CN114594507B - 一种融合K-means和KNN的GNSS数据质量综合评估方法 - Google Patents
一种融合K-means和KNN的GNSS数据质量综合评估方法 Download PDFInfo
- Publication number
- CN114594507B CN114594507B CN202210506598.6A CN202210506598A CN114594507B CN 114594507 B CN114594507 B CN 114594507B CN 202210506598 A CN202210506598 A CN 202210506598A CN 114594507 B CN114594507 B CN 114594507B
- Authority
- CN
- China
- Prior art keywords
- data
- gnss
- observation
- comprehensive evaluation
- value
- 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
- G01S19/42—Determining position
- G01S19/43—Determining position using carrier phase measurements, e.g. kinematic positioning; using long or short baseline interferometry
- G01S19/44—Carrier phase ambiguity resolution; Floating ambiguity; LAMBDA [Least-squares AMBiguity Decorrelation Adjustment] method
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/23—Clustering techniques
- G06F18/232—Non-hierarchical techniques
- G06F18/2321—Non-hierarchical techniques using statistics or function optimisation, e.g. modelling of probability density functions
- G06F18/23213—Non-hierarchical techniques using statistics or function optimisation, e.g. modelling of probability density functions with fixed number of clusters, e.g. K-means clustering
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
- G06F18/2413—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on distances to training or reference patterns
- G06F18/24147—Distances to closest patterns, e.g. nearest neighbour classification
Abstract
本发明提供了一种融合K‑means和KNN的GNSS数据质量综合评估方法,属于GNSS数据处理技术领域。综合评估方法采用全球密集GNSS监测网观测数据并进行数据预处理,得到数据完整率、信噪比值、伪距多路径值和周跳比值,构建样本数据集,通过K‑means算法对样本集进行非监督聚类分析,再将每一类数据的PPP定位结果均值作为定位精度特征后进行排序,得到定位精度特征标签,最后构建GNSS数据质量综合评估模型。本发明解决了现有GNSS数据质量评估缺少明确标准的问题,有效地实现GNSS数据质量的自动评估分类并得出高质量的观测数据,对导航定位精度的提高有重要作用。
Description
技术领域
本发明涉及GNSS数据处理技术领域,具体是涉及一种融合K-means和KNN的GNSS数据质量综合评估方法。
背景技术
全球卫星导航系统(Global Navigation Satellite Systems,GNSS)因具有精度高、覆盖范围广、全天候连续监测等优点,其在GNSS数据质量分析与评估中得到广泛应用。并且随着GPS、GLONASS、BDS、Galileo等全球导航卫星系统快速发展及地面GNSS跟踪站的不断增多,GNSS观测数据的精度和可靠性得到了不断提高。但是受限于GNSS数据质量评估指标繁多,目前公开站有十万以上,基于海量的开放的数据源,如何高效的选择与处理如此多的导航卫星数据以获得最优最快的定位结果,是目前实现多模多频快速定位必须解决的问题。基于GPS、Galileo、BDS和GLONASS各系统的开源数据,研究多模多频GNSS数据质量综合评估的理论与方法,建立GNSS数据质量综合评估模型,形成数据质量综合评估体系,对于扩展GNSS系统的应用领域,挖掘其应用潜力有着重要的现实意义。并将此应用到实际的工程应用中,将更大程度的发挥GNSS定位的优势。
