CN115343728A - 一种基于卫星通信基站的对流层湿延迟精度计算系统 - Google Patents
一种基于卫星通信基站的对流层湿延迟精度计算系统 Download PDFInfo
- Publication number
- CN115343728A CN115343728A CN202210982973.4A CN202210982973A CN115343728A CN 115343728 A CN115343728 A CN 115343728A CN 202210982973 A CN202210982973 A CN 202210982973A CN 115343728 A CN115343728 A CN 115343728A
- Authority
- CN
- China
- Prior art keywords
- base station
- data
- wet delay
- neural network
- basic data
- 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.)
- Pending
Links
- 238000004364 calculation method Methods 0.000 title claims abstract description 36
- 238000004891 communication Methods 0.000 title claims abstract description 28
- 239000005436 troposphere Substances 0.000 title claims abstract description 24
- 238000003062 neural network model Methods 0.000 claims abstract description 25
- 238000013480 data collection Methods 0.000 claims abstract description 11
- 238000012544 monitoring process Methods 0.000 claims abstract description 11
- 238000000034 method Methods 0.000 claims abstract description 6
- 230000008859 change Effects 0.000 claims description 15
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Chemical compound O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 claims description 14
- 230000001133 acceleration Effects 0.000 claims description 6
- 238000010606 normalization Methods 0.000 claims description 6
- 238000013528 artificial neural network Methods 0.000 claims description 3
- 238000010276 construction Methods 0.000 claims description 3
- 230000005484 gravity Effects 0.000 claims description 3
- 238000009499 grossing Methods 0.000 description 5
- 238000012937 correction Methods 0.000 description 3
- 238000007689 inspection Methods 0.000 description 3
- 238000012545 processing Methods 0.000 description 3
- 230000009286 beneficial effect Effects 0.000 description 2
- 238000013461 design Methods 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 238000005183 dynamical system Methods 0.000 description 1
- 238000002474 experimental method Methods 0.000 description 1
- 230000006870 function Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000005457 optimization Methods 0.000 description 1
- 230000008569 process Effects 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 238000012549 training Methods 0.000 description 1
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
-
- 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
- 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
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01W—METEOROLOGY
- G01W1/00—Meteorology
- G01W1/10—Devices for predicting weather conditions
-
- 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)
