CN113376660A - 一种自适应的电离层模型完好性监测方法 - Google Patents
一种自适应的电离层模型完好性监测方法 Download PDFInfo
- Publication number
- CN113376660A CN113376660A CN202110553126.1A CN202110553126A CN113376660A CN 113376660 A CN113376660 A CN 113376660A CN 202110553126 A CN202110553126 A CN 202110553126A CN 113376660 A CN113376660 A CN 113376660A
- Authority
- CN
- China
- Prior art keywords
- point
- grid
- delay
- algorithm
- ionospheric
- 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
- 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
- G01S19/03—Cooperating elements; Interaction or communication between different cooperating elements or between cooperating elements and receivers
- G01S19/07—Cooperating elements; Interaction or communication between different cooperating elements or between cooperating elements and receivers providing data for correcting measured positioning data, e.g. DGPS [differential GPS] or ionosphere corrections
- G01S19/072—Ionosphere corrections
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02A—TECHNOLOGIES FOR ADAPTATION TO CLIMATE CHANGE
- Y02A90/00—Technologies having an indirect contribution to adaptation to climate change
- Y02A90/10—Information and communication technologies [ICT] supporting adaptation to climate change, e.g. for weather forecasting or climate simulation
Landscapes
- Engineering & Computer Science (AREA)
- Radar, Positioning & Navigation (AREA)
- Remote Sensing (AREA)
- Computer Networks & Wireless Communication (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Position Fixing By Use Of Radio Waves (AREA)
Abstract
本发明公开了一种自适应的电离层模型完好性监测方法,实现对电离层模型完好性实时准确监测的方法,以格网点电离层垂直延迟误差(Grid Ionospheric Vertical Error,GIVE)作为电离层模型完好性的保护门限,依据GNSS实时观测数据提取的电离层延迟,对电离层模型延迟改正数的误差进行定界,通过引入调节系数以及调节系数的自适应优化算法,实现了GIVE对电离层误差的实时准确限定,在保证完好性的条件下极大地提升了系统的可用性,在电离层异常监测以及高精度定位中有着广阔的应用前景。
Description
技术领域
本发明属于卫星导航技术领域,尤其涉及一种通过自适应的电离层模型误差定界算法实现对电离层模型完好性实时准确监测的方法。
背景技术