数据质量的好坏直接影响到GNSS导航定位精度的高低,完善的数据质量评估体系可以反映测站观测环境、接收机性能、信号传播误差以及卫星可用性等多个方面。一般地,观测数据质量分析的指标主要包括以下几个方面:①数据完整率;②周跳;③多路径误差;④电离层延迟影响;⑤载噪比;⑥伪距和载波相位噪声;⑦卫星高度角和方位角;⑧几何精度因子。近年来,GNSS导航与定位理论不断完善,围绕GNSS卫星导航系统的建设与发展,许多学者对GNSS卫星质量控制做了大量研究。但是业界基于GNSS多项指标信息进行综合评估的研究较少,现有评估方法不能从整体上反映观测数据的质量情况。
缺少标准化的数据质量评判标准和规范化的数据质量评价体系以及缺少综合打分与PNT服务相关性的验证,从而不能直观有效的判别卫星导航数据是否可用。采用客观、合理的评价方法定量分析GNSS数据质量综合水平,揭示其变化趋势,并进一步分析指标间的相关性,对北斗卫星的发展有重要的实际意义,且形成的新算法也将为GNSS技术在其他领域的应用提供新的研究方法与思路。
综上所述,现有技术存在的问题是:
(1)缺少标准化的数据质量评判标准和规范化的数据质量评价体系以及缺少综合评估与PNT服务相关性的验证,从而不能直观有效的判别卫星导航数据是否可用;
(2)缺少客观、合理的评价方法定量分析GNSS数据质量综合水平,揭示其变化趋势,并分析数据质量指标间的相关性。
解决上述技术问题的难度在于:
现有GNSS数据质量评估缺少明确的标准,GNSS数据质量指标较多,如何选取具有代表性的数据质量指标进行综合评估,以及指标的无量纲归一化。此外,现阶段没有可靠全面的方法进行GNSS数据质量综合评估。
发明内容
针对现有技术存在的问题,本发明提供了一种基于K-means和KNN的GNSS数据综合评估方法。
为解决上述问题,本发明的技术方案如下:
一种基于K-means和KNN的GNSS数据综合评估方法,包括以下步骤:
S1、选取全球密集GNSS监测网观测数据,对观测数据进行数据预处理,得到观测数据的数据完整率、信噪比值、伪距多路径值和周跳比值并构建样本数据集,观测数据的数据完整率、信噪比值、伪距多路径值和周跳比值的确定方法为:
S1-1、利用实际观测数据的历元总数和理论观测历元总数,获得观测数据对应各测站的GPS(Global Positioning System)、GLONASSI(global navigation satellitesystem)、BDS(BeiDou Navigation Satellite System)、Galileo(Galileo navigationsatellite system)系统中各卫星所有频点的数据完整率,
S1-2、利用各测站提供的RINEX(The Receiver Independent Exchange Format)观测文件,获得观测数据对应各测站的GNSS系统各卫星所有频点的信噪比值,
S1-3、基于观测数据,对伪距观测方程和载波相位观测方程进行组合,消除对流层和电离层延迟,求得伪距多路径值,
其中,伪距观测方程为:
载波相位观测方程:
上式中,为第个频点上的伪距观测值,为几何距离值,为轨道误差,为光速,为卫星钟差,为接收机钟差,为第1个载波频率,为第个载波频率,为第1个载波电离层延迟误差,为对流层延迟误差,为接收机码观测值的噪声和多路径效应的影响,为第个载波频率上的载波相位观测值,为第个载波频率上的波长,为整周模糊度,为接收机载波相位观测的噪声和多路径效应;
S2、通过K-means算法对样本数据集进行非监督聚类分析,得到经过分类的数据集,经过分类的数据集包括多个聚类,每个聚类对应的分类标签记为Lab1;
S3、基于轨道和钟差产品求得PPP定位结果,将K-means算法聚类分析结果中每一类数据的PPP定位结果均值作为定位精度特征,并将定位精度特征按照从大到小的顺序进行排序,得到定位精度特征标签,记为Lab2,并采用Lab2替换Lab1;
S4、基于样本数据集和KNN算法构建GNSS数据质量综合评估模型,得到GNSS观测数据测站的分类结果;
S5、对GNSS数据质量综合评估模型准确率进行验证。
其中,钟差产品主要包括北斗、GPS和GLONASS系统的事后精密产品,快速产品,K-means算法也叫K均值算法,KNN(K-Nearest Neighbor)算法也叫K近邻算法,PPP(precisepoint positioning)为精密单点定位。
进一步地,步骤S1中选取全球密集GNSS监测网观测数据时,观测数据的采样率为30s,卫星截止高度角为10°。
进一步地,步骤S2具体包括以下步骤:
S2-1、采用Z-score(standard score,标准分数)标准化方法对观测数据进行质量指标计算,得到质量指标无量纲归一化数据集;
S2-2、从质量指标无量纲归一化数据集中随机选取k个数据对象作为初始聚类质心;
S2-3、计算剩余数据对象与各个簇中聚类质心的欧氏距离,并依据最小距离将剩余数据分配到相应的簇,并将所有簇的平均值作为下一次迭代的聚类质心;
