CN111562599B - 一种北斗卫星网络rtd伪距改正数预报模型建立方法 - Google Patents
一种北斗卫星网络rtd伪距改正数预报模型建立方法 Download PDFInfo
- Publication number
- CN111562599B CN111562599B CN202010407149.7A CN202010407149A CN111562599B CN 111562599 B CN111562599 B CN 111562599B CN 202010407149 A CN202010407149 A CN 202010407149A CN 111562599 B CN111562599 B CN 111562599B
- Authority
- CN
- China
- Prior art keywords
- pseudo
- range correction
- correction
- reference station
- forecasting model
- 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.)
- Active
Links
Images
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
- G01S19/38—Determining a navigation solution using signals transmitted by a satellite radio beacon positioning system
- G01S19/39—Determining a navigation solution using signals transmitted by a satellite radio beacon positioning system the satellite radio beacon positioning system transmitting time-stamped messages, e.g. GPS [Global Positioning System], GLONASS [Global Orbiting Navigation Satellite System] or GALILEO
- G01S19/40—Correcting position, velocity or attitude
-
- 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
- G06N3/044—Recurrent networks, e.g. Hopfield networks
-
- 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)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Remote Sensing (AREA)
- Radar, Positioning & Navigation (AREA)
- General Physics & Mathematics (AREA)
- General Health & Medical Sciences (AREA)
- General Engineering & Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- Biophysics (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- Computational Linguistics (AREA)
- Biomedical Technology (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Artificial Intelligence (AREA)
- Life Sciences & Earth Sciences (AREA)
- Health & Medical Sciences (AREA)
- Computer Networks & Wireless Communication (AREA)
- Position Fixing By Use Of Radio Waves (AREA)
Abstract
本发明涉及一种北斗卫星网络RTD伪距改正数预报模型建立方法,属于卫星导航定位领域。本发明为了克服当参考站出现问题时高精度位置服务受影响,以及现有方案存在影响改正数大小、增加了建设成本、对服务产生影响等问题,对区域内所有虚拟参考站的北斗卫星伪距改正数的历史数据进行相关性分析,得到各卫星的周期性规律;利用BP神经网络方法建立和训练伪距改正数预报模型;当区域增强系统中某一参考站出现问题导致改正数不能正常生成或改正数长时间不变时,立即使用预报值为用户提供服务。从而无需引入其他测站即可计算出当前一段时间的虚拟参考站伪距改正数;当测站出问题时可将模型预报值作为临时产品提供给用户,保证服务端的稳定连续运行。