电离层延迟是全球卫星导航系统高精度定位的关键误差源之一,误差影响可达几米甚至几十米。对于双频用户,电离层延迟可以通过观测值线性组合进行修正,而对于单频用户来说,则需要通过电离层延迟改正模型来削弱该误差源的影响,例如国际参考电离层模型、克罗布歇模型(Klobuchar)以及全球电离层格网模型(Global Ionospheric Maps,GIMs)等。目前,大部分研究都聚焦在比较和评估不同电离层模型的精度方向,对于在高精度定位中同样起到重要作用的电离层模型完好性却鲜有关注。电离层模型的完好性是一种可信性的衡量,用来衡量模型所提供的电离层延迟信息的正确性。电离层模型完好性指标中的保护门限(Protection Level,PL)是基于一定完好性需求得出的电离层误差的统计边界。保护门限可以反映当前电离层模型的误差大小,为电离层异常提供告警。除此之外,保护门限还可以作为电离层模型的权重,提供给电离层模型加权算法或者定位算法使用。例如在精密单点定位(Precise Point Positioning,PPP)或长基线实时动态相对定位(RealTime Kinematic,RTK)中,电离层延迟改正数的权重一般采用经验方差法来确定,其缺点是无法反映真实的电离层误差,特别是在太阳活动频繁和地磁风暴期间。而将电离层模型的保护门限作为其权重,可以有效地改善PPP定位性能。但是当保护门限不合理时,由其构建的随机模型可能比经验模型更差。因此研究电离层模型的完好性,寻找更加合理准确的保护门限就显得非常必要。
目前,IGS在全球拥有多个电离层分析中心(Ionospheric Associated AnalysisCenters,IAACs),其各自的GIMs已经被广泛用于高精度定位中的电离层误差修正。GIMs除了提供格网点(Ionospheric Grid Point,IGP)的总电子含量TEC(Total ElectronContent,TEC)信息,还提供均方根RMS(root-mean-square,RMS)图来表示格网点TEC改正数的误差大小。全球七大IAACs的RMS图虽然都可以一定程度上反映TEC改正数误差的大小,但是无法起到保护门限的作用,并且长时间内变化很小,无法实时反映电离层模型误差的变化情况。因此,GIMs提供的RMS图无法对电离层模型完好性进行评估。
中国人民解放军战略支援部队信息工程大学于2001年提出了格网点电离层模型改正误差分析算法,并分别于2008年和2011年对该算法进行了改进。该算法得到的格网点电离层垂直延迟误差(Grid Ionospheric Vertical Error,GIVE)可以起到保护门限的作用,对电离层模型误差进行限定。但不足之处在于,GIVE过于保守,远大于模型实际误差,无法准确反映TEC改正数误差的大小,这将导致将GIVE作为电离层模型的权重时效果很差,在PPP和长基线RTK中,由其构建的随机模型可能比经验模型更差,无法充分发挥高精度电离层模型的作用。因此,该算法得到的GIVE虽然满足了完好性的需求,但是可用性大大降低,也无法满足当前高精度定位对电离层模型可靠性的需求。
综上所述,现有的技术均存在着明显的缺陷与不足,寻找一种合理准确的电离层模型完好性监测方法十分必要且迫切。
发明内容
为了解决上述已有技术存在的不足,本发明提出一种自适应的电离层模型完好性监测方法,能够对电离层模型误差进行合理准确的限定,实时准确反映电离层误差的大小,对电离层异常进行监测,同时得到电离层模型的权重,提供给电离层模型加权算法或者定位算法的滤波过程使用,提升PPP和长基线RTK的定位性能。本发明的具体技术方案如下:
一种自适应的电离层模型完好性监测方法,包括以下步骤:
S1:待评估的电离层模型产品提供每个电离层格网点即IGP垂直总电子含量即VTEC,对于每个穿刺点即IPP,利用其周围的4个格网点的垂直总电子含量,求得该穿刺点的电离层延迟计算值穿刺点均指地面参考站和卫星之间连线与电离层薄膜的交点;
S2:对于每个穿刺点,提取站星连线上的倾斜总电子含量即STEC,倾斜总电子含量通过倾斜因子转换为穿刺点的垂直总电子含量,即为穿刺点的电离层延迟观测值IIPP(t);
S3:步骤S1的穿刺点延迟由待评估模型计算得到,步骤S2中穿刺点延迟由地面参考站实际观测数据提取得到,通过步骤S2的观测值验证步骤S1的模型计算值,将穿刺点的观测值和计算值做差取绝对值,得到穿刺点的电离层模型延迟残差eIPP(t);
S6:若包含一个格网点的四个格网中至少三个格网含有至少一个延迟残差序列,则该点的格网点电离层垂直延迟误差由步骤S4和步骤S5的结果线性组合而成:
其中,α,β,γ分别为穿刺点延迟残差序列的均值穿刺点延迟残差序列的序列方差σe和格网点电离层延迟残差对应的自适应系数,GIVEα,β,γ为不同自适应系数取值组合α,β,γ对应的GIVE,继续执行步骤S7;
上述条件不成立,则该格网点的完好性指标格网点电离层垂直延迟误差未监测,算法结束;
S7:通过优化算法确定步骤S6中的自适应系数α,β,γ;
S8:将步骤S7得到的自适应系数α,β,γ带入公式(5),得到完好性评估指标格网点电离层垂直延迟误差。
其中,x=Δλ/(λ2-λ1),y=Δφ/(φ2-φ1)。在双线性内插中,权W(x,y)用式(8)表示:
W(x,y)=xy (8)
其中,x,y分别为穿刺点在格网中的归一化横坐标和纵坐标,λ为穿刺点的经度,λ1为格网的左经度,λ2为格网的右经度,φ为穿刺点的纬度,φ1为格网的下纬度,φ2为格网的上纬度。
