤1中步骤5)所述初始化预处理后训练非实时ASF时延修正神经网络模型的具体步骤如下:
a)设置神经网络的输入层第i个神经元与隐藏层第h个神经元之间的连接权为vih,隐藏层第h个神经元与输出层第j个神经元之间的连接权为whj;
设神经网络中神经元变换函数采用如下双曲函数:
其输出量是-1到1之间的连续量,实现从输入到输出的非线性影射;
b)Ok=[ok1](k=1,2,…N),ok1代表神经网络期望输出的栅格Gg单位传输时延Δt,即归一化后的单位传输时延;
取拟合误差的代价函数为:
c)基于梯度下降策略,调整连接权系数以使代价函数Ek最小;
所以Δwhj=ηykj(1-ykj)(okj-ykj)bh,同理可得Δvih;
神经网络输入层的神经元为4个,隐藏层的神经元为5个,输出层的神经元为1个,通过对采样样本的训练,获得神经网络的连接权系数,并使代价函数Ek最小。
3.根据权利要求1所述的一种基于神经网络的Loran-C ASF修正方法,其特征在于:所述步骤2的步骤4)中的详细步骤为:
采用的Loran-C接收机直接测得发射台站信号发射时间t(l)与接收机接收信号时间tu之间的时间差值,从而Loran-C接收机根据发射时间t(l)与接收信号时间tu之间的差异,测量出接收机至发射台站之间的伪距ρ(l),即:
ρ(l)=c(tu-t(l))
式中c代表光速,l为发射台编号;
将伪距公式重写为:
δ(l)=r+δtu-δtl+δtASF
式中,r为Loran-C信号真实路径传播距离,δtu为接收机钟差,δtl为Loran-C系统误差,δtASF为传播路径时延误差,Loran-C系统误差δtl可预先获得并存储在用户接收机中,信号传播路径时延误差δtASF采用建立的基于神经网络的非实时ASF时延修正数据模型计算得到,经过修正后得到较高精度的伪距测量值ρ(l);由于δtl是已知的,因此,伪距测量值ρ(l)的精度取决于对传播路径时延误差δtASF修正的精度;
基于非实时ASF修正数据库的Loran-C定位方法,在计算δtASF时,实现步骤如下:
a)Loran-C接收机开机后,通过未采取ASF传播时延修正的伪距测量值进行定位解算,获取Loran-C接收机定位初值(x0,y0);
b)根据Loran-C接收机的位置信息,计算接收机接收到信号与相应发射台之间传播路径上经过的栅格集,记为l代表Loran-C发射台编号,g=1,2,…,m代表接收机接收到从第i发射台发射的信号传播路径上的栅格集;
c)获取栅格集Gl中每个栅格的大地电导率、大气折射率、温度、湿度信息,记为作为非实时ASF修正时延数据神经网络计算模型的输入集,利用神经网络计算模型计算该栅格单位时延δASFg(g=1,2,…,m);
e)接收机定位解算采用二维位置解算算法,得出接收机的经纬度,根据Loran-C伪距修正方程得到修正后的发射台l距接收机的距离发射台位置信息为(x(l),y(l))已知,接收机的位置为(xk,yk)未知,则有经过伪距修正后的Loran-C接收机定位解算方程如下:
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201911161068.7A CN110990505B (zh) | 2019-11-24 | 2019-11-24 | 一种基于神经网络的Loran-C ASF修正方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201911161068.7A CN110990505B (zh) | 2019-11-24 | 2019-11-24 | 一种基于神经网络的Loran-C ASF修正方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN110990505A true CN110990505A (zh) | 2020-04-10 |
CN110990505B CN110990505B (zh) | 2022-11-22 |
Family
ID=70086235
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201911161068.7A Active CN110990505B (zh) | 2019-11-24 | 2019-11-24 | 一种基于神经网络的Loran-C ASF修正方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN110990505B (zh) |
Cited By (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111854741A (zh) * | 2020-06-16 | 2020-10-30 | 中国人民解放军战略支援部队信息工程大学 | 一种gnss/ins紧组合滤波器及导航方法 |
CN111985684A (zh) * | 2020-07-14 | 2020-11-24 | 西安理工大学 | 一种应用于远距离的长波地波传播时延时变特性预测方法 |
CN112291844A (zh) * | 2020-11-17 | 2021-01-29 | 中国联合网络通信集团有限公司 | 基于mr和mdt的定位方法和装置 |
JP2021018234A (ja) * | 2019-07-17 | 2021-02-15 | イーグル・テクノロジー,エルエルシー | 衛星導出データに基づいて補正係数を生成する強化型loranシステムおよび関連方法 |
CN112781593A (zh) * | 2020-12-31 | 2021-05-11 | 西安理工大学 | 陆基长波导航/授时系统asf预测数据库快速建库方法 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US5774831A (en) * | 1996-12-06 | 1998-06-30 | Gupta; Surender Kumar | System for improving average accuracy of signals from global positioning system by using a neural network to obtain signal correction values |
US20110257885A1 (en) * | 2010-04-16 | 2011-10-20 | David Allan Tuck | Method and apparatus for geographically aiding navigation satellite system solution |
CN102539939A (zh) * | 2012-02-14 | 2012-07-04 | 西安理工大学 | 基于大地等效电导率反演的高精度海上asf修正方法 |
KR20130024300A (ko) * | 2011-08-31 | 2013-03-08 | 한양네비콤주식회사 | eLORAN 수신기, 및 eLORAN 수신기의 측위 방법 |
CN106874549A (zh) * | 2017-01-10 | 2017-06-20 | 西安理工大学 | 一种高精度预测asf的窄带离散分布抛物方程方法 |
-
2019
- 2019-11-24 CN CN201911161068.7A patent/CN110990505B/zh active Active