Description
技术领域
本发明属于卫星导航定位领域,具体涉及一种北斗卫星网络RTD伪距改正数预报模型建立方法。
背景技术
北斗卫星导航系统是我国独立自主建设运行的卫星导航系统,随着北斗三号工程的稳步进行,将在2020年年内实现北斗卫星的全球组网,为全球用户提供高精度的定位、导航和授时服务,在交通运输、城市建设、救灾减灾等方面发挥重要作用。高精度导航定位的实现比较依赖于高成本的设备,而对于大多数普通用户而言,需要采用低成本的设备实现较高精度的位置服务。基于区域增强系统的网络RTD(Real Time Differential)技术是目前普遍使用的技术手段,用户仅使用低成本的接收机接收伪距观测值,结合相应的增强信息即可实现米级甚至亚米级的定位精度。其工作方式为:北斗区域增强系统实时接收区域内参考站观测值和星历信息,实时计算区域内各个虚拟参考站伪距改正数;用户将自身位置信息发送给北斗区域增强系统,增强系统的数据中心根据用户位置向其发送距离其最近的虚拟参考站的伪距改正数信息;用户利用虚拟参考站的伪距改正数结合自身伪距观测值进行定位解算,获得自身位置信息。
区域增强系统服务端是整个系统核心部分,负责局域内参考站观测数据接收、虚拟改正数计算和发送等,当参考站出现问题导致无法计算得到有效的虚拟参考站改正数时,将对区域内部分地区的高精度位置服务产生较大影响。
针对参考站数据中断问题,有学者提出了一些解决方法如参考站切换技术、增加备用参考站等,但是存在改变参考站时会改变基线长度影响改正数大小、切换参考站时需要进行重组网对整个区域的服务都会产生短暂影响等问题,因此需要一种新的解决方案在参考站故障期间维持区域增强系统服务的连续性。
时间序列分析预报建模是通过分析研究对象历史数据的波动和震荡,寻找其中的周期性规律,并对未来一段时间的数据变化进行一定的预测,合理有效的时间序列预报建模方法在灾害预警、气象预报、股票价格波动等方面具有重要的意义和价值。传统时序分析方法需要提前分析寻找与数据相匹配的模型,而实际的数据往往是复杂的、不平稳的,难以较好的匹配固定的模型,因此准确预报较为困难。而随着机器学习、人工智能等技术的兴起,由程序自主进行数据分析,寻找数据内隐含的复杂关联,进而智能化建立和训练较为匹配的预报模型,大大提高了预报的准确性和效率。而如图1所示的BP神经网络方法具有强大的数据分析能力和高精度的模型逼近能力成为应用最广泛的数据处理方法,也为解决参考站数据中断问题提供了新的方案。
发明内容
(一)要解决的技术问题
本发明要解决的技术问题是如何提供一种北斗卫星网络RTD伪距改正数预报模型建立方法,以克服现有的北斗卫星导航系统当参考站出现问题导致无法计算得到有效的虚拟参考站改正数时,将对区域内部分地区的高精度位置服务产生较大影响,且现有的解决方法存在改变参考站时会改变基线长度影响改正数大小、增加了建设成本、切换参考站时需要进行重组网对整个区域的服务都会产生短暂影响等问题。
(二)技术方案
为了解决上述技术问题,本发明提出一种北斗卫星网络RTD伪距改正数预报模型建立方法,该方法包括如下步骤:
步骤1)、根据不同类型的北斗卫星轨道周期,对每个虚拟参考站计算得到的所有北斗卫星伪距改正数历史数据进行时间序列分析,获取各卫星伪距改正数的周期性规律;
步骤2)、根据各卫星伪距改正数周期性规律,采用BP神经网络方法建立伪距改正数预报模型;
步骤3)、不断重复正向计算和反向调节过程,直到所述伪距改正数预报模型的误差信号满足要求,即完成了所述伪距改正数预报模型的训练。
进一步地,选取某一区域网络RTD增强系统作为工作对象,逐个对该区域增强系统的虚拟参考站进行伪距改正数建模,每个虚拟参考站对应一个伪距改正数预报模型。
进一步地,所述步骤1)中的北斗卫星伪距改正数历史数据通过截取区域增强系统各个三角网中虚拟参考站的伪距改正数历史数据获得。
进一步地,所述北斗卫星包括GEO、IGSO和MEO。
进一步地,所述步骤2)具体包括:选取上上一周期伪距改正数数据作为输入层信息,选取上一个周期的改正数作为真实期望值信息,然后根据上上个周期的数据建立初始的伪距改正数预报模型。
进一步地,所述步骤3)具体包括:把上上周期的伪距改正数作为所述伪距改正数预报模型输入的神经元样本,然后以这些数据为基础正向计算上一周期的伪距改正数作为输出值;把得到的输出值与上一周期的真实期望值比较得到误差信号,再根据误差信号从后向前反向调节神经网络各神经元之间的连接强度,即权值;然后根据新的权值再次重新正向计算得到新的输出值,将输出值与真实期望值进行比较,得到新的较小的误差信号;再根据新的误差信号再次反向调节神经网络各神经元之间的连接强度;不断重复正向和反向的过程,直到误差信号满足要求,即完成了所述伪距改正数预报模型的训练。