进一步地,所述步骤S2中,通过Precise Point Positioning方法或者GeometryFree组合方法提取站星连线上的倾斜总电子含量,倾斜总电子含量通过倾斜因子转换为穿刺点的垂直总电子含量,即
VTEC=STEC·cosZ (9)
其中,Z是穿刺点上卫星的天顶距。
进一步地,所述步骤S7中的优化算法的目标函数:
式(10)中,α,β,γ为目标函数的自变量,取值范围限定为[0,2),F为目标函数的因变量,IIGP为待评估的电离层模型提供的格网点电离层延迟,是由穿刺点电离层延迟观测值加权得到的格网点电离层延迟,即式(11);
Hausdorff距离的计算方法为:
其中,sup(supremum)和inf(infimum)分别表示上确界和下确界;
当α,β,γ的取值组合不满足完好性需求时,F的值设置为0。
进一步地,所述步骤S7中的优化算法为进化算法或群智能优化算法,其中,进化算法包括遗传算法,文化基因算法或量子进化算法,群智能优化算法包括粒子群优化算法,蚁群算法,人工蜂群算法,人工鱼群算法,混洗蛙跳算法,烟花算法,细菌觅食算法或萤火虫算法。
进一步地,所述步骤S4中每个穿刺点的采样点至少为10个,若不足10个则舍弃该穿刺点。
本发明的有益效果在于:
1.本发明具有良好的完好性及可用性:以GIVE作为完好性的保护门限,实现对电离层模型误差的准确限定,在保证完好性的前提下极大地提升了系统的可用性。
2.实时性:GIVE跟随电离层模型的误差变化而变化,实时反映当前误差的大小,也可实现对电离层延迟的异常监测。
3.灵活性:根据不同场景不同用户的完好性需求,可通过简单调整本发明中完好性需求参数,来计算相应的完好性监测指标GIVE。
4.预测性:本发明中的自适应系数不仅适用于当前的GIVE求解,对于其后几天内的GIVE解算同样适用,进一步减小了本发明的运算开销,增加了实用性。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案,下面将对实施例中所需要使用的附图作简单地介绍,通过参考附图会更加清楚的理解本发明的特征和优点,附图是示意性的而不应理解为对本发明进行任何限制,对于本领域普通技术人员来讲,在不付出创造性劳动的前提下,可以根据这些附图获得其他的附图。其中:
图1为本发明电离层模型完好性监测指标GIVE自适应计算的流程图;
图2为IGP与IPP关系示意图;
图3为双线性插值法示意图;
图4为Hausdorff距离示意图;
图5为本发明实施例的2014年3月16日北京地区(115°E,40°N)电离层模型完好性监测图;
图6为本发明实施例的2014年3月16日云南地区(100°E,25°N)电离层模型完好性监测图。
具体实施方式
为了能够更清楚地理解本发明的上述目的、特征和优点,下面结合附图和具体实施方式对本发明进行进一步的详细描述。需要说明的是,在不冲突的情况下,本发明的实施例及实施例中的特征可以相互组合。
在下面的描述中阐述了很多具体细节以便于充分理解本发明,但是,本发明还可以采用其他不同于在此描述的其他方式来实施,因此,本发明的保护范围并不受下面公开的具体实施例的限制。
如图1所示,本发明以GIVE作为电离层模型完好性监测的指标,通过引入调节系数及其自适应优化算法,提供了一种全新的GIVE计算方法,既可以在满足完好性需求的条件下对电离层模型格网点延迟误差进行限定,又能够更加准确地反映格网点延迟误差的大小,极大的提高了系统的可用性。同时,通过优化算法,减小了系数自适应过程的运算量,缩短了系统给出完好性监测指标GIVE的时间,以及电离层模型格网点延迟误差过大时系统发出完好性风险告警的时间。
一种自适应的电离层模型完好性监测方法,包括以下步骤:
S1:待评估的电离层模型产品提供每个电离层格网点即IGP垂直总电子含量即VTEC,对于每个穿刺点即IPP,利用其周围的4个格网点的垂直总电子含量,求得该穿刺点的电离层延迟计算值穿刺点均指地面参考站和卫星之间连线与电离层薄膜的交点;
S2:对于每个穿刺点,提取站星连线上的倾斜总电子含量即STEC,倾斜总电子含量通过倾斜因子转换为穿刺点的垂直总电子含量,即为穿刺点的电离层延迟观测值IIPP(t);
S3:步骤S1的穿刺点延迟由待评估模型计算得到,步骤S2中穿刺点延迟由地面参考站实际观测数据提取得到,通过步骤S2的观测值验证步骤S1的模型计算值,将穿刺点的观测值和计算值做差取绝对值,得到穿刺点的电离层模型延迟残差eIPP(t);
在一些实施方式中,更新间隔通常为5~60分钟范围内的某一固定值;
较佳地,更新间隔为900s,eIPP(t)的采样间隔为30s,则由30个eIPP(t)构成一条误差序列。
S6:若包含一个格网点的四个格网中至少三个格网含有至少一个延迟残差序列,则该点的格网点电离层垂直延迟误差由步骤S4和步骤S5的结果线性组合而成:
其中,α,β,γ分别为穿刺点延迟残差序列的均值穿刺点延迟残差序列的方差σe和格网点电离层延迟残差对应的自适应系数,GIVEα,β,γ为不同自适应系数取值组合α,β,γ对应的GIVE,继续执行步骤S7;
上述条件不成立,则该格网点的完好性指标格网点电离层垂直延迟误差未监测,算法结束;
S7:通过优化算法确定步骤S6中的自适应系数α,β,γ;
S8:将步骤S7得到的自适应系数α,β,γ带入公式(5),得到完好性评估指标格网点电离层垂直延迟误差。
其中,x=Δλ/(λ2-λ1),y=Δφ/(φ2-φ1)。在双线性内插中,权W(x,y)用式(8)表示:
W(x,y)=xy (8)
其中,x,y分别为穿刺点在格网中的归一化横坐标和纵坐标,λ为穿刺点的经度,λ1为格网的左经度,λ2为格网的右经度,φ为穿刺点的纬度,φ1为格网的下纬度,φ2为格网的上纬度。
在一些实施方式中,步骤S2中,通过Precise Point Positioning方法即PPP方法或者Geometry Free组合方法提取站星连线上的倾斜总电子含量,倾斜总电子含量通过倾斜因子转换为穿刺点的垂直总电子含量,即
VTEC=STEC·cosZ (9)
其中,Z是穿刺点上卫星的天顶距。
在一些实施方式中,步骤S7中的优化算法的目标函数:
式(10)中,α,β,γ为目标函数的自变量,取值范围限定为[0,2),F为目标函数的因变量,IIGP为待评估的电离层模型提供的格网点电离层延迟,是由穿刺点电离层延迟观测值加权得到的格网点电离层延迟,即式(11);
Hausdorff距离的计算方法为:
其中,sup(supremum)和inf(infimum)分别表示上确界和下确界;
只有当满足电离层模型完好性需求的条件下,即α,β,γ的取值组合能够使得GIVEα,β,γ以大于等于99.9%的概率对格网点延迟残差进行限定时,目标函数的取值为二者之间Hausdorff距离的倒数;Hausdorff距离是描述两组点集之间相似程度的一种量度,Hausdorff距离越小,F越大,说明GIVE对误差限定越准确,评估效果越好。
当α,β,γ的取值组合不满足完好性需求时,F的值设置为0。
本发明的完好性需求对应的概率包括但不限于99.9%,针对不同的场景以及不同的应用,对电离层模型的完好性应当有不同的需求。
F(α,β,γ)取值越大,GIVE对电离层模型误差的限定越准确,对完好性评估效果越好。寻找使F(α,β,γ)最大的α,β,γ取值组合实际为最优化问题,本发明中,对目标函数F(α,β,γ)的构造,参数α,β,γ的设定以及取值范围的约束均是唯一的,但最优的α,β,γ取值组合的搜索策略能够采取多种优化算法。
在一些实施方式中,步骤S7中的优化算法为进化算法或群智能优化算法,其中,进化算法包括遗传算法,文化基因算法或量子进化算法,群智能优化算法包括粒子群优化算法,蚁群算法,人工蜂群算法,人工鱼群算法,混洗蛙跳算法,烟花算法,细菌觅食算法或萤火虫算法,这些算法都以自然界中的群(例如蚁群或蜂群)为基础,通过模拟其活动规律来达到优化的目的。
进化算法借鉴了大自然中生物的进化操作,一般包括基因编码,种群初始化,交叉变异算子,经营保留机制等基本操作,一种成熟的具有高鲁棒性和广泛适用性的全局优化方法,具有自组织、自适应、自学习的特性,能够不受问题性质的限制,有效地处理传统优化算法难以解决的复杂问题。下面以遗传算法为例,介绍进化算法在本发明中的使用方法,其他进化算法与遗传算法相似。
遗传算法基于达尔文的进化论,模拟了自然选择,物竞天择、适者生存,通过n代的遗传、变异、交叉、复制,进化出问题的最优解。α,β,γ均为遗传算法中染色体上的基因,每个α,β,γ可能的取值组合构成一条染色体,将本发明的目标函数F(α,β,γ)设置为遗传算法的适应度函数,适应度函数取值大的染色体更容易存活,通过多代染色体的交叉,变异和复制,找到适应度最高的染色体,即为本发明中最优的自适应系数取值组合。遗传算法具有群体搜索,并行计算的特点,能够缩短本发明自适应算法的计算时间,同时其独特的变异机制,可以有效地避免因陷入局部最优而导致自适应算法效果不佳。
下面以粒子群优化算法为例,介绍群智能优化算法在本发明中的使用方法,其他群智能优化算法与粒子群优化算法相似。
粒子群算法是群智能算法的一种,通过模拟鸟群飞行觅食的行为寻找最优解,具有调整参数少,简单易行,收敛速度快的特点。本发明通过将目标函数F(α,β,γ)设置为PSO算法的适应度函数,α,β,γ的取值组合作为PSO算法的粒子,快速寻找适应度最高的粒子,即使目标函数F最大的α,β,γ。PSO算法的优势在于简单,容易实现,无需梯度信息,参数少,可以有效地提高本发明的GIVE计算速度,提高电离层模型完好性监测的实时性。
应当理解,遗传算法或粒子群算法只是本发明为减少计算量,加快收敛,用更短时间寻找自适应系数α,β,γ的采用的一种方法,旨在便于加深对本发明的理解,不起任何限定作用。其他优化算法同样适用于本发明。
