CN117412322A - 一种区域asf预测方法、系统、介质、设备及终端 - Google Patents
一种区域asf预测方法、系统、介质、设备及终端 Download PDFInfo
- Publication number
- CN117412322A CN117412322A CN202311156236.XA CN202311156236A CN117412322A CN 117412322 A CN117412322 A CN 117412322A CN 202311156236 A CN202311156236 A CN 202311156236A CN 117412322 A CN117412322 A CN 117412322A
- Authority
- CN
- China
- Prior art keywords
- asf
- prediction
- value
- regional
- kriging interpolation
- 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
- 238000000034 method Methods 0.000 title claims abstract description 77
- 238000005070 sampling Methods 0.000 claims abstract description 49
- 238000012795 verification Methods 0.000 claims abstract description 36
- 238000012937 correction Methods 0.000 claims abstract description 26
- 238000004422 calculation algorithm Methods 0.000 claims abstract description 18
- 238000011156 evaluation Methods 0.000 claims abstract description 17
- 238000012360 testing method Methods 0.000 claims abstract description 15
- 230000006870 function Effects 0.000 claims description 68
- 230000000694 effects Effects 0.000 claims description 15
- 238000005259 measurement Methods 0.000 claims description 12
- 238000004458 analytical method Methods 0.000 claims description 10
- 238000002790 cross-validation Methods 0.000 claims description 8
- 238000004590 computer program Methods 0.000 claims description 4
- 238000012886 linear function Methods 0.000 claims description 4
- 238000012545 processing Methods 0.000 claims description 2
- 238000004364 calculation method Methods 0.000 abstract description 16
- 238000009826 distribution Methods 0.000 description 10
- 238000010586 diagram Methods 0.000 description 8
- 230000008901 benefit Effects 0.000 description 5
- 238000011160 research Methods 0.000 description 5
- 238000003491 array Methods 0.000 description 4
- 101150092254 ASF1 gene Proteins 0.000 description 3
- 101100436063 Saccharomyces cerevisiae (strain ATCC 204508 / S288c) ASF2 gene Proteins 0.000 description 3
- 101100436059 Schizosaccharomyces pombe (strain 972 / ATCC 24843) cia1 gene Proteins 0.000 description 3
- 101100163864 Xenopus laevis asf1aa gene Proteins 0.000 description 3
- 230000008569 process Effects 0.000 description 3
- 101000860173 Myxococcus xanthus C-factor Proteins 0.000 description 2
- 230000005540 biological transmission Effects 0.000 description 2
- 238000010276 construction Methods 0.000 description 2
- 238000013461 design Methods 0.000 description 2
- 238000005265 energy consumption Methods 0.000 description 2
- 230000003287 optical effect Effects 0.000 description 2