进一步地,反向调节时的输入层信息是正向计算时的输出值,输出期望值是正向计算时的输入值。
本发明还提供一种北斗卫星导航系统中参考站出现问题时的数据处理方法,其特征在于,该方法包括如下步骤:
步骤a)、根据基于北斗卫星网络RTD伪距改正数预报模型建立方法得到的伪距改正数预报模型预测当前周期的伪距改正数;
步骤b)、区域增强系统服务端接收区域内参考站观测值和卫星星历,正常计算参考站伪距改正数和虚拟参考站伪距改正数;
步骤c)、判断所述区域增强系统服务端改正数计算是否出现异常,当无法计算改正数或改正数在一段时间内未变化时采用模型预测值作为服务端伪距改正数产品播发给用户使用以保障服务端正常连续运行。
进一步地,所述步骤a)具体包括:以上一周期的伪距改正数信息为输入值,经过所述伪距改正数预报模型计算得到当前周期的改正数信息。
进一步地,所述步骤c)之后还包括如下步骤:向相关人员反馈故障信息,相关人员进行故障排查。
(三)有益效果
本发明公开一种北斗卫星网络RTD伪距改正数预报模型建立方法,首先对区域内所有虚拟参考站的不同类型的北斗卫星伪距改正数的历史数据进行相关性分析,得到各卫星的周期性规律;然后利用BP(Back Propagation)神经网络方法智能自主建立和训练伪距改正数预报模型,主要过程为:选取前面两个周期的伪距改正数历史数据分别作为输入层神经元和输出层真实期望值,反复进行正向和反向的计算相应的输入和输出值,并与真实期望值作比较得到误差信号,不断调整各层之间的连接权值,直到误差满足要求,即完成了初始模型的训练得到改正数预报模型;最后将上一周期的改正数信息作为输入层信息输入到预报模型中,经过模型计算得到当前周期相应的改正数预报值。当区域增强系统中某一参考站出现问题导致改正数不能正常生成或改正数长时间不变时,系统立即使用预报值为用户提供服务,同时向相关人员反馈故障信息,及时修复或替换参考站。
与现有技术相比,本发明的有点在于:
通过对虚拟参考站伪距改正数历史数据进行时间序列分析建立伪距改正数预报模型,无需引入其他测站即可计算出当前一段时间的虚拟参考站伪距改正数值;同时,由于预报模型计算先于实际改正数计算,当测站出问题时不影响模型预报值的生成,可及时将模型预报值作为临时产品提供给用户,保证服务端的稳定连续运行。
附图说明
图1为BP神经网络原理示意图;
图2是本发明伪距改正数模型建立过程示意图;
图3是本发明服务端某一参考站出现问题时的数据处理图。
具体实施方式
为使本发明的目的、内容和优点更加清楚,下面结合附图和实施例,对本发明的具体实施方式作进一步详细描述。
本发明针对局域增强系统中某一或部分测站出现问题导致局部地区无法得到有效伪距改正数信息情况下,提供一种基于北斗卫星网络RTD伪距改正数预报建模方法,用于虚拟参考站伪距改正数的预报,以保障增强系统高精度位置服务的连续稳定运行,该方法具体包括:
截取区域增强系统各个三角网中虚拟参考站伪距改正数历史数据,根据不同类型的北斗卫星(GEO、IGSO、MEO)轨道周期,分别对其伪距改正数进行时间序列分析计算相关性信息,获取各卫星伪距改正数的周期性规律;
根据卫星伪距改正数周期性规律,采用BP神经网络方法建立改正数预报模型。首先选取上上一周期伪距改正数数据作为输入层信息,选取上一个周期的改正数作为真实期望值信息,然后根据上上个周期的数据建立初始的预报模型,并使用该模型计算上个周期的预测值,与对应的真实值相比较得到误差信号。再根据误差信号反向调节各神经元之间的连接强度,即权值。然后反复进行正向和反向计算直到误差满足要求,即完成了预报模型的训练(反向调节时的输入层信息是正向计算时的输出值,输出期望值是正向计算时的输入值)。
以上一周期的伪距改正数作为输入层信息,通过改正数预报模型计算当前周期的伪距改正数模型预测值;
区域增强系统服务端正常计算虚拟参考站改正数信息后判断改正数结果是否出现异常,当无法计算改正数或改正数在一段时间内未变化时采用模型预测值作为临时伪距改正数产品播发给用户使用以保障服务端正常连续运行,并反馈给相关人员进行故障排查。
如图2-3为本发明的伪距改正数模型建立过程和服务端某一参考站出现问题时的数据处理流程,具体过程如下:
步骤1,选取某一区域网络RTD增强系统作为工作对象,逐个对该区域增强系统的虚拟参考站进行伪距改正数建模,每个虚拟参考站对应一个伪距改正数预报模型;
步骤2,根据根据不同类型的北斗卫星(GEO、IGSO、MEO)轨道周期,对每个虚拟参考站计算得到的所有北斗卫星伪距改正数历史数据进行时间序列分析,获取各卫星伪距改正数的周期性规律;
