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 PDF

Info

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
Application number
CN202210506598.6A
Other languages
English (en)
Other versions
CN114594507A (zh
Inventor
黄观文
李孟园
王乐
张勤
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Changan University
Original Assignee
Changan University
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Changan University filed Critical Changan University
Priority to CN202210506598.6A priority Critical patent/CN114594507B/zh
Publication of CN114594507A publication Critical patent/CN114594507A/zh
Application granted granted Critical
Publication of CN114594507B publication Critical patent/CN114594507B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

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

一种融合K-means和KNN的GNSS数据质量综合评估方法
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：
Figure DEST_PATH_IMAGE002
载波相位观测方程：
Figure DEST_PATH_IMAGE004
上式中，
Figure DEST_PATH_IMAGE006
为第
Figure DEST_PATH_IMAGE008
个频点上的伪距观测值，
Figure DEST_PATH_IMAGE010
为几何距离值，
Figure DEST_PATH_IMAGE012
为轨道误差，
Figure DEST_PATH_IMAGE014
为光速，
Figure DEST_PATH_IMAGE016
为卫星钟差，
Figure DEST_PATH_IMAGE018
为接收机钟差，
Figure DEST_PATH_IMAGE020
为第1个载波频率，
Figure DEST_PATH_IMAGE022
为第
Figure DEST_PATH_IMAGE023
个载波频率，
Figure DEST_PATH_IMAGE025
为第1个载波电离层延迟误差，
Figure DEST_PATH_IMAGE027
为对流层延迟误差，
Figure DEST_PATH_IMAGE029
为接收机码观测值的噪声和多路径效应的影响，
Figure DEST_PATH_IMAGE030
为第
Figure DEST_PATH_IMAGE031
个载波频率上的载波相位观测值，
Figure DEST_PATH_IMAGE033
为第
Figure 449764DEST_PATH_IMAGE008
个载波频率上的波长，
Figure DEST_PATH_IMAGE035
为整周模糊度，
Figure DEST_PATH_IMAGE037
为接收机载波相位观测的噪声和多路径效应；
S1-4、采用MW（Melbourne–Wübbena）组合观测量
Figure DEST_PATH_IMAGE039
和GF（Geometry-free）组合观测量
Figure DEST_PATH_IMAGE041
联合进行检测周跳，提取到发生周跳历元数据量，求得周跳比值，
其中，MW（Melbourne–Wübbena）组合观测量
Figure DEST_PATH_IMAGE042
计算公式为：
Figure DEST_PATH_IMAGE044
GF（Geometry-free）组合观测量
Figure DEST_PATH_IMAGE045
计算公式为：
Figure DEST_PATH_IMAGE047
其中：
Figure DEST_PATH_IMAGE049
为宽巷组合观测值，
Figure DEST_PATH_IMAGE051
和
Figure DEST_PATH_IMAGE053
为载波，
Figure DEST_PATH_IMAGE055
与
Figure DEST_PATH_IMAGE057
为卫星频率，
Figure DEST_PATH_IMAGE059
与
Figure DEST_PATH_IMAGE061
分别为载波
Figure DEST_PATH_IMAGE062
和
Figure DEST_PATH_IMAGE063
对应的波长，
Figure DEST_PATH_IMAGE065
与
Figure DEST_PATH_IMAGE067
分别为载波
Figure 616172DEST_PATH_IMAGE051
和
Figure DEST_PATH_IMAGE068
的观测值，
Figure DEST_PATH_IMAGE070
与
Figure DEST_PATH_IMAGE072
为分别为载波
Figure DEST_PATH_IMAGE073
和
Figure DEST_PATH_IMAGE074
的观伪距观测值，
Figure DEST_PATH_IMAGE076
为无几何组合观测值，
Figure DEST_PATH_IMAGE078
为电离层参数，
Figure DEST_PATH_IMAGE080
、
Figure DEST_PATH_IMAGE082
分别为载波
Figure 523473DEST_PATH_IMAGE051
和
Figure DEST_PATH_IMAGE083