在一些实施方式中,步骤S4中每个穿刺点的采样点至少为10个,若不足10个则舍弃该穿刺点。
为了方便理解本发明的上述技术方案,以下通过具体实施例对本发明的上述技术方案进行详细说明。
实施例1
选取2014年3月16日欧洲定轨中心(Center for Orbit De-termination inEurope,CODE)发布的全球电离层格网模型(Global ionosphere map,GIM)作为待测评的电离层模型,卫星星座为单GPS星座,参考站为中国大陆构造环境监测网络(陆态网)的235个站。
由参考站的观测数据经过处理即可得到每个参考站与各个卫星之间穿刺点的电离层延迟观测值IIPP(t),利用GIM的电离层产品计算得到每个穿刺点的电离层延迟,将其作为计算值每30秒计算一次穿刺点电离层延迟残差,GIVE的更新间隔为900s,即一个更新间隔内误差序列的长度m=30,电离层模型完好性需求设置为99.9%。
分别在中国大陆中高纬度的北京地区以及低纬度的云南地区选取两个格网点,对应的坐标分别为(115°E,40°N),(100°E,25°N),作为电离层模型完好性的观测点,观测结果如图5和图6所示,不难看到,无论是在中高纬度地区还是在电离层更为活跃的低纬度地区,本发明的自适应算法得出的电离层模型完好性指标GIVE都能够实时反映GIM的电离层格网模型给出的格网点电离层延迟与真实的电离层延迟之间误差的大小,与此同时,还在满足完好性需求的前提下,准确地实现了对电离层模型误差限定,极大地提升了系统的可用性。
综上,本发明针对以往电离层模型完好性监测方法不能准确限定误差,不能反映真实电离层模型误差大小以及可用性差的问题,提出了一种自适应的电离层模型误差保护门限GIVE的计算方法,在保证完好性的条件下极大地提升了系统的可用性,同时还可以准确实时地反映当前电离层模型误差大小,在电离层异常监测以及高精度定位中,如PPP和长基线RTK,将有着广阔的应用前景。
以上所述仅为本发明的优选实施例而已,并不用于限制本发明,对于本领域的技术人员来说,本发明可以有各种更改和变化。凡在本发明的精神和原则之内,所作的任何修改、等同替换、改进等,均应包含在本发明的保护范围之内。
Claims (6)
1.一种自适应的电离层模型完好性监测方法,其特征在于,包括以下步骤:
S1:待评估的电离层模型产品提供每个电离层格网点即IGP垂直总电子含量即VTEC,对于每个穿刺点即IPP,利用其周围的4个格网点的垂直总电子含量,求得该穿刺点的电离层延迟计算值穿刺点均指地面参考站和卫星之间连线与电离层薄膜的交点;
S2:对于每个穿刺点,提取站星连线上的倾斜总电子含量即STEC,倾斜总电子含量通过倾斜因子转换为穿刺点的垂直总电子含量,即为穿刺点的电离层延迟观测值IIPP(t);
S3:步骤S1的穿刺点延迟由待评估模型计算得到,步骤S2中穿刺点延迟由地面参考站实际观测数据提取得到,通过步骤S2的观测值验证步骤S1的模型计算值,将穿刺点的观测值和计算值做差取绝对值,得到穿刺点的电离层模型延迟残差eIPP(t);
S6:若包含一个格网点的四个格网中至少三个格网含有至少一个延迟残差序列,则该点的格网点电离层垂直延迟误差由步骤S4和步骤S5的结果线性组合而成:
其中,α,β,γ分别为穿刺点延迟残差序列的均值穿刺点延迟残差序列的序列方差σe和格网点电离层延迟残差对应的自适应系数,GIVEα,β,γ为不同自适应系数取值组合α,β,γ对应的GIVE,继续执行步骤S7;
上述条件不成立,则该格网点的完好性指标格网点电离层垂直延迟误差未监测,算法结束;
S7:通过优化算法确定步骤S6中的自适应系数α,β,γ;
S8:将步骤S7得到的自适应系数α,β,γ带入公式(5),得到完好性评估指标格网点电离层垂直延迟误差。
3.根据权利要求1或2所述的一种自适应的电离层模型完好性监测方法,其特征在于,所述步骤S2中,通过Precise Point Positioning方法或者Geometry Free组合方法提取站星连线上的倾斜总电子含量,倾斜总电子含量通过倾斜因子转换为穿刺点的垂直总电子含量,即
VTEC=STEC·cosZ (9)
其中,Z是穿刺点上卫星的天顶距。
4.根据权利要求1或2所述的一种自适应的电离层模型完好性监测方法,其特征在于,所述步骤S7中的优化算法的目标函数为:
式(10)中,α,β,γ为目标函数的自变量,取值范围限定为[0,2),F为目标函数的因变量,IIGP为待评估的电离层模型提供的格网点电离层延迟,是由穿刺点电离层延迟观测值加权得到的格网点电离层延迟,即式(11);
Hausdorff距离的计算方法为:
其中,sup(supremum)和inf(infimum)分别表示上确界和下确界;
当α,β,γ的取值组合不满足完好性需求时,F的值设置为0。
5.根据权利要求1或2所述的一种自适应的电离层模型完好性监测方法,其特征在于,所述步骤S7中的优化算法为进化算法或群智能优化算法,其中,进化算法包括遗传算法,文化基因算法或量子进化算法,群智能优化算法包括粒子群优化算法,蚁群算法,人工蜂群算法,人工鱼群算法,混洗蛙跳算法,烟花算法,细菌觅食算法或萤火虫算法。