- Radar, Positioning & Navigation (AREA)
- Remote Sensing (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Computer Networks & Wireless Communication (AREA)
- Environmental & Geological Engineering (AREA)
- Life Sciences & Earth Sciences (AREA)
- Theoretical Computer Science (AREA)
- Health & Medical Sciences (AREA)
- Evolutionary Computation (AREA)
- Ecology (AREA)
- Biodiversity & Conservation Biology (AREA)
- Artificial Intelligence (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Data Mining & Analysis (AREA)
- Environmental Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Atmospheric Sciences (AREA)
- Mobile Radio Communication Systems (AREA)
Abstract
本申请公开了一种基于卫星通信基站的对流层湿延迟精度计算系统,包括:基站监测子系统、数据收集模块和计算模块;基站监测子系统用于采集不同地区的对流层湿延迟估计值和基础数据;数据收集模块用于收集估计值和基础数据,并进行汇总,得到不同地区估计值数据集和基础数据集;计算模块用于建立基站格网模型和BP神经网络模型,并基于基站格网模型和BP神经网络模型进行湿延迟精度计算,得到计算结果。本申请通过采集不同地区基站的湿延迟估计值和基础数据,通过建模对湿延迟估计值进行补偿,得到准确度更高的补偿值,并通过BP神经网络模型对补偿值和基础数据进行处理,使得到的最终结果更加精确。
Description
技术领域
本申请涉及数据处理领域,具体涉及一种基于卫星通信基站的对流层湿延迟精度计算系统。
背景技术
对流层湿延迟是由大气中的水汽所引起的,由于水汽分布的不均匀性以及随时间变化的相关性,从而使现有的对流层湿延迟模型改正精度不高,成为影响长距离高精度GPS定位以及进行天气预报、天气变化研究的主要因素。
目前常用对流层延迟改正模型包括基于气象参数的经验模型和多项式拟合模型,然而,这些对流层延迟改正模型存在各种各样的缺点。
BP神经网络模型属于自适应非线性动力学系统,它具有学习、记忆、计算和智能处理功能,特别是在处理一些复杂的非线性问题上,有着其独特的优势。
发明内容
本申请提供了一种基于卫星通信基站的对流层湿延迟精度计算系统,通过采集不同地区基站的湿延迟估计值和基础数据,通过建模对湿延迟估计值进行补偿,再基于补偿值和基础数据建立BP神经网络模型,计算得出结果。
为达到上述目的,本申请提供了以下方案:
一种基于卫星通信基站的对流层湿延迟精度计算系统,包括:基站监测子系统、数据收集模块和计算模块;
所述基站监测子系统用于采集不同地区的对流层湿延迟估计值和基础数据;
所述数据收集模块用于收集所述估计值和所述基础数据,并进行汇总,得到不同地区估计值数据集和基础数据集;
所述计算模块用于建立基站格网模型和BP神经网络模型,并基于所述基站格网模型和所述BP神经网络模型进行湿延迟精度计算,得到计算结果。
优选的,所述基站监测子系统包括若干卫星通信基站;
若干所述卫星通信基站分别在不同地区,用于采集不同地区的所述对流层湿延迟估计值和所述基础数据。
优选的,所述基础数据包括:
基站处的温度Tg,基站处相应的温度变化率β,基站处水汽压变化率λ,基站处的气压Pg、基站海拔hg,基站水汽分压eg和基站处重力加速度g0。
优选的,所述数据收集模块包括:通信装置、微处理器和储存装置;
所述通信装置用于接收所述估计值和所述基础数据;
所述微处理器用于对所述估计值和所述基础数据进行汇总,得到所述估计值数据集和所述基础数据集;
所述储存装置用于储存所述估计值数据集和所述基础数据集。
优选的,所述计算模块包括:数据补偿装置和精度计算装置;
所述数据补偿装置用于对若干所述卫星通信基站进行基站格网建模,得到基站格网模型,并基于所述基站格网模型对所述估计值数据进行高程补偿,得到所述补偿数据;
所述精度计算装置用于对所述补偿数据进行BP神经网络建模,得到所述BP神经网络模型,并基于所述BP神经网络模型计算对流层湿延迟精度,得到所述计算结果。
优选的,所述高程补偿方法为:
根据式(1)对该各基站的对流层湿延迟估计值进行高程补偿:
其中,ZWDhg表示基站在高程为hg对应的湿延迟,ZWDhs表示基站站高程为hs对应的湿延迟,Tg表示基站处的温度,β表示基站处相应的温度变化率,Rd表示干气体的大气常数,g0表示重力加速度,γ表示高程归化参数。
优选的,所述高程归化参数如式(2)所示:
其中,λ表示基站处水汽压变化率。
优选的,所述BP神经网络模型构建方法为:
确定所述BP神经网络模型的输入层节点为:基站处的气压Pg、基站处的温度Tg、基站海拔hg,基站水汽分压eg和所述补偿数据;
确定网络模型输出层节点为对流层湿延迟。
本申请的有益效果为:
(1)本申请通过采集不同地区基站的湿延迟估计值和基础数据,通过建模对湿延迟估计值进行补偿,得到准确度更高的补偿值;
(2)本申请利用BP神经网络模型对补偿值和基础数据进行处理,使得到的最终结果更加精确。
附图说明
为了更清楚地说明本申请的技术方案,下面对实施例中所需要使用的附图作简单地介绍,显而易见地,下面描述中的附图仅是本申请的一些实施例,对于本领域普通技术人员来讲,在不付出创造性劳动性的前提下,还可以根据这些附图获得其他的附图。
图1为本申请一种基于卫星通信基站的对流层湿延迟精度计算系统结构示意图。
具体实施方式
下面将结合本申请实施例中的附图,对本申请实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例仅仅是本申请一部分实施例,而不是全部的实施例。基于本申请中的实施例,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他实施例,都属于本申请保护的范围。