步骤3,采用BP神经网络方法建立卫星伪距改正数预报模型。首先根据各卫星的周期性规律确定建模所用的数据时段,以上上一周期伪距改正数数据作为输入层信息,选取上一个周期的改正数作为真实期望值信息,然后根据上上个周期的数据建立初始的伪距改正数预报模型;把上上周期的改正数作为输入的神经元样本,然后以这些数据为基础正向计算上一周期的伪距改正数作为输出值;把得到的输出值与上一周期的真实期望值比较得到误差信号,再根据误差信号从后向前反向调节神经网络各神经元之间的连接强度,即权值;然后根据新的权值再次重新正向计算得到新的输出值,将输出值与真实期望值进行比较,得到新的较小的误差信号;再根据新的误差信号再次反向调节神经网络各神经元之间的连接强度;不断重复正向和反向的过程,直到误差信号满足要求,即完成了预报模型的训练。其中,反向调节时的输入层信息是正向计算时的输出值,输出期望值是正向计算时的输入值。
步骤4,根据得到的伪距改正数预报模型预测当前周期的伪距改正数,以上一周期的伪距改正数信息为输入值,经过预报模型计算得到当前周期的改正数信息;
步骤5,区域增强系统服务端接收区域内参考站观测值和卫星星历,正常计算参考站伪距改正数和虚拟参考站伪距改正数;
步骤6,判断区域增强系统服务端改正数计算是否出现异常,当无法计算改正数或改正数在一段时间内未变化时采用模型预测值作为服务端伪距改正数产品播发给用户使用以保障服务端正常连续运行,并反馈给相关人员进行故障排查。
综上所述,当区域增强系统中某一参考站数据出现问题时会导致该与参考站有关的三角网覆盖区域的高精度位置服务受到影响,而现有的解决方法需要使用其他参考站替换不可用参考站,增加了建设成本;而切换参考站需要进行区域三角网重组,在切换站时段同样影响服务的连续稳定性。
利用本发明提供的一种北斗卫星网络RTD改正数预报模型建立方法,根据各卫星伪距改正数历史数据建立相应的伪距改正数预报模型,对当前周期的改正数进行预报。区域增强系统中首先预报当前周期的伪距预报值,然后正常接收参考站数据和卫星星历进行虚拟参考站改正数计算,当区域增强系统某一参考站出现问题导致改正数不能正常生成或改正数长时间不变时,系统立即使用预报值为用户提供服务,同时向相关人员反馈故障信息,及时修复或替换参考站。利用该方法实现了在不新增新的参考站或改变区域内三角网网形的情况下,维持区域增强系统服务端的连续稳定运行,保障了区域内用户高精度位置服务的正常使用。
以上所述仅是本发明的优选实施方式,应当指出,对于本技术领域的普通技术人员来说,在不脱离本发明技术原理的前提下,还可以做出若干改进和变形,这些改进和变形也应视为本发明的保护范围。
Claims (7)
1.一种北斗卫星网络RTD伪距改正数预报模型建立方法,其特征在于,该方法包括如下步骤:
步骤1)、根据不同类型的北斗卫星轨道周期,对每个虚拟参考站计算得到的所有北斗卫星伪距改正数历史数据进行时间序列相关性分析,获取各卫星伪距改正数的周期性规律;
步骤2)、根据各卫星伪距改正数周期性规律,采用BP神经网络方法建立伪距改正数预报模型;
步骤3)、不断重复正向计算和反向调节过程,直到所述伪距改正数预报模型的误差信号满足要求,即完成了所述伪距改正数预报模型的训练;
其中,所述北斗卫星包括GEO、IGSO和MEO;
所述步骤2)具体包括:选取上上一周期伪距改正数数据作为输入层信息,选取上一个周期的改正数作为真实期望值信息,然后根据上上个周期的数据建立初始的伪距改正数预报模型;
所述步骤3)具体包括:把上上周期的伪距改正数作为所述伪距改正数预报模型输入的神经元样本,然后以这些数据为基础正向计算上一周期的伪距改正数作为输出值;把得到的输出值与上一周期的真实期望值比较得到误差信号,再根据误差信号从后向前反向调节神经网络各神经元之间的连接强度,即权值;然后根据新的权值再次重新正向计算得到新的输出值,将输出值与真实期望值进行比较,得到新的较小的误差信号;再根据新的误差信号再次反向调节神经网络各神经元之间的连接强度;不断重复正向和反向的过程,直到误差信号满足要求,即完成了所述伪距改正数预报模型的训练。
2.如权利要求1所述的北斗卫星网络RTD伪距改正数预报模型建立方法,其特征在于,选取某一区域网络RTD增强系统作为工作对象,逐个对该区域增强系统的虚拟参考站进行伪距改正数建模,每个虚拟参考站对应一个伪距改正数预报模型。
3.如权利要求1所述的北斗卫星网络RTD伪距改正数预报模型建立方法,其特征在于,所述步骤1)中的北斗卫星伪距改正数历史数据通过截取区域增强系统各个三角网中虚拟参考站的伪距改正数历史数据获得。
4.如权利要求1所述的北斗卫星网络RTD伪距改正数预报模型建立方法,其特征在于,反向调节时的输入层信息是正向计算时的输出值,输出期望值是正向计算时的输入值。
5.一种北斗卫星导航系统中参考站出现问题时的数据处理方法,其特征在于,该方法包括如下步骤:
步骤a)、根据基于权利要求1-4任一项所述的北斗卫星网络RTD伪距改正数预报模型建立方法得到的伪距改正数预报模型预测当前周期的伪距改正数;
步骤b)、区域增强系统服务端接收区域内参考站观测值和卫星星历,正常计算参考站伪距改正数和虚拟参考站伪距改正数;