6.根据权利要求1所述的一种自适应的电离层模型完好性监测方法,其特征在于,所述步骤S4中每个穿刺点的采样点至少为10个,若不足10个则舍弃该穿刺点。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110553126.1A CN113376660B (zh) | 2021-05-20 | 2021-05-20 | 一种自适应的电离层模型完好性监测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110553126.1A CN113376660B (zh) | 2021-05-20 | 2021-05-20 | 一种自适应的电离层模型完好性监测方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN113376660A true CN113376660A (zh) | 2021-09-10 |
CN113376660B CN113376660B (zh) | 2022-10-18 |
Family
ID=77571410
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110553126.1A Active CN113376660B (zh) | 2021-05-20 | 2021-05-20 | 一种自适应的电离层模型完好性监测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113376660B (zh) |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103197340A (zh) * | 2013-04-01 | 2013-07-10 | 东南大学 | 一种格网化的电离层总电子含量实时监测方法 |
CN107146411A (zh) * | 2017-06-06 | 2017-09-08 | 成都信息工程大学 | 基于方势阱模型的量子行为粒子群优化方法 |
CN108169776A (zh) * | 2017-11-23 | 2018-06-15 | 中国科学院光电研究院 | 基于背景模型和实测数据的电离层延迟误差修正方法 |
CN108828626A (zh) * | 2018-07-02 | 2018-11-16 | 中国人民解放军战略支援部队信息工程大学 | 基于实时网格的网络rtk电离层延迟内插方法及系统 |
CN111708054A (zh) * | 2020-06-16 | 2020-09-25 | 沈阳航空航天大学 | 基于粒子群优化算法的araim垂直保护级优化方法 |
CN112802071A (zh) * | 2021-01-22 | 2021-05-14 | 北京农业智能装备技术研究中心 | 一种三维重建效果评价方法及系统 |
-
2021
- 2021-05-20 CN CN202110553126.1A patent/CN113376660B/zh active Active
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103197340A (zh) * | 2013-04-01 | 2013-07-10 | 东南大学 | 一种格网化的电离层总电子含量实时监测方法 |
CN107146411A (zh) * | 2017-06-06 | 2017-09-08 | 成都信息工程大学 | 基于方势阱模型的量子行为粒子群优化方法 |
CN108169776A (zh) * | 2017-11-23 | 2018-06-15 | 中国科学院光电研究院 | 基于背景模型和实测数据的电离层延迟误差修正方法 |
CN108828626A (zh) * | 2018-07-02 | 2018-11-16 | 中国人民解放军战略支援部队信息工程大学 | 基于实时网格的网络rtk电离层延迟内插方法及系统 |
CN111708054A (zh) * | 2020-06-16 | 2020-09-25 | 沈阳航空航天大学 | 基于粒子群优化算法的araim垂直保护级优化方法 |
CN112802071A (zh) * | 2021-01-22 | 2021-05-14 | 北京农业智能装备技术研究中心 | 一种三维重建效果评价方法及系统 |
Non-Patent Citations (4)
Title |
---|
刘琼: "智能优化算法及其应用研究", 《中国优秀硕士学位论文全文数据库 信息科技辑》 * |
吕吉方: "北斗星基增强系统的完好性分析与仿真", 《中国优秀硕士学位论文全文数据库 信息科技辑》 * |