为使本申请的上述目的、特征和优点能够更加明显易懂,下面结合附图和具体实施方式对本申请作进一步详细的说明。
在本实施例中,如图1所示,一种基于卫星通信基站的对流层湿延迟精度计算系统,包括:基站监测子系统、数据收集模块和计算模块;
基站监测子系统用于采集不同地区的对流层湿延迟估计值和基础数据;基站监测子系统包括若干卫星通信基站;若干卫星通信基站分别在不同地区,用于采集不同地区的对流层湿延迟估计值和基础数据。其中,基础数据包括:基站处的温度Tg,基站处相应的温度变化率β,基站处水汽压变化率λ,基站处的气压Pg、基站海拔hg,基站水汽分压eg和基站处重力加速度g0。
数据收集模块用于收集估计值和基础数据,并进行汇总,得到不同地区估计值数据集和基础数据集;数据收集模块包括:通信装置、微处理器和储存装置;通信装置用于接收估计值和基础数据;微处理器用于对估计值和基础数据进行汇总,得到估计值数据集和基础数据集;储存装置用于储存估计值数据集和基础数据集;
数据补偿装置工作流程为:
根据式(1)对该各基站的对流层湿延迟估计值进行高程补偿:
其中,ZWDhg表示基站在高程为hg对应的湿延迟,ZWDhs表示基站站高程为hs对应的湿延迟,Tg表示基站处的温度,β表示基站处相应的温度变化率,Rd表示干气体的大气常数,g0表示重力加速度,γ表示高程归化参数。
高程归化参数如式(2)所示:
其中,λ表示基站处水汽压变化率。
计算模块用于建立基站格网模型和BP神经网络模型,并基于基站格网模型和BP神经网络模型进行湿延迟精度计算,得到计算结果;计算模块包括:数据补偿装置和精度计算装置;数据补偿装置用于对若干卫星通信基站进行基站格网建模,得到基站格网模型,并基于基站格网模型对估计值数据进行高程补偿,得到补偿数据;精度计算装置用于对补偿数据进行BP神经网络建模,得到BP神经网络模型,并基于BP神经网络模型计算对流层湿延迟精度,得到所述计算结果;BP神经网络模型构建方法为:
(1)确定网络结构
设定BP神经网络模型的输入层节点个数为5个,分别为:基站处的气压Pg、基站处的温度Tg、基站海拔hg,基站水汽分压eg和所述补偿数据;确定网络模型输出层节点个数为1个,为对流层湿延迟。
(2)网络参数的设置
BP神经网络模型的网络参数包括:学习速率n、平滑因子a、学习误差E,网络参数的设置合理与否会影响到网络学习训练的速度。
学习速率n:通过试算建议取值范围为[0.6,2],试验发现,学习速率的选择要和平滑因子综合考虑才有利于网络模型的优化。
平滑因子a:平滑因子的引入使学习速率不再是恒定的值,而是随着迭代误差的变化而变化,但平滑因子也不宜过大,通过试算建议取值范围为[0.6,0.8],若取值过大容易进入饱和区。
学习误差E:学习中误差的大小会对检验中误差造成影响,一般学习中误差越小,检验中误差也越小。但学习中误差越小,学习速度也越慢,甚至不收敛,若学习中误差太小,会造成过拟合现象,即使网络能够收敛,检验中误差也会产生回弹。通过大量试算,采用学习中误差控制在[0.006,0.009]。
以上所述的实施例仅是对本申请优选方式进行的描述,并非对本申请的范围进行限定,在不脱离本申请设计精神的前提下,本领域普通技术人员对本申请的技术方案做出的各种变形和改进,均应落入本申请权利要求书确定的保护范围内。
Claims (8)
1.一种基于卫星通信基站的对流层湿延迟精度计算系统,其特征在于,包括:基站监测子系统、数据收集模块和计算模块;
所述基站监测子系统用于采集不同地区的对流层湿延迟估计值和基础数据;
所述数据收集模块用于收集所述估计值和所述基础数据,并进行汇总,得到不同地区估计值数据集和基础数据集;
所述计算模块用于建立基站格网模型和BP神经网络模型,并基于所述基站格网模型和所述BP神经网络模型进行湿延迟精度计算,得到计算结果。
2.根据权利要求1所述一种基于卫星通信基站的对流层湿延迟精度计算系统,其特征在于,所述基站监测子系统包括若干卫星通信基站;
若干所述卫星通信基站分别在不同地区,用于采集不同地区的所述对流层湿延迟估计值和所述基础数据。
3.根据权利要求2所述一种基于卫星通信基站的对流层湿延迟精度计算系统,其特征在于,所述基础数据包括:
基站处的温度Tg,基站处相应的温度变化率β,基站处水汽压变化率λ,基站处的气压Pg、基站海拔hg,基站水汽分压eg和基站处重力加速度g0。
4.根据权利要求1所述一种基于卫星通信基站的对流层湿延迟精度计算系统,其特征在于,所述数据收集模块包括:通信装置、微处理器和储存装置;
所述通信装置用于接收所述估计值和所述基础数据;
所述微处理器用于对所述估计值和所述基础数据进行汇总,得到所述估计值数据集和所述基础数据集;
所述储存装置用于储存所述估计值数据集和所述基础数据集。
5.根据权利要求1所述一种基于卫星通信基站的对流层湿延迟精度计算系统,其特征在于,所述计算模块包括:数据补偿装置和精度计算装置;
所述数据补偿装置用于对若干所述卫星通信基站进行基站格网建模,得到基站格网模型,并基于所述基站格网模型对所述估计值数据进行高程补偿,得到所述补偿数据;
所述精度计算装置用于对所述补偿数据进行BP神经网络建模,得到所述BP神经网络模型,并基于所述BP神经网络模型计算对流层湿延迟精度,得到所述计算结果。
8.根据权利要求5所述一种基于卫星通信基站的对流层湿延迟精度计算系统,其特征在于,所述BP神经网络模型构建方法为:
确定所述BP神经网络模型的输入层节点为:基站处的气压Pg、基站处的温度Tg、基站海拔hg,基站水汽分压eg和所述补偿数据;
确定网络模型输出层节点为对流层湿延迟。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210982973.4A CN115343728A (zh) | 2022-08-16 | 2022-08-16 | 一种基于卫星通信基站的对流层湿延迟精度计算系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210982973.4A CN115343728A (zh) | 2022-08-16 | 2022-08-16 | 一种基于卫星通信基站的对流层湿延迟精度计算系统 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN115343728A true CN115343728A (zh) | 2022-11-15 |