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US5774831A (en) * | 1996-12-06 | 1998-06-30 | Gupta; Surender Kumar | System for improving average accuracy of signals from global positioning system by using a neural network to obtain signal correction values |
US20110257885A1 (en) * | 2010-04-16 | 2011-10-20 | David Allan Tuck | Method and apparatus for geographically aiding navigation satellite system solution |
KR20130024300A (ko) * | 2011-08-31 | 2013-03-08 | 한양네비콤주식회사 | eLORAN 수신기, 및 eLORAN 수신기의 측위 방법 |
CN102539939A (zh) * | 2012-02-14 | 2012-07-04 | 西安理工大学 | 基于大地等效电导率反演的高精度海上asf修正方法 |
CN106874549A (zh) * | 2017-01-10 | 2017-06-20 | 西安理工大学 | 一种高精度预测asf的窄带离散分布抛物方程方法 |
Non-Patent Citations (3)
Title |
---|
BIN MENG 等: "《ASF seasonal correction of Loran-C based on artificial neural network》", 《 PROCEEDINGS OF THE IEEE 2009 NATIONAL AEROSPACE & ELECTRONICS CONFERENCE (NAECON)》 * |
徐彬等: "基于BP神经网络的罗兰-C的ASF修正", 《舰船电子工程》 * |
李海奇 等: "《罗兰-C ASF修正方法研究》", 《青岛大学学报(自然科学版)》 * |
Cited By (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2021018234A (ja) * | 2019-07-17 | 2021-02-15 | イーグル・テクノロジー,エルエルシー | 衛星導出データに基づいて補正係数を生成する強化型loranシステムおよび関連方法 |
JP7189907B2 (ja) | 2019-07-17 | 2022-12-14 | イーグル・テクノロジー,エルエルシー | 衛星導出データに基づいて補正係数を生成する強化型loranシステムおよび関連方法 |
CN111854741A (zh) * | 2020-06-16 | 2020-10-30 | 中国人民解放军战略支援部队信息工程大学 | 一种gnss/ins紧组合滤波器及导航方法 |
CN111985684A (zh) * | 2020-07-14 | 2020-11-24 | 西安理工大学 | 一种应用于远距离的长波地波传播时延时变特性预测方法 |
CN111985684B (zh) * | 2020-07-14 | 2023-09-22 | 西安理工大学 | 一种应用于远距离的长波地波传播时延时变特性预测方法 |
CN112291844A (zh) * | 2020-11-17 | 2021-01-29 | 中国联合网络通信集团有限公司 | 基于mr和mdt的定位方法和装置 |
CN112781593A (zh) * | 2020-12-31 | 2021-05-11 | 西安理工大学 | 陆基长波导航/授时系统asf预测数据库快速建库方法 |
Also Published As
Publication number | Publication date |
---|---|
CN110990505B (zh) | 2022-11-22 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110990505B (zh) | 一种基于神经网络的Loran-C ASF修正方法 | |
CN109580003B (zh) | 一种静止气象卫星热红外数据估算近地面大气温度方法 | |
CN111401602B (zh) | 基于神经网络的卫星以及地面降水测量值同化方法 | |
CN103217177B (zh) | 一种电波折射修正方法、装置及系统 | |
CN110595968B (zh) | 一种基于静止轨道卫星的pm2.5浓度估算方法 | |
CN110389087B (zh) | 一种污染天气下的pm2.5浓度卫星遥感估算方法 | |
CN105069295A (zh) | 基于卡尔曼滤波的卫星以及地面降水测量值同化方法 | |
CN114397425B (zh) | 基于广义延拓逼近的gnss-ir土壤湿度反演方法 | |
CN116297068B (zh) | 基于地表反射率优化的气溶胶光学厚度反演方法及系统 | |
CN114186484B (zh) | 一种适用于高海拔地区的地表土壤湿度遥感反演方法 | |
CN114200387B (zh) | 一种tacan空间信号场型的飞行校验评估方法 | |
CN107907134A (zh) | 一种里程信息辅助地磁匹配的车辆定位系统与方法 | |
CN111123345B (zh) | 一种基于gnss测量的经验电离层模型数据驱动方法 | |
CN114879222A (zh) | 一种基于自适应随机模型的全球电离层建模方法 | |
CN116029162B (zh) | 利用星载gnss-r数据的洪涝灾害淹没范围监测方法和系统 | |
CN116822185A (zh) | 基于hasm的日降水数据空间模拟方法和系统 | |
CN116699671A (zh) | 一种基于随机森林回归的电离层幅度闪烁指数计算方法 | |
CN113408111B (zh) | 大气可降水量反演方法及系统、电子设备和存储介质 | |
CN113093225B (zh) | 一种广域、局域融合的高精度电离层闪烁模型建立方法 | |
CN107991646A (zh) | 基于云架构的甚低频导航电波传播预测模型精化方法 | |
CN115840908A (zh) | 基于lstm模型的微波链路构建pm2.5三维动态监测场的方法 | |
CN114037901A (zh) | 光伏发电预测导向的实时卫星近红外图像推算方法 | |
US6853331B1 (en) | Method of compensating for atmospheric effects while using near horizon radar utilizing a Doppler signal | |
Jensen et al. | The effect of different tropospheric models on precise point positioning in kinematic mode | |
Schaer | GNSS ionosphere analysis at CODE |
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 | ||
GR01 | Patent grant | ||
GR01 | Patent grant |