- 239000004065 semiconductor Substances 0.000 description 2
- 238000004891 communication Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 230000001419 dependent effect Effects 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000011985 exploratory data analysis Methods 0.000 description 1
- PCHJSUWPFVWCPO-UHFFFAOYSA-N gold Chemical compound [Au] PCHJSUWPFVWCPO-UHFFFAOYSA-N 0.000 description 1
- 239000010931 gold Substances 0.000 description 1
- 229910052737 gold Inorganic materials 0.000 description 1
- 238000009499 grossing Methods 0.000 description 1
- 238000012423 maintenance Methods 0.000 description 1
- 239000000463 material Substances 0.000 description 1
- 238000007620 mathematical function Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000008092 positive effect Effects 0.000 description 1
- 238000012805 post-processing Methods 0.000 description 1
- 238000007781 pre-processing Methods 0.000 description 1
- 238000012827 research and development Methods 0.000 description 1
- 238000012216 screening Methods 0.000 description 1
- 238000012732 spatial analysis Methods 0.000 description 1
- 238000012800 visualization Methods 0.000 description 1
Classifications
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04W—WIRELESS COMMUNICATION NETWORKS
- H04W24/00—Supervisory, monitoring or testing arrangements
- H04W24/06—Testing, supervising or monitoring using simulated traffic
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
- G06F17/10—Complex mathematical operations
- G06F17/11—Complex mathematical operations for solving equations, e.g. nonlinear equations, general mathematical optimization problems
- G06F17/12—Simultaneous equations, e.g. systems of linear equations
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
- G06F17/10—Complex mathematical operations
- G06F17/18—Complex mathematical operations for evaluating statistical data, e.g. average values, frequency distributions, probability functions, regression analysis
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04W—WIRELESS COMMUNICATION NETWORKS
- H04W4/00—Services specially adapted for wireless communication networks; Facilities therefor
- H04W4/02—Services making use of location information
- H04W4/024—Guidance services
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Mathematical Physics (AREA)
- Data Mining & Analysis (AREA)
- Computational Mathematics (AREA)
- Mathematical Analysis (AREA)
- Mathematical Optimization (AREA)
- Pure & Applied Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Operations Research (AREA)