秘金钟: "《GNSS完备性监测理论与应用》", 31 July 2012, 测绘出版社 * |
许超钤: "实时高精度对流层关键参量建模及其应用研究", 《中国博士学位论文全文数据库 基础科学辑》 * |
Also Published As
Publication number | Publication date |
---|---|
CN113376660B (zh) | 2022-10-18 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111080070A (zh) | 一种基于空间误差的城市土地利用模拟元胞自动机方法 | |
CN113496104A (zh) | 基于深度学习的降水预报订正方法及系统 | |
Ghaffari Razin et al. | Ionosphere time series modeling using adaptive neuro-fuzzy inference system and principal component analysis | |
EP2884413B1 (en) | Method for predicting wind power density | |
CN114493052B (zh) | 多模型融合自适应新能源功率预测方法和系统 | |
CN112488208B (zh) | 一种海岛支柱式绝缘子剩余寿命获取方法 | |
CN111797573A (zh) | 一种基于深度学习技术的电离层电子浓度总含量时序预测方法 | |
CN113255239B (zh) | 用于预测超高压输电线路杆塔覆冰厚度的深度学习方法 | |
CN114091756B (zh) | 一种基于泰森多边形的乡镇级海啸风险评估方法 | |
CN113222019A (zh) | 输电线路杆塔的气象预报数据处理方法、装置、设备 | |
Zhao et al. | Prediction of daily reference crop evapotranspiration in different Chinese climate zones: Combined application of key meteorological factors and Elman algorithm | |
CN115758074A (zh) | 基于多源数据的高空间分辨率海水二氧化碳分压重构方法 | |
CN115758876A (zh) | 一种风速和风向预报准确率方法、系统及计算机设备 | |
Koolagudi | Long-range prediction of Indian summer monsoon rainfall using data mining and statistical approaches | |
CN113376660B (zh) | 一种自适应的电离层模型完好性监测方法 | |
CN116050935B (zh) | 一种确定生物多样性优先保护地信息的方法及装置 | |
CN112488413A (zh) | 基于awa-drcn的人口空间化方法 | |
CN112085272A (zh) | 一种风功率预测方法 | |
Sillero | Modelling suitable areas for Hyla meridionalis under current and future hypothetical expansion scenarios | |
CN115345245A (zh) | 一种基于随机森林和迁移学习的热带气旋快速加强预报方法 | |
Tian et al. | Estimation model of global ionospheric irregularities: an artificial intelligence approach | |
Ye et al. | A quality control method based on an improved random forest algorithm for surface air temperature observations | |
Xia et al. | A Markov-Kalman model of land-use change prediction in XiuHe Basin, China | |
CN110727719A (zh) | 一种基于动力松弛逼近的闪电定位资料同化方法 | |
CN117315722B (zh) | 一种基于知识迁移剪枝模型的行人检测方法 |
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 | ||
GR01 | Patent grant | ||
GR01 | Patent grant |