S2-4、重复步骤S2-2及步骤S2-3,直至误差平方和局部最小,最终得到分类标签Lab1。
更进一步地,步骤S2-1中质量指标无量纲归一化数据集的确定方法为:
S2-1-1、基于倒数逆变换法对观测数据中各频点的伪距多路径值取倒数得到正向化伪距多路径值,转换公式为:
S2-1-2、基于Z-score标准化方法对观测数据的数据完整率、信噪比、伪距多路径值、周跳比均值和标准差进行数据标准化处理,经过处理的数据符合标准正态分布,转化函数为:
优选地,步骤S2-3中剩余数据对象与各个簇中聚类质心的欧氏距离计算公式为:
优选地,步骤S2-4中误差平方和计算公式为:
优选地,步骤S3具体包括以下步骤:
S3-1、采用伪距多路径值和载波观测值同时利用精密钟差与轨道产品,通过插值获取精密的轨道与钟差信息,组建解算法方程并采用序贯最小二乘法进行解算,获得PPP定位结果;
S3-2、步骤S2得到的各聚类分别累计聚类所有元素的PPP定位结果并计算均值,基于该均值排序生成定位精度特征标签,记为Lab2,并采用Lab2替换Lab1。
优选地,步骤S4中,GNSS数据质量综合评估模型的构建方法为:
S4-1、通过欧式距离公式得出待分类样本点与各个训练样本点之间的距离值;
S4-2、将待分类样本点与各个训练样本点之间的距离值按顺序进行排列,选取出M个最近邻的距离值,M个距离值中所占比例最高的类别即为预测类别;
S4-3、建立GNSS数据质量综合评估模型。
进一步优选地,步骤S5具体包括以下步骤:
S5-1、选取全球MGEX(Multi-GNSS Experiment)测站,根据获得的全球分布的监测站的分类情况,分析观测数据的数据完整率、信噪比值、伪距多路径值和周跳比值之间的相关性;
S5-2、采用n折交叉验证对GNSS数据质量综合评估模型进行验证,具体包括以下步骤:
S5-2-1、将样本数据集均分为n个部分,并保持每一部分中的类比例与样本数据集中的类比例一致,
S5-2-2、将每个部分轮流作为测试数据集,其余n-1个部分作为训练数据集,共对GNSS数据质量综合评估模型进行n次学习,每次得出对应学习结果的分类正确率,最后将n个分类正确率进行平均计算得到分类正确率均值,作为GNSS数据质量综合评估模型的最终分类正确率。
本发明的另一目的在于提供一种实施GNSS数据质量综合评估构建系统的理论方法。
本发明的另一目的在于提供一种实现GNSS数据质量综合评估数据处理终端。
本发明的另一目的在于提供一种计算机可读存储介质,包括指令,当其在计算机上运行时,使得计算机执行GNSS数据质量综合评估方法。
本发明的有益效果是:
(1)本发明以现有的GPS、BDS、GLONASS和Galileo系统作为参考,融合K-means和KNN方法首次对四系统GNSS数据质量进行综合评估;
(2)本发明采用GNSS观测数据提取的数据完整率、信噪比、伪距多路径和周跳比指标,计算PPP定位结果,分析GNSS数据质量指标之间的相关性;
(3)本发明采用K-means方法对无量纲归一化之后的数据指标进行聚类,采用n折交叉的方法通过计算待分类的新样本和训练样本之间的距离进行分类。
附图说明
图1是实施例1的基于K-means和KNN的GNSS数据质量综合评估方法流程图;
图2是实施例1中步骤S2的方法流程图;
图3是实施例1中步骤S3的方法流程图。
具体实施方式
为了使本发明的目的、技术方案和优点更加清楚,下面将结合附图对本发明作进一步地详细描述,显然,所描述的实施例仅仅是本发明一部分实施例,而不是全部的实施例。基于本发明中的实施例,本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其它实施例,都属于本发明保护的范围。
在本发明实施例中使用的术语是仅仅出于描述特定实施例的目的,而非旨在限制本发明。在本发明实施例和所附权利要求书中所使用的单数形式的“一种”、“所述”和“该”也旨在包括多数形式,除非上下文清楚地表示其他含义,“多种”一般包含至少两种。
实施例1
本实施例为一种融合K-means和KNN的GNSS数据质量综合评估方法,如图1所示,包括以下步骤:
S1、选取全球密集GNSS监测网观测数据,观测数据的采样率为30s,卫星截止高度角为10°,对观测数据进行数据预处理,得到观测数据的数据完整率、信噪比值、伪距多路径值和周跳比值并构建样本数据集,观测数据的数据完整率、信噪比值、伪距多路径值和周跳比值的确定方法为:
S1-1、利用实际观测数据的历元总数和理论观测历元总数,获得观测数据对应各测站的GPS、GLONASS、BDS、Galileo系统中各卫星所有频点的数据完整率,
S1-2、利用各测站提供的RINEX观测文件,获得观测数据对应各测站的GNSS系统各卫星所有频点的信噪比值,
S1-3、基于观测数据,对伪距观测方程和载波相位观测方程进行组合,消除对流层和电离层延迟,求得伪距多路径值,
S2、通过K-means算法对样本数据集进行非监督聚类分析,得到经过分类的数据集,经过分类的数据集包括多个聚类,每个聚类对应的分类标签记为Lab1,如图2所示,具体包括以下步骤:
S2-1、采用Z-score标准化方法对观测数据进行质量指标计算,得到质量指标无量纲归一化数据集,质量指标无量纲归一化数据集的确定方法为:
S2-1-1、基于倒数逆变换法对观测数据中各频点的伪距多路径值取倒数得到正向化伪距多路径值,转换公式为:
S2-1-2、基于Z-score标准化方法对观测数据的数据完整率、信噪比、伪距多路径值、周跳比均值和标准差进行数据标准化处理,经过处理的数据符合标准正态分布,转化函数为:
S2-2、从质量指标无量纲归一化数据集中随机选取k个数据对象作为初始聚类质心,
S2-3、计算剩余数据对象与各个簇中聚类质心的欧氏距离,并依据最小距离将剩余数据分配到相应的簇,并将所有簇的平均值作为下一次迭代的聚类质心,剩余数据对象与各个簇中聚类质心的欧氏距离计算公式为:
S2-4、重复步骤S2-2及步骤S2-3,直至误差平方和局部最小,最终得到分类标签Lab1,误差平方和计算公式为:
S3、基于轨道和钟差产品求得PPP定位结果,将K-means算法聚类分析结果中每一类数据的PPP定位结果均值作为定位精度特征,并将定位精度特征按照从大到小的顺序进行排序,得到定位精度特征标签,记为Lab2,并采用Lab2替换Lab1,如图3所示,具体包括以下步骤:
S3-1、采用伪距多路径值和载波观测值同时利用精密钟差与轨道产品,通过插值获取精密的轨道与钟差信息,组建解算法方程并采用序贯最小二乘法进行解算,获得PPP定位结果,
S3-2、步骤S2得到的各聚类分别累计聚类所有元素的PPP定位结果并计算均值,基于该均值排序生成定位精度特征标签,记为Lab2,并采用Lab2替换Lab1;
S4、基于样本数据集和KNN算法构建GNSS数据质量综合评估模型,得到GNSS观测数据测站的分类结果,GNSS数据质量综合评估模型的构建方法为:
S4-1、通过欧式距离公式得出待分类样本点与各个训练样本点之间的距离值,欧氏距离计算公式为:
S4-2、将待分类样本点与各个训练样本点之间的距离值按顺序进行排列,选取出M个最近邻的距离值,M个距离值中所占比例最高的类别即为预测类别,
S4-3、建立GNSS数据质量综合评估模型;
S5、对GNSS数据质量综合评估模型准确率进行验证,具体包括以下步骤:
S5-1、选取全球MGEX测站,根据获得的全球分布的监测站的分类情况,分析观测数据的数据完整率、信噪比值、伪距多路径值和周跳比值之间的相关性,
S5-2、采用10折交叉验证对GNSS数据质量综合评估模型进行验证,具体包括以下步骤:
S5-2-1、将样本数据集均分为10个部分,并保持每一部分中的类比例与样本数据集中的类比例一致,
S5-2-2、将每个部分轮流作为测试数据集,其余9个部分作为训练数据集,共对GNSS数据质量综合评估模型进行10次学习,每次得出对应学习结果的分类正确率,最后将10个分类正确率进行平均计算得到分类正确率均值,作为GNSS数据质量综合评估模型的最终分类正确率。
Claims (9)
1.一种融合K-means和KNN的GNSS数据质量综合评估方法,其特征在于,包括以下步骤:
S1、选取全球密集GNSS监测网观测数据,对观测数据进行数据预处理,得到观测数据的数据完整率、信噪比值、伪距多路径值和周跳比值并构建样本数据集,观测数据的数据完整率、信噪比值、伪距多路径值和周跳比值的确定方法为:
S1-1、利用实际观测数据的历元总数和理论观测历元总数,获得观测数据对应各测站的GPS、GLONASS、BDS、Galileo系统中各卫星所有频点的数据完整率,
S1-2、利用各测站提供的RINEX观测文件,获得观测数据对应各测站的GNSS系统各卫星所有频点的信噪比值,
S1-3、基于观测数据,对伪距观测方程和载波相位观测方程进行组合,消除对流层和电离层延迟,求得伪距多路径值,
S2、通过K-means算法对样本数据集进行非监督聚类分析,得到经过分类的数据集,所述经过分类的数据集包括多个聚类,每个聚类对应的分类标签记为Lab1;
S3、基于轨道和钟差产品求得PPP定位结果,将K-means算法聚类分析结果中每一类数据的PPP定位结果均值作为定位精度特征,并将定位精度特征按照从大到小的顺序进行排序,得到定位精度特征标签,记为Lab2,并采用所述Lab2替换所述Lab1;
S4、基于样本数据集和KNN算法构建GNSS数据质量综合评估模型,得到GNSS观测数据测站的分类结果;
S5、对GNSS数据质量综合评估模型准确率进行验证。
2.如权利要求1所述的一种融合K-means和KNN的GNSS数据质量综合评估方法,其特征在于,所述步骤S1中选取全球密集GNSS监测网观测数据时,观测数据的采样率为30s,卫星截止高度角为10°。
3.如权利要求1所述的一种融合K-means和KNN的GNSS数据质量综合评估方法,其特征在于,所述步骤S2具体包括以下步骤:
S2-1、采用Z-score标准化方法对观测数据进行质量指标计算,得到质量指标无量纲归一化数据集;
S2-2、从质量指标无量纲归一化数据集中随机选取k个数据对象作为初始聚类质心;
S2-3、计算剩余数据对象与各个聚类中聚类质心的欧氏距离,并依据最小距离将剩余数据分配到相应的聚类,并将所有聚类的平均值作为下一次迭代的聚类质心;