的相位模糊度；
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：
Figure DEST_PATH_IMAGE085
式中，
Figure DEST_PATH_IMAGE087
为伪距多路径值，
Figure DEST_PATH_IMAGE089
为正向化伪距多路径值；
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：
Figure DEST_PATH_IMAGE091
其中，
Figure DEST_PATH_IMAGE093
为数据对象，
Figure DEST_PATH_IMAGE095
为所有观测数据指标的均值，
Figure DEST_PATH_IMAGE097
为所有观测数据指标的标准差，
Figure DEST_PATH_IMAGE099
为标准化处理后的数据。
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：
Figure DEST_PATH_IMAGE100
式中，
Figure DEST_PATH_IMAGE101
为数据质量对象，
Figure DEST_PATH_IMAGE102
为定位结果对象，
Figure DEST_PATH_IMAGE103
为数据质量对象
Figure DEST_PATH_IMAGE104
和定位结果对象
Figure DEST_PATH_IMAGE105
之间的距离，
Figure DEST_PATH_IMAGE106
为第
Figure DEST_PATH_IMAGE108
个数据质量对象，
Figure DEST_PATH_IMAGE110
为第
Figure 433529DEST_PATH_IMAGE108
个定位结果对象。
优选地，步骤S2-4中误差平方和计算公式为：
Figure DEST_PATH_IMAGE112
式中，
Figure DEST_PATH_IMAGE114
为误差平方和，
Figure DEST_PATH_IMAGE116
、
Figure DEST_PATH_IMAGE118
均表示数据对象，
Figure DEST_PATH_IMAGE120
表示簇的个数，
Figure DEST_PATH_IMAGE122
表示数据对象
Figure 903694DEST_PATH_IMAGE116
属于簇
Figure DEST_PATH_IMAGE124
，
Figure DEST_PATH_IMAGE126
表示数据对象
Figure DEST_PATH_IMAGE127
是簇
Figure DEST_PATH_IMAGE129
的质心。
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，
S1-4、采用MW组合观测量
Figure DEST_PATH_IMAGE130
和GF组合观测量
Figure DEST_PATH_IMAGE131
联合进行检测周跳，提取到发生周跳历元数据量，求得周跳比值；
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：
Figure DEST_PATH_IMAGE132
式中，
Figure 373159DEST_PATH_IMAGE087
为伪距多路径值，
Figure 374613DEST_PATH_IMAGE089
为正向化伪距多路径值，
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：
Figure DEST_PATH_IMAGE133
其中，
Figure DEST_PATH_IMAGE134
为数据对象，
Figure 42355DEST_PATH_IMAGE095
为所有观测数据指标的均值，
Figure DEST_PATH_IMAGE135
为所有观测数据指标的标准差，
Figure 180075DEST_PATH_IMAGE099
为标准化处理后的数据，
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：
Figure DEST_PATH_IMAGE136
式中，
Figure 907860DEST_PATH_IMAGE134
为数据质量对象，
Figure DEST_PATH_IMAGE137
为定位结果对象，
Figure DEST_PATH_IMAGE138
为数据质量对象
Figure DEST_PATH_IMAGE139
和定位结果对象
Figure DEST_PATH_IMAGE140
之间的距离，
Figure DEST_PATH_IMAGE141
为第
Figure 583561DEST_PATH_IMAGE108
个数据质量对象，
Figure DEST_PATH_IMAGE142
为第
Figure 789414DEST_PATH_IMAGE108
个定位结果对象，
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：
Figure 47220DEST_PATH_IMAGE112
式中，
Figure DEST_PATH_IMAGE143
为误差平方和，
Figure 460753DEST_PATH_IMAGE116
、
Figure 436799DEST_PATH_IMAGE118
均表示数据对象，
Figure 446343DEST_PATH_IMAGE120
表示簇的个数，
Figure 89814DEST_PATH_IMAGE122
表示数据对象
Figure 159402DEST_PATH_IMAGE116
属于簇
Figure 622744DEST_PATH_IMAGE124
，
Figure DEST_PATH_IMAGE144
表示数据对象
Figure 170400DEST_PATH_IMAGE127
是簇
Figure 668377DEST_PATH_IMAGE129
的质心；
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：