- Algebra (AREA)
- Signal Processing (AREA)
- Databases & Information Systems (AREA)
- Software Systems (AREA)
- General Engineering & Computer Science (AREA)
- Computer Networks & Wireless Communication (AREA)
- Life Sciences & Earth Sciences (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Evolutionary Biology (AREA)
- Probability & Statistics with Applications (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明属于ASF时延修正技术领域,公开了一种区域ASF预测方法、系统、介质、设备及终端,划分实验区域,设置ASF数据采样点并将实验区域划分栅格点;在试验区域内选取有限测量点实测ASF值,通过克里金插值法对试验区域内的ASF值进行预测;确定克里金插值评价指标,使用交叉验证法对预测结果进行验证评估。验证结果表明,本发明通过使用Kriging插值算法能够对ASF值进行精确预测,且在特定区域内预测ASF值方面具有准确性和有效性;交叉验证表明误差在可接受范围内,避免了复杂环境下理论计算精度低的问题,只需要拟定区域内少数测量的ASF值即可构建ASF修正地图,为有效的提高陆基导航系统的精度提供理论支撑。
Description
技术领域
本发明属于ASF时延修正技术领域,尤其涉及一种区域ASF预测方法、系统、介质、设备及终端。
背景技术
目前,陆基导航系统在无线通讯、导航定位、气象预测等领域有着广泛的应用,相比于星基导航系统具有信号传播稳定、不易受干扰等优点,可作为星基导航系统的重要备份。但是由于地波信号传播路径复杂、以及受气候、季节等难以预测的因素影响,导致传播时延计算精度较低。其中附加二次相位因子(ASF)是影响精度的关键因素。克里金插值(Kriging)是一种用于统计推断的数学技术,用于预测未知点的数值。除了应用于地理空间分析,克里金插值还可以用于数值模拟,多元函数估计和结构性化预测。目前诸多学者致力于ASF时延修正的研究,故亟需设计一种新的区域ASF预测方法,以提高计算精度。
我国在ASF的研究方面,早在1988年就对大地电导率开展了研究,但由于当时的客观条件以及测量数据的机器所存在的局限性,仅仅能够粗略地将大地电导率地图绘制出。从2000年开始在国家自然科学基金会的牵头指引下,开展了使用GPS技术对大地电导率进行检验研究,对长河二号以及罗兰C台的地波信号的时延和场强进行计算,进而反推出我国的大地电导率分布地图,并由此计算出数字化大地电导率分布图。
通过上述分析,现有技术存在的问题及缺陷为:我国现如今对于ASF具体数值的研究上主要采取的措施是建立ASF数据库,利用实测数据与GPS数据的对比,对ASF的数据库进行建设,并且在局部区域对ASF的数据进行修正,对于ASF的最新研究结果是以Millington方法为核心算法,利用编程软件,主要针对增强罗兰信号在单一和混合传播介质中场强和ASF计算,在场强方面的预测值和实际值误差较小,而ASF值和实际值的差别较大。罗兰C信号在实际陆地路径中传播的时延中的PF、SF可以通过理论公式计算能精确得到,而ASF影响的因素复杂,其计算精度较低。因此,ASF的计算精度决定了罗兰C信号传播时延的计算精度。由于地波信号传播路径复杂并受到难以预测因素影响,导致现有陆基导航系统传播时延计算精度较低。
发明内容
针对现有技术存在的问题,本发明提供了一种区域ASF预测方法、系统、介质、设备及终端,尤其涉及一种基于普通克里金插值的区域ASF预测方法、系统、介质、设备及终端。
本发明是这样实现的,一种区域ASF预测方法,区域ASF预测方法包括:划分实验区域,设置ASF数据采样点并将实验区域划分栅格点;在试验区域内选取有限测量点实测ASF值,通过克里金插值法对试验区域内的ASF值进行预测;确定克里金插值评价指标,并使用交叉验证法对预测结果进行验证评估。
S101,在选定区域选择合适采样点进行陆基导航系统ASF时延值数据采集,每个测量点测量时间不少于10min,对数据进行筛选及平滑处理;
S102,对计算样本点创建依赖于自相关模型的统计相关性值的变异函数,采用指定模型进行变异函数拟合,由已知信息建立克里金插值方程,对采样点区域利用克里金插值法构建修正库;
S103,求解待估点ASF预测值,并通过交叉验证方法评估插值效果。
进一步,区域ASF预测方法包括以下步骤:
步骤一,设置采样点并进行陆基导航系统ASF时延值数据采集;
步骤二,对采样点区域利用克里金插值法构建修正库并预测ASF值;
步骤三,采用球型模型进行克里金插值,并通过交叉验证评估插值效果。
进一步,步骤二中,设置采样点后,对实验区域采用克里金插值算法构建ASF修正库。在利用克里金插值法进行陆基导航系统ASF值预测时,创建依赖于自相关模型的统计相关性值的变异函数,再预测未知值。
根据以下公式计算变异函数:
γ(h)=0.5×Var[Z(xi)-Z(xi+h)];
式中,γ(h)为半方差,Var为方差,Z(xi)、Z(xi+h)分别为区域化变量Z(x)点xi与xi+h处的实测值,N(h)是距离为h点对的数量。
进一步,自相关模型为拟合模型,统计相关性为空间自相关。半变异函数建模函数包括线性函数、球面函数、指数函数和高斯函数。选择半变异函数模型作为最佳半变异函数模型,选择球面函数作为最佳半变异函数模型进行插值。
进一步,步骤二中,利用半变异函数模型对试验区域进行克里金插值预测。将实验区域划分栅格点,根据待估栅格点的坐标信息和拟合的变差函数求得栅格点预测的实验变差函数;将实验变差函数代入克里金插值方程组,求得权重系数,对权重系数进行加权平均求得待估栅格点的ASF预测值;重复求解步骤,直到所有栅格点均求解完毕,实现实验区域ASF修正库的构建。