S2-4、重复步骤S2-2及步骤S2-3,直至误差平方和局部最小,最终得到分类标签Lab1。
7.如权利要求1所述的一种融合K-means和KNN的GNSS数据质量综合评估方法,其特征在于,所述步骤S3具体包括以下步骤:
S3-1、采用伪距多路径值和载波观测值同时利用精密钟差与轨道产品,通过插值获取精密的轨道与钟差信息,组建解算法方程并采用序贯最小二乘法进行解算,获得PPP定位结果;
S3-2、步骤S2得到的各聚类分别累计聚类所有元素的PPP定位结果并计算均值,基于该均值排序生成定位精度特征标签,记为Lab2,并采用所述Lab2替换所述Lab1。
8.如权利要求1所述的一种融合K-means和KNN的GNSS数据质量综合评估方法,其特征在于,所述步骤S4中,GNSS数据质量综合评估模型的构建方法为:
S4-1、通过欧式距离公式得出待分类样本点与各个训练样本点之间的距离值;
S4-2、将待分类样本点与各个训练样本点之间的距离值按顺序进行排列,选取出M个最近邻的距离值,M个距离值中所占比例最高的类别即为预测类别;
S4-3、建立GNSS数据质量综合评估模型。
9.如权利要求1所述的一种融合K-means和KNN的GNSS数据质量综合评估方法,其特征在于,所述步骤S5具体包括以下步骤:
S5-1、选取全球MGEX测站,根据获得的全球分布的监测站的分类情况,分析观测数据的数据完整率、信噪比值、伪距多路径值和周跳比值之间的相关性;
S5-2、采用n折交叉验证对GNSS数据质量综合评估模型进行验证,具体包括以下步骤:
S5-2-1、将样本数据集均分为n个部分,并保持每一部分中的类比例与样本数据集中的类比例一致,
S5-2-2、将每个部分轮流作为测试数据集,其余n-1个部分作为训练数据集,共对GNSS数据质量综合评估模型进行n次学习,每次得出对应学习结果的分类正确率,最后将n个分类正确率进行平均计算得到分类正确率均值,作为GNSS数据质量综合评估模型的最终分类正确率。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210506598.6A CN114594507B (zh) | 2022-05-11 | 2022-05-11 | 一种融合K-means和KNN的GNSS数据质量综合评估方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210506598.6A CN114594507B (zh) | 2022-05-11 | 2022-05-11 | 一种融合K-means和KNN的GNSS数据质量综合评估方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN114594507A CN114594507A (zh) | 2022-06-07 |
CN114594507B true CN114594507B (zh) | 2022-07-29 |
Family
ID=81813552
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202210506598.6A Active CN114594507B (zh) | 2022-05-11 | 2022-05-11 | 一种融合K-means和KNN的GNSS数据质量综合评估方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN114594507B (zh) |
Families Citing this family (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116299615B (zh) * | 2022-12-15 | 2023-11-03 | 长安大学 | 一种实现单北斗实时ppp模糊固定的相位偏差估计方法 |
CN115861672B (zh) * | 2022-12-20 | 2023-09-19 | 中南大学 | 一种基于图像特征联合分布的泡沫浮选运行性能评估方法 |
CN116582174B (zh) * | 2023-07-13 | 2023-11-21 | 武汉能钠智能装备技术股份有限公司四川省成都市分公司 | 一种卫星信号态势可视化方法及系统 |
Citations (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114355418A (zh) * | 2021-12-07 | 2022-04-15 | 中国科学院国家授时中心 | 基于北斗地基增强系统的事后数据质量评估方法和系统 |
Family Cites Families (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103076618B (zh) * | 2012-12-26 | 2014-10-08 | 北京空间飞行器总体设计部 | 一种星载测量型gnss接收机地面验证和性能评测方法 |
CN109001786B (zh) * | 2018-06-04 | 2020-06-16 | 北京未来导航科技有限公司 | 一种基于导航卫星和低轨增强卫星的定位方法和系统 |