Family
ID=83952511
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202210982973.4A Pending CN115343728A (zh) | 2022-08-16 | 2022-08-16 | 一种基于卫星通信基站的对流层湿延迟精度计算系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN115343728A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116879580A (zh) * | 2023-05-30 | 2023-10-13 | 华中光电技术研究所(中国船舶集团有限公司第七一七研究所) | 加速度计启动性能补偿方法、系统、电子设备及存储介质 |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102682335A (zh) * | 2012-04-13 | 2012-09-19 | 东南大学 | 精确确定区域对流层延迟的神经网络方法 |
CN105182366A (zh) * | 2015-09-02 | 2015-12-23 | 东南大学 | 一种基于实测气象参数的对流层天顶延迟改正方法 |
CN111896977A (zh) * | 2019-05-06 | 2020-11-06 | 千寻位置网络有限公司 | 对流层湿延迟精度计算方法及其系统和定位方法及其系统 |
-
2022
- 2022-08-16 CN CN202210982973.4A patent/CN115343728A/zh active Pending
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102682335A (zh) * | 2012-04-13 | 2012-09-19 | 东南大学 | 精确确定区域对流层延迟的神经网络方法 |
CN105182366A (zh) * | 2015-09-02 | 2015-12-23 | 东南大学 | 一种基于实测气象参数的对流层天顶延迟改正方法 |
CN111896977A (zh) * | 2019-05-06 | 2020-11-06 | 千寻位置网络有限公司 | 对流层湿延迟精度计算方法及其系统和定位方法及其系统 |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116879580A (zh) * | 2023-05-30 | 2023-10-13 | 华中光电技术研究所(中国船舶集团有限公司第七一七研究所) | 加速度计启动性能补偿方法、系统、电子设备及存储介质 |
CN116879580B (zh) * | 2023-05-30 | 2024-04-26 | 华中光电技术研究所(中国船舶集团有限公司第七一七研究所) | 加速度计启动性能补偿方法、系统、电子设备及存储介质 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN103279804B (zh) | 超短期风电功率的预测方法 | |
US20140244188A1 (en) | Forecasting output power of wind turbine in wind farm | |
CN110232471B (zh) | 一种降水传感网节点布局优化方法及装置 | |
CN107204615B (zh) | 一种实现功率预测的方法及系统 | |
CN110119590B (zh) | 一种基于多源观测数据的水质模型粒子滤波同化方法 | |
CN112182709B (zh) | 大型水库叠梁门分层取水设施的下泄水温快速预测方法 | |
CN115343728A (zh) | 一种基于卫星通信基站的对流层湿延迟精度计算系统 | |
CN109165418B (zh) | 基于户用热量表数据的室温测量方法 | |
CN110096795B (zh) | 一种大气雾霾数值预报的校正预报方法及系统 | |
CN113204061B (zh) | 一种构建格点风速订正模型的方法及装置 | |
CN107679361A (zh) | 一种测风数据处理方法 | |
CN114186723A (zh) | 一种基于时空关联的分布式光伏功率网格虚拟预测系统 | |
CN108629056A (zh) | 一种风电功率预测方法及系统 | |
CN113991711B (zh) | 一种光伏电站储能系统容量配置方法 | |
CN112036595A (zh) | 基于多位置数值天气预报短期风电功率预测方法和系统 | |
CN109241212B (zh) | 基于中尺度数值大气模式与高分辨率历史降雨反演方法 | |
CN113792262A (zh) | 一种局地集合资料同化方法 | |
CN116611702A (zh) | 一种面向楼宇综合能源管理的集成学习光伏发电预测方法 | |
CN111461297A (zh) | 基于mpc和elm神经网络的太阳辐照量优化预测算法 | |
CN113887839A (zh) | 一种基于聚类的风电场超短期风功率预测方法及系统 | |
CN109657854A (zh) | 一种作物需水量预测的方法、系统及设备 | |
CN112580899A (zh) | 一种融合机器学习模型的中长期风力发电预测方法及系统 | |
CN113704695A (zh) | 一种适用于区域数值模式集合模拟预报的初值小扰动法 | |
CN111626645A (zh) | 一种未来年储能配置容量测算方法及系统 | |
CN114491978B (zh) | 基于时变参数水文不确定性处理器的日模型实时预报方法 |
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 |