进一步,步骤三中的交叉验证评估包括:
采用球型模型进行克里金插值,通过交叉验证评估各自的插值效果;利用交叉验证移除已知采样点,并利用剩下的采样点克里金插值计算删除采样点的值得到采样点的预测值,最后得到各个采样点的真实值与估计值进行误差分析;如果半变异函数合理,则插值预测的效果越接近真实值,预测误差越小。
克里金插值评价指标包括均方根误差RMSE、平均误差ME、平均标准化误差MSE、均方根标准化误差RMSSE以及平均标准误差ASE,则:
式中,Zi为实测值,为预测值,σi为预测值的标准差,n为使用的样本数。
当ME和MSE的值接近于0时,ASF预测相对准确;ASE值接近于RMSE值,如果RMSE>ASE,则ASF预测的可变性被低估;如果RMSE<ASE,则ASF预测的可变性被高估。而RMSSE值接近于1,如果RMSSE>1,则ASF预测的可变性被低估;如果RMSSE<1,则ASF预测的可变性被高估。
本发明的另一目的在于提供一种应用所述的区域ASF预测方法的区域ASF预测系统,区域ASF预测系统包括:
区域划分模块,用于设置ASF数据采样点并将实验区域划分栅格点;
数据采集模块,用于进行实验区域陆基导航系统ASF时延值数据采集;
ASF预测模块,用于利用克里金插值法构建ASF修正库并预测ASF值;
交叉验证模块,用于通过交叉验证法对ASF预测结果进行验证评估。
本发明的另一目的在于提供一种计算机设备,计算机设备包括存储器和处理器,存储器存储有计算机程序,计算机程序被处理器执行时,使得处理器执行所述的区域ASF预测方法的步骤。
本发明的另一目的在于提供一种计算机可读存储介质,存储有计算机程序,计算机程序被处理器执行时,使得处理器执行所述的区域ASF预测方法的步骤。
本发明的另一目的在于提供一种信息数据处理终端,信息数据处理终端用于实现所述的区域ASF预测系统。
结合上述的技术方案和解决的技术问题,本发明所要保护的技术方案所具备的优点及积极效果为:
第一,增强罗兰(eLoran)系统作为GNSS有效备份具有信号功率高、抗干扰能力强、地面系统维护方便等特点,其定位精度受ASF影响明显,对ASF进行补偿后,能够有效提高其定位服务能力。本发明对试验区域选取有限测量点实测ASF值,通过普通克里金(Kriging)插值方法,对整个试验区域内ASF值进行了预测,并使用交叉验证来验证预测结果。验证结果表明,本发明通过使用Kriging插值算法能够对ASF值进行精确预测,证明该算法在特定区域内预测ASF值方面具有准确性和有效性,且交叉验证表明误差在可接受范围内,从而避免了复杂环境下理论计算精度低的问题,采用本方法只需要拟定区域内少数测量的ASF值即可构建ASF修正地图,解决了复杂路径理论计算不准确,大面积测量又耗费时间和精力的问题,为有效的提高陆基导航系统的精度提供理论支撑。
本发明讨论了使用Kriging插值算法预测区域内ASF值的被证明是可行的,尽管需要考虑因区域而异的观测数据。此外,交叉验证表明该方法预测的ASF时延值精度可靠,因此采用本方法只需要拟定区域内少数测量的ASF值即可构建ASF修正库,解决了复杂路径理论计算不准确,大面积测量又耗费时间和精力的问题,有效的提高了陆基导航系统的精度。本发明利用Kriging插值算法在提供准确的结果方面具有高效率以及更好的评估和验证能力。此外,本发明还通过对实测数据预测与验证表明Kriging插值算法能够有效预测特定区域内的ASF值,并允许研究者收集大量的测量数据并在短时间内获得可靠的结果。
第二,本发明在现有理论分析的基础之上,采用克里金插值对传播区域ASF时延值实施预测,并通过提高附近采样点的影响权重改善预测精度。本发明的区域ASF预测方法只需要实测一定数量的ASF值,根据这些实测的ASF值即可快速预测出该范围内未知点的时延值,交叉验证表明误差在可接受范围内,从而避免了复杂环境下理论计算精度低的问题,提高了低频地波授时导航的精度。
第三,作为本发明的权利要求的创造性辅助证据,还体现在以下几个重要方面:
(1)本发明的技术方案转化后的预期收益和商业价值为:
本发明基于普通克里金插值方法通过技术方案转化后,与普通插值方法和利用数学公式推导出计算方法相比,可以快速预测出实测值附近区域ASF数值,且误差在可接受范围内。
(2)本发明的技术方案填补了国内外业内技术空白:
目前,国内外准确的ASF数值是通过实地测量得到的,本发明提供了一种区域ASF预测方法,填补了国内外区域预测ASF值建设的空白。
附图说明
为了更清楚地说明本发明实施例的技术方案,下面将对本发明实施例中所需要使用的附图做简单的介绍,显而易见地,下面所描述的附图仅仅是本发明的一些实施例,对于本领域普通技术人员来讲,在不付出创造性劳动的前提下还可以根据这些附图获得其他的附图。
图1是本发明实施例提供的区域ASF预测方法流程图;
图2A是本发明实施例提供的数据采样点的位置分布示意图;
图2B是本发明实施例提供的数据采样点位置分布的栅格示意图;
图3A是本发明实施例提供的ASF1的预测图;
图3B是本发明实施例提供的ASF1的预测标准误差图;
图4A是本发明实施例提供的ASF2的预测图;
图4B是本发明实施例提供的ASF2的预测标准误差图。
具体实施方式
为了使本发明的目的、技术方案及优点更加清楚明白,以下结合实施例,对本发明进行进一步详细说明。应当理解,此处所描述的具体实施例仅仅用以解释本发明,并不用于限定本发明。
针对现有技术存在的问题,本发明提供了一种区域ASF预测方法、系统、介质、设备及终端,下面结合附图对本发明作详细的描述。
如图1所示,本发明实施例提供的区域ASF预测方法包括以下步骤:
S101,设置采样点并进行陆基导航系统ASF时延值数据采集;
S102,对采样点区域利用克里金插值法构建修正库并预测ASF值;
S103,采用球型模型进行克里金插值,并通过交叉验证评估插值效果。
本发明实施例的具体的步骤的展开如下:
S101步骤中应该考虑采集数据的时段和采样点的分布。ASF值可能受到地球自转和大气层变化的影响,因此应该在不同的时段和天气条件下采集数据,以获得更全面的数据集。此外,采样点的分布应该均匀,以确保对整个区域的ASF进行准确预测。
在S102步骤中,克里金插值法是一种常见的方法,可以用于构建修正库和预测ASF值。然而,克里金插值法的精度通常取决于所选取的变异函数模型和插值参数。因此,可以尝试使用其他插值方法或改变克里金插值法的参数以提高预测精度。
在S103步骤中,球型模型是一种常用的克里金插值模型,但并不一定适用于所有数据集。因此,可以考虑使用其他插值模型,例如指数模型或高斯模型,并通过交叉验证来评估不同模型的预测效果。
除了以上步骤外,还应该考虑数据预处理和后处理。例如,可以对采集的时延值数据进行滤波、去噪或异常值处理,以提高预测精度。同时,还可以通过空间分析和可视化来分析预测结果,进一步优化预测方法。
本发明实施例提供的步骤S102中,设置采样点后,对实验区域采用克里金插值算法构建ASF修正库。在利用克里金插值法进行陆基导航系统ASF值预测时,创建依赖于自相关模型的统计相关性值的变异函数,再预测未知值。
其中,根据以下公式计算变异函数:
γ(h)=0.5×Var[Z(xi)-Z(xi+h)];
式中,γ(h)为半方差,Var为方差,Z(xi)、Z(xi+h)分别为区域化变量Z(x)点xi与xi+h处的实测值,N(h)是距离为h点对的数量。
其中,自相关模型为拟合模型,统计相关性为空间自相关。半变异函数建模函数包括线性函数、球面函数、指数函数和高斯函数。选择半变异函数模型作为最佳半变异函数模型,选择球面函数作为最佳半变异函数模型进行插值。
本发明实施例提供的步骤S102中,利用半变异函数模型对试验区域进行克里金插值预测。将实验区域划分栅格点,根据待估栅格点的坐标信息和拟合的变差函数求得栅格点预测的实验变差函数;将实验变差函数代入克里金插值方程组,求得权重系数,对权重系数进行加权平均求得待估栅格点的ASF预测值;重复求解步骤,直到所有栅格点均求解完毕,实现实验区域ASF修正库的构建。
本发明实施例提供的步骤S103中的交叉验证评估包括:
采用球型模型进行克里金插值,通过交叉验证评估各自的插值效果;利用交叉验证移除已知采样点,并利用剩下的采样点克里金插值计算删除采样点的值得到采样点的预测值,最后得到各个采样点的真实值与估计值进行误差分析;如果半变异函数合理,则插值预测的效果越接近真实值,预测误差越小。
克里金插值评价指标包括均方根误差RMSE、平均误差ME、平均标准化误差MSE、均方根标准化误差RMSSE以及平均标准误差ASE,则:
式中,Zi为实测值,为预测值,σi为预测值的标准差,n为使用的样本数。
当ME和MSE的值接近于0时,ASF预测相对准确;ASE值接近于RMSE值,如果RMSE>ASE,则ASF预测的可变性被低估;如果RMSE<ASE,则ASF预测的可变性被高估。而RMSSE值接近于1,如果RMSSE>1,则ASF预测的可变性被低估;如果RMSSE<1,则ASF预测的可变性被高估。
本发明实施例提供的区域ASF预测系统包括:
区域划分模块,用于设置ASF数据采样点并将实验区域划分栅格点;
数据采集模块,用于进行实验区域陆基导航系统ASF时延值数据采集;
ASF预测模块,用于利用克里金插值法构建ASF修正库并预测ASF值;
交叉验证模块,用于通过交叉验证法对ASF预测结果进行验证评估。
本发明提供的区域ASF预测方法通过技术方案转化后,采用克里金插值对传播区域ASF时延值实施预测,并通过提高附近采样点的影响权重改善预测精度。本发明的区域ASF预测方法只需要实测一定数量的ASF值,根据这些实测的ASF值即可快速预测出该范围内未知点的时延值,交叉验证表明误差在可接受范围内,从而避免了复杂环境下理论计算精度低的问题,提高了低频地波授时导航的精度。
应当注意,本发明的实施方式可以通过硬件、软件或者软件和硬件的结合来实现。硬件部分可以利用专用逻辑来实现;软件部分可以存储在存储器中,由适当的指令执行系统,例如微处理器或者专用设计硬件来执行。本领域的普通技术人员可以理解上述的设备和方法可以使用计算机可执行指令和/或包含在处理器控制代码中来实现,例如在诸如磁盘、CD或DVD-ROM的载体介质、诸如只读存储器(固件)的可编程的存储器或者诸如光学或电子信号载体的数据载体上提供了这样的代码。本发明的设备及其模块可以由诸如超大规模集成电路或门阵列、诸如逻辑芯片、晶体管等的半导体、或者诸如现场可编程门阵列、可编程逻辑设备等的可编程硬件设备的硬件电路实现,也可以用由各种类型的处理器执行的软件实现,也可以由上述硬件电路和软件的结合例如固件来实现。
本发明实施例在研发或者使用过程中取得了一些积极效果,和现有技术相比的确具备很大的优势,下面内容结合试验过程的数据、图表等进行描述。
1.ASF时延值数据采集
陆基导航系统一般包含一个主台多个副台组成台链,通过测量主副台传播时差,利用双曲线定位原理实现定位。其中传播时延误差主要包括基本时延PF、二次相位因子SF、附加二次相位因子ASF(实际陆地传播路径下的时延),PF和SF是可以通过理论公式精确计算出来的,但是ASF在传播过程中受地形、大圆距离、大气折射率、气候季节等难以预测因素影响理论计算误差较大。工程应用中通常需要实际测量用于时延修正,但是高密度的测量时延值是非常耗费时间和精力的。因此,分析ASF时延对于提高陆基系统定位精度、国家授时精度具有重要应用前景。
采样点的位置分布如图2A所示,实验区域范围在纬度30.5~31.2经度114.2~114.7间,其中P1~P4为采样点散乱分布在实验区域中,为后续插值提供良好的基础。
2.克里金插值定义
克里金法(Kriging)是建立在变异函数空间分析基础上,对有限区域内的区域化变量取值进行无偏最优估计的一种方法,是一种常用的地统计方法。当一个变量呈空间分布时,就称之为区域化变量Z(x),这种变量反映了空间某种属性的分布特征。克里金法假设采样点之间的距离或方向可以反映表面变化的空间自相关性,并将数学函数拟合到指定数量的测量点或指定半径内的所有测量点以确定每个位置的值。