步骤c)、判断所述区域增强系统服务端改正数计算是否出现异常,当无法计算改正数或改正数在一段时间内未变化时采用模型预测值作为服务端伪距改正数产品播发给用户使用以保障服务端正常连续运行。
6.如权利要求5所述的北斗卫星导航系统中参考站出现问题时的数据处理方法,其特征在于,所述步骤a)具体包括:以上一周期的伪距改正数信息为输入值,经过所述伪距改正数预报模型计算得到当前周期的改正数信息。
7.如权利要求5所述的北斗卫星导航系统中参考站出现问题时的数据处理方法,其特征在于,所述步骤c)之后还包括如下步骤:向相关人员反馈故障信息,相关人员进行故障排查。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010407149.7A CN111562599B (zh) | 2020-05-14 | 2020-05-14 | 一种北斗卫星网络rtd伪距改正数预报模型建立方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010407149.7A CN111562599B (zh) | 2020-05-14 | 2020-05-14 | 一种北斗卫星网络rtd伪距改正数预报模型建立方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN111562599A CN111562599A (zh) | 2020-08-21 |
CN111562599B true CN111562599B (zh) | 2021-07-16 |
Family
ID=72073345
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010407149.7A Active CN111562599B (zh) | 2020-05-14 | 2020-05-14 | 一种北斗卫星网络rtd伪距改正数预报模型建立方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111562599B (zh) |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109145434A (zh) * | 2018-08-16 | 2019-01-04 | 北京理工大学 | 一种利用改进bp神经网络预测广播星历轨道误差的方法 |
CN109738926A (zh) * | 2019-04-01 | 2019-05-10 | 湖南联智桥隧技术有限公司 | 一种基于bp神经网络技术的gnss多路径效应改正方法 |
CN109917494A (zh) * | 2019-02-13 | 2019-06-21 | 上海华测导航技术股份有限公司 | 降雨预报方法、装置、设备和存储介质 |
Family Cites Families (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107203827A (zh) * | 2017-06-21 | 2017-09-26 | 南京信息工程大学 | 一种基于多尺度分析的风电机风速预测优化方法 |
CN107426205A (zh) * | 2017-07-17 | 2017-12-01 | 北方信息控制研究院集团有限公司 | 面向高并发用户访问的差分数据产品高效播发方法 |
US10871576B2 (en) * | 2018-05-16 | 2020-12-22 | Qualcomm Incorporated | Error mitigation in doppler based satellite positioning system measurements |
CN109655852B (zh) * | 2019-01-10 | 2021-07-02 | 和芯星通科技(北京)有限公司 | 一种基于星基增强系统的定位方法及装置 |
CN109901203B (zh) * | 2019-03-27 | 2020-12-18 | 北京航空航天大学 | 一种对流层折射率高精度预测的地基增强系统 |
-
2020
- 2020-05-14 CN CN202010407149.7A patent/CN111562599B/zh active Active
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109145434A (zh) * | 2018-08-16 | 2019-01-04 | 北京理工大学 | 一种利用改进bp神经网络预测广播星历轨道误差的方法 |
CN109917494A (zh) * | 2019-02-13 | 2019-06-21 | 上海华测导航技术股份有限公司 | 降雨预报方法、装置、设备和存储介质 |