CN112731496B (zh) * | 2020-12-07 | 2023-06-06 | 中国科学院空天信息创新研究院 | 一种面向智能终端的gnss精密单点定位数据质量控制方法 |
CN113281786B (zh) * | 2021-06-02 | 2022-05-10 | 中国电子科技集团公司第五十四研究所 | 全空域多级触发式gnss空间信号质量监测评估方法 |
-
2022
- 2022-05-11 CN CN202210506598.6A patent/CN114594507B/zh active Active
Patent Citations (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114355418A (zh) * | 2021-12-07 | 2022-04-15 | 中国科学院国家授时中心 | 基于北斗地基增强系统的事后数据质量评估方法和系统 |
Also Published As
Publication number | Publication date |
---|---|
CN114594507A (zh) | 2022-06-07 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN114594507B (zh) | 一种融合K-means和KNN的GNSS数据质量综合评估方法 | |
CN108508461B (zh) | 基于gnss载波相位高精度定位完好性监测方法 | |
CN101799524B (zh) | 全球导航卫星系统接收机自主完备性监测的方法 | |
Chen et al. | Improved robust TOA-based localization via NLOS balancing parameter estimation | |
Farrell et al. | Differential GPS reference station algorithm-design and analysis | |
CN108919321B (zh) | 一种基于尝试法的gnss定位粗差探测方法 | |
CN107942346B (zh) | 一种高精度gnss电离层tec观测值提取方法 | |
CN105158783A (zh) | 一种实时动态差分定位方法及其设备 | |
CN107505642B (zh) | 一种ins辅助的实时bds单频周跳探测方法 | |
CN102288978A (zh) | 一种cors基站周跳探测与修复方法 | |
CN103293550B (zh) | 利用单频gnss接收机的实时高精度地震形变监测方法 | |
CN102998681A (zh) | 一种卫星导航系统的高频钟差估计方法 | |
CN104181561A (zh) | 一种接收机和卫星定位及测速方法 | |
CN106353778A (zh) | 一种导航终端的精度验证系统及方法 | |
CN108387169A (zh) | 一种基于实时大气产品的gnss形变监测系统 | |
CN103592657A (zh) | 一种基于钟差辅助的低可见星下单模raim实现方法 | |
Zhang et al. | GNSS shadow matching based on intelligent LOS/NLOS classifier | |
CN105388496A (zh) | 基于gps的交通应用脆弱性检测系统及其方法 | |
Angrisano et al. | A resampling strategy based on bootstrap to reduce the effect of large blunders in GPS absolute positioning | |
CN115291255A (zh) | 一种适用于车载端的分布式gnss异常监测方法 | |
CN115420284A (zh) | 一种组合导航系统故障检测与识别方法 | |
Lee et al. | Generation of Klobuchar ionospheric error model coefficients using Fourier series and accuracy analysis | |
CN115616637A (zh) | 一种基于三维格网多径建模的城市复杂环境导航定位方法 | |
Weng et al. | Characterization and mitigation of urban GNSS multipath effects on smartphones | |
Yin et al. | Modelling and assessment of Galileo and Galileo/GPS velocity determination with stand-alone receiver |
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 |