Figure 174445DEST_PATH_IMAGE100
式中，
Figure 108772DEST_PATH_IMAGE134
为数据质量对象，
Figure 725698DEST_PATH_IMAGE102
为定位结果对象，
Figure 78182DEST_PATH_IMAGE138
为数据质量对象
Figure 755151DEST_PATH_IMAGE139
和定位结果对象
Figure DEST_PATH_IMAGE145
之间的距离，
Figure DEST_PATH_IMAGE146
为第
Figure 396348DEST_PATH_IMAGE108
个数据质量对象，
Figure 816965DEST_PATH_IMAGE110
为第
Figure 23955DEST_PATH_IMAGE108
个定位结果对象，
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，
S1-4、采用MW组合观测量
Figure DEST_PATH_IMAGE001
和GF组合观测量
Figure 740248DEST_PATH_IMAGE002
联合进行检测周跳，提取到发生周 跳历元数据量，求得周跳比值；
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。
4.如权利要求3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S2-1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：
Figure DEST_PATH_IMAGE003
式中，
Figure 198518DEST_PATH_IMAGE004
为伪距多路径值，
Figure DEST_PATH_IMAGE005
为正向化伪距多路径值；
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：
Figure 942483DEST_PATH_IMAGE006
其中，
Figure DEST_PATH_IMAGE007
为数据质量对象，
Figure 54795DEST_PATH_IMAGE008
为所有观测数据指标的均值，
Figure DEST_PATH_IMAGE009
为所有观测数据指标的 标准差，
Figure 124383DEST_PATH_IMAGE010
为标准化处理后的数据。
5.如权利要求4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S2-3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：
Figure DEST_PATH_IMAGE011
式中，
Figure 571413DEST_PATH_IMAGE012
为数据质量对象，
Figure DEST_PATH_IMAGE013
为定位结果对象，
Figure 384649DEST_PATH_IMAGE014
为数据质量对象
Figure DEST_PATH_IMAGE015
和定位结 果对象
Figure 351468DEST_PATH_IMAGE016
之间的距离，
Figure DEST_PATH_IMAGE017
为第
Figure 591956DEST_PATH_IMAGE018
个数据质量对象，
Figure DEST_PATH_IMAGE019
为第
Figure 277015DEST_PATH_IMAGE018
个定位结果对象。
6.如权利要求4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S2-4中误差平方和计算公式为：
Figure 893941DEST_PATH_IMAGE020
式中，
Figure 731579DEST_PATH_IMAGE021
为误差平方和，
Figure 674127DEST_PATH_IMAGE022
、
Figure 846482DEST_PATH_IMAGE023
均表示数据对象，
Figure 1520DEST_PATH_IMAGE024
表示簇的个数，
Figure 208510DEST_PATH_IMAGE025
表 示数据对象
Figure 321960DEST_PATH_IMAGE022
属于簇
Figure 981611DEST_PATH_IMAGE026
，
Figure 940340DEST_PATH_IMAGE027
表示数据对象
Figure DEST_PATH_IMAGE028
是簇
Figure 470679DEST_PATH_IMAGE029
的质心。
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。
CN202210506598.6A 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 Active CN114594507B (zh)

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)

* Cited by examiner, † Cited by third party
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)

* Cited by examiner, † Cited by third party
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)

* Cited by examiner, † Cited by third party
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

Patent Citations (1)

* Cited by examiner, † Cited by third party
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