本次试验一共4个采样点,对该区域采用克里金插值算法构建ASF修正库。
使用克里金插值法进行预测需要两个步骤:首先创建依赖于自相关模型(拟合模型)的统计相关性(空间自相关)值的变异函数,然后预测未知值。
首先根据公式计算变异函数:
γ(h)=0.5×Var[Z(xi)-Z(xi+h)] (1)
其中,γ(h)为半方差,Var为方差,Z(xi)、Z(xi+h)分别为区域化变量Z(x)点xi与xi+h处的实测值,N(h)是距离为h点对的数量。
半变异函数建模的函数有线性函数、球面函数、指数函数和高斯函数等。在计算得到各个模型的区域ASF值残差后对区域内ASF值分布进行探索性分析可知,区域内ASF值具有空间自相关性,因此可以采用克里金法进行空间插值。
表1比较了四种模型残差半方差分析结果,综合各项评价指标本发明选择具有较低的块金效应值的半变异函数模型作为最佳的半变异函数模型。因此,选择球面函数作为本发明的最佳半变异函数模型进行插值。
表1普通克里金法的四种候选变体图的RSS值
3.克里金插值预测ASF值
利用上述得到的半变异函数模型对试验区域进行克里金插值预测。本发明将实验区域划分如图2B所示栅格点,图中黑色圆圈为待估栅格点,根据待估点的坐标信息和拟合的变差函数可以求出该栅格点预测的实验变差函数,然后带入克里金插值方程组,便可以求出权重系数,最后进行加权平均求出该点的ASF预测值,重复这些步骤,直到所有栅格点都求解完毕,即可完成实验区域ASF修正库的构建。
图3A~图3B、图4A~图4B分别给出普通克里金插值预测的ASF时延修正图(预测单位是μs)以及普通克里金插值预测的ASF预测标准误差图。
4.交叉验证
本发明采用球型模型进行克里金插值,然后通过交叉验证来评估各自的插值效果,交叉验证的方法是移除一个已知采样点,用剩下的采样点克里金插值计算删除采样点的值得到该点的预测值,最后可以得到各个采样点的真实值与估计值进行误差分析。如果半变异函数确定的合理,插值预测的效果越接近真实值,误差越小。
克里金插值评价指标主要有均方根误差(RMSE)、平均误差(Mean Error,ME)、平均标准化误差(Mean Standardized Error,MSE),均方根标准化误差(Root-mean-SquareStandardized Error,RMSSE),平均标准误差(Average Standard Error,ASE):
式中,Zi为实测值,为预测值,σi为预测值的标准差,n为使用的样本数。当ME和MSE的值接近于0时,预测相对更准确;ASE值应该接近于RMSE值,如果RMSE>ASE,则预测的可变性被低估,反之,如果RMSE<ASE,则预测的可变性被高估;RMSSE值应该接近于1,如果RMSSE>1,则预测的可变性被低估,如果RMSSE<1,则预测的可变性被高估。
经克里金插值后ASF预测误差数据如表2~4所示。
表2 ASF1的交叉验证结果
表3 ASF2的交叉验证结果
表4 ASF3的交叉验证结果
由表2~4可知,本次试验中ME最接近于0,RMSE小于ASE,且ASE较为接近于RMSE,表明采用模型较优。采用该方法建立的ASF修正库是完全可行的,误差精度在可接受范围内。因此无需对指定区域内实施高密度的ASF测量,采用传统方法测量ASF时延值都是十分耗费物力、人力的。
结果表明,采用克里金插值方法只需要少量的分散样本点就可以获得区域范围内高精度的ASF修正库,这对提高陆基导航系统的定位精度有着重要意义。使用Kriging插值算法可以在一定程度上准确地预测特定区域内的ASF值,尽管测量值也对最终预测结果会产生一定影响。此外,Kriging插值算法具有准确性,高效性和有效评估和验证能力。
本发明只需要拟定区域内少数测量的ASF值即可构建ASF修正库,解决了复杂路径理论计算不准确,大面积测量又耗费时间和精力的问题,有效的提高陆基导航系统的精度。本发明利用Kriging插值算法在提供准确的结果方面具有高效率,更好的评估和验证能力。
此外,本发明通过对实测数据预测与验证表明Kriging插值算法能够有效预测特定区域内的ASF值,并允许研究者收集大量的测量数据并在短时间内获得可靠的结果。然而,Kriging插值算法需要精确的历史数据来获得准确的预测。因此,未来的研究还应解决数据精度的问题,以及在具体区域内应用Kriging插值算法的有效性,还应继续深入探索Kriging插值算法在特定地区应用预测ASF的效果。
应当注意,本发明的实施方式可以通过硬件、软件或者软件和硬件的结合来实现。硬件部分可以利用专用逻辑来实现;软件部分可以存储在存储器中,由适当的指令执行系统,例如微处理器或者专用设计硬件来执行。本领域的普通技术人员可以理解上述的设备和方法可以使用计算机可执行指令和/或包含在处理器控制代码中来实现,例如在诸如磁盘、CD或DVD-ROM的载体介质、诸如只读存储器(固件)的可编程的存储器或者诸如光学或电子信号载体的数据载体上提供了这样的代码。本发明的设备及其模块可以由诸如超大规模集成电路或门阵列、诸如逻辑芯片、晶体管等的半导体、或者诸如现场可编程门阵列、可编程逻辑设备等的可编程硬件设备的硬件电路实现,也可以用由各种类型的处理器执行的软件实现,也可以由上述硬件电路和软件的结合例如固件来实现。
以上所述,仅为本发明的具体实施方式,但本发明的保护范围并不局限于此,任何熟悉本技术领域的技术人员在本发明揭露的技术范围内,凡在本发明的精神和原则之内所作的任何修改、等同替换和改进等,都应涵盖在本发明的保护范围之内。
Claims (10)
1.一种区域ASF预测方法,其特征在于,包括:划分实验区域,设置ASF数据采样点并将实验区域划分栅格点;在试验区域内选取有限测量点实测ASF值,通过克里金插值法对试验区域内的ASF值进行预测;确定克里金插值评价指标,并使用交叉验证法对ASF预测结果进行验证评估。
2.如权利要求1所述的区域ASF预测方法,其特征在于,区域ASF预测方法包括以下步骤:
步骤一,设置采样点并进行陆基导航系统ASF时延值数据采集;
步骤二,对采样点区域利用克里金插值法构建修正库并预测ASF值;