CN109738926A (zh) * | 2019-04-01 | 2019-05-10 | 湖南联智桥隧技术有限公司 | 一种基于bp神经网络技术的gnss多路径效应改正方法 |
Non-Patent Citations (1)
Title |
---|
"Artificial neural networks for predicting DGPS carrier phase and pseudorange correction";Arif Indriyatmoko etc.;《GPS Solut》;20080221;237-247 * |
Also Published As
Publication number | Publication date |
---|---|
CN111562599A (zh) | 2020-08-21 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
EP2191290B1 (en) | Method for accuracy estimation of network based corrections for a satellite-aided positioning system | |
CN106814379B (zh) | 一种云rtk定位方法及系统 | |
CN108919305B (zh) | 交通运输中北斗地基增强带状服务方法及系统 | |
CN104714244A (zh) | 一种基于抗差自适应Kalman滤波的多系统动态PPP解算方法 | |
CN107422343A (zh) | 网络rtk解算方法 | |
CN114442128B (zh) | 一种基于天地一体化的广域高精度定位系统及方法 | |
CN111290005A (zh) | 载波相位的差分定位方法、装置、电子设备及存储介质 | |
CN106842266A (zh) | 一种即时参考站定位方法及系统 | |
CN115079238B (zh) | 基于rtk的公路交通智能精确定位系统和方法 | |
CN108508459B (zh) | 在线定位的排障方法及装置、定位系统 | |
CN111562599B (zh) | 一种北斗卫星网络rtd伪距改正数预报模型建立方法 | |
CN110674603B (zh) | 一种gnss观测数据仿真方法及系统 | |
Elsayed et al. | Bounding of correlated double-differenced GNSS observation errors using NRTK for precise positioning of autonomous vehicles | |
Jongrujinan et al. | Stochastic modeling for VRS network-based GNSS RTK with residual interpolation uncertainty | |
CN110907974B (zh) | 基于vrs差分的ppp模糊度快速固定方法及装置 | |
CN115561793A (zh) | 一种基于并行计算的实时北斗相位小数偏差快速估计方法 | |
CN114705156A (zh) | 北斗短报文传输差分数据的电力塔筒沉降监测方法 | |
CN106814381A (zh) | 一种即时参考站定位鉴权方法及系统 | |
Jongrujinan et al. | Improving the stochastic model for VRS network-based GNSS surveying | |
CN117607906B (zh) | 基于北斗/uwb云端数据处理的快速静态测量放样系统 | |
CN110687558B (zh) | 一种基于北斗动动定位的独立双基线解算验证方法 | |
Sang et al. | Prediction of DGPS corrections with neural networks | |
US20230324181A1 (en) | Power generation planning device and power generation planning method | |
CN116859421B (zh) | 一种多参考框架的定位服务方法及装置 | |
Wang et al. | An overall adjustment method for relative corrections of master reference stations in the BDS/GNSS network RTK system |
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 |