步骤三,采用球型模型进行克里金插值,并通过交叉验证评估插值效果。
3.如权利要求2所述的区域ASF预测方法,其特征在于,步骤二中,设置采样点后,对实验区域采用克里金插值算法构建ASF修正库;
在利用克里金插值法进行陆基导航系统ASF值预测时,创建依赖于自相关模型的统计相关性值的变异函数,再预测未知值;
根据以下公式计算变异函数:
γ(h)=0.5×Var[Z(xi)-Z(xi+h)];
式中,γ(h)为半方差,Var为方差,Z(xi)、Z(xi+h)分别为区域化变量Z(x)点xi与xi+h处的实测值,N(h)是距离为h点对的数量。
4.如权利要求3所述的区域ASF预测方法,其特征在于,自相关模型为拟合模型,统计相关性为空间自相关;半变异函数建模函数包括线性函数、球面函数、指数函数和高斯函数;选择半变异函数模型作为最佳半变异函数模型,选择球面函数作为最佳半变异函数模型进行插值。
5.如权利要求2所述的区域ASF预测方法,其特征在于,步骤二中,利用半变异函数模型对试验区域进行克里金插值预测;将实验区域划分栅格点,根据待估栅格点的坐标信息和拟合的变差函数求得栅格点预测的实验变差函数;将实验变差函数代入克里金插值方程组,求得权重系数,对权重系数进行加权平均求得待估栅格点的ASF预测值;重复求解步骤,直到所有栅格点均求解完毕,实现实验区域ASF修正库的构建。
6.如权利要求2所述的区域ASF预测方法,其特征在于,步骤三中的交叉验证评估包括:
采用球型模型进行克里金插值,通过交叉验证评估各自的插值效果;利用交叉验证移除已知采样点,并利用剩下的采样点克里金插值计算删除采样点的值得到采样点的预测值,最后得到各个采样点的真实值与估计值进行误差分析;如果半变异函数合理,则插值预测的效果越接近真实值,预测误差越小;
克里金插值评价指标包括均方根误差RMSE、平均误差ME、平均标准化误差MSE、均方根标准化误差RMSSE以及平均标准误差ASE,则:
式中,Zi为实测值,为预测值,σi为预测值的标准差,n为使用的样本数;
当ME和MSE的值接近于0时,ASF预测相对准确;ASE值接近于RMSE值,如果RMSE>ASE,则ASF预测的可变性被低估;如果RMSE<ASE,则ASF预测的可变性被高估;而RMSSE值接近于1,如果RMSSE>1,则ASF预测的可变性被低估;如果RMSSE<1,则ASF预测的可变性被高估。
7.一种应用如权利要求1~6任意一项所述的区域ASF预测方法的区域ASF预测系统,其特征在于,区域ASF预测系统包括:
区域划分模块,用于设置ASF数据采样点并将实验区域划分栅格点;
数据采集模块,用于进行实验区域陆基导航系统ASF时延值数据采集;
ASF预测模块,用于利用克里金插值法构建ASF修正库并预测ASF值;
交叉验证模块,用于通过交叉验证法对ASF预测结果进行验证评估。
8.一种计算机设备,其特征在于,计算机设备包括存储器和处理器,存储器存储有计算机程序,计算机程序被处理器执行时,使得处理器执行如权利要求1~6任意一项所述的区域ASF预测方法的步骤。
9.一种计算机可读存储介质,存储有计算机程序,计算机程序被处理器执行时,使得处理器执行如权利要求1~6任意一项所述的区域ASF预测方法的步骤。
10.一种信息数据处理终端,其特征在于,信息数据处理终端用于实现如权利要求7所述的区域ASF预测系统。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311156236.XA CN117412322A (zh) | 2023-09-07 | 2023-09-07 | 一种区域asf预测方法、系统、介质、设备及终端 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311156236.XA CN117412322A (zh) | 2023-09-07 | 2023-09-07 | 一种区域asf预测方法、系统、介质、设备及终端 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN117412322A true CN117412322A (zh) | 2024-01-16 |
Family
ID=89489858
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202311156236.XA Pending CN117412322A (zh) | 2023-09-07 | 2023-09-07 | 一种区域asf预测方法、系统、介质、设备及终端 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN117412322A (zh) |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110728055A (zh) * | 2019-10-13 | 2020-01-24 | 湖南省水利水电勘测设计研究总院 | 一种基于双层规划的改进克里金插值方法 |
CN111125885A (zh) * | 2019-12-03 | 2020-05-08 | 杭州电子科技大学 | 一种基于改进克里金插值算法的asf修正表构建方法 |
KR20230053433A (ko) * | 2021-10-14 | 2023-04-21 | 연세대학교 산학협력단 | 운하 지역의 고정밀 asf 맵 생성 장치 및 방법 |
-
2023
- 2023-09-07 CN CN202311156236.XA patent/CN117412322A/zh active Pending
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110728055A (zh) * | 2019-10-13 | 2020-01-24 | 湖南省水利水电勘测设计研究总院 | 一种基于双层规划的改进克里金插值方法 |
CN111125885A (zh) * | 2019-12-03 | 2020-05-08 | 杭州电子科技大学 | 一种基于改进克里金插值算法的asf修正表构建方法 |
KR20230053433A (ko) * | 2021-10-14 | 2023-04-21 | 연세대학교 산학협력단 | 운하 지역의 고정밀 asf 맵 생성 장치 및 방법 |
Non-Patent Citations (2)
Title |
---|
谢志宜等: "《土壤环境质量监测网点位优化布设技术与应用》", 28 February 2022, 中国环境出版集团, pages: 77 - 79 * |
高政: "改进克里金插值在低频附加二次相延修正中的应用研究", 《中国优秀硕士学位论文全文数据库 信息科技辑》, no. 03, 15 March 2022 (2022-03-15), pages 2 - 4 * |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN103810376B (zh) | 基于卫星遥感与回归克里格的地面日降雨量预测方法 | |
Karimi-Hosseini et al. | Site selection of raingauges using entropy methodologies | |
Martens et al. | Merging weather radar observations with ground-based measurements of rainfall using an adaptive multiquadric surface fitting algorithm | |
CN104764868B (zh) | 一种基于地理加权回归的土壤有机碳预测方法 | |
CN113704693B (zh) | 一种高精度的有效波高数据估计方法 | |
CN111915158A (zh) | 一种基于Flood Area模型的暴雨灾害天气风险评估方法、装置及设备 | |
CN110134907B (zh) | 一种降雨缺失数据填补方法、系统及电子设备 | |
CN116758224B (zh) | 一种多源海洋观测资料的融合同化方法和装置 | |
Jalali et al. | Geostatistical evaluation of spatial variation related to groundwater quality database: case study for Arak plain aquifer, Iran | |
CN115239105A (zh) | 一种在役风电场的风资源的评估方法以及装置 | |
CN115345069A (zh) | 一种基于最大水深记录和机器学习的湖泊水量估算方法 | |
CN113486295B (zh) | 基于傅里叶级数的臭氧总量变化预测方法 | |
Haddjeri et al. | Exploring the sensitivity to precipitation, blowing snow, and horizontal resolution of the spatial distribution of simulated snow cover | |
Gao et al. | A framework for automatic calibration of SWMM considering input uncertainty | |
CN116822185A (zh) | 基于hasm的日降水数据空间模拟方法和系统 | |
Pan et al. | Study on the influence of temporal and spatial resolution of Rainfall Data on Watershed Flood Simulation performance | |
Lu et al. | Uncertainty quantification of machine learning models to improve streamflow prediction under changing climate and environmental conditions | |
Soycan | Analysis of geostatistical surface model for GPS height transformation: a case study in Izmir territory of Turkey | |
CN117412322A (zh) | 一种区域asf预测方法、系统、介质、设备及终端 | |
Chandrasekar et al. | Computer application on evaluating beach sediment erosion and accretion from profile survey data | |
Ahlawat | Space-time variation in rainfall and runoff: upper Betwa catchment | |
CN117668135A (zh) | 一种基于考虑气象因素的径向基插值方法及系统 | |
Xu et al. | Improving the real-time probabilistic channel flood forecasting by incorporating the uncertainty of inflow using the particle filter | |
CN117520718B (zh) | 一种感潮河流水文数据的处理方法及系统 | |
Young et al. | Initialization and Setup of the Coastal Model Test Bed: CSHORE |
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 |