[发明专利]基于贯序极限学习机的卫星信号周跳探测与修复方法

说明书

技术领域

本发明涉及一种对卫星信号的整周跳变进行探测和修复的方法。

背景技术

高精度卫星导航应用（高精度定位、测向、姿态等）均采用载波相位测量法，载波相位的整周跳变（简称周跳）会对测量结果的精度和稳定性产生很大影响，因此周跳的探测与修复是该领域必须解决的关键问题。

载波相位的周跳是指在载波相位观测时其整周计数出现系统偏差而不足一周部分仍然保持正确的现象。三类原因会导致周跳：第一类是卫星信号受到遮挡而暂时中断；第二类是恶劣的电离层状况、多路径效应严重或卫星仰角过低，致使卫星信号的信噪比过低；第三类是接收机内置软件的设计不周全引起的错误。

周跳对基于载波相位测量的高精度定位、测向、测姿会产生很大影响，因此在进行实际应用前必须要进行周跳的探测与修复。周跳探测是指通过对载波相位值序列进行分析，找到数据中发生周跳的点；周跳修复是指使用无周跳的载波相位值预测发生周跳点的值，使用预测值代替测量值。

目前，周跳探测与修复方法主要有：高次差法、多项式拟合法、伪距相位组合法、电离层残差法、卡尔曼滤波法和小波法等，但它们在实际应用中都存在一些不足之处：

高次差法和多项式拟合法适用于单频接收机，但只能探测5周以上的大周跳，无法探测出小周跳；伪距相位组合法探测周跳的能力依赖于伪距测量的精度，因此不适用于单频接收机；电离层残差法需要双频载波相位值，也不适用于单频接收机；卡尔曼滤波法需要设定合适的滤波参数，对建模精度要求较高；小波法需要两个及以上的测站求双差观测量，复杂度较高。

贯序极限学习机（Online-Sequential Extreme Learning Machine，简称OS-ELM）是南洋理工大学的黄广斌副教授于2006年提出一种快速学习算法。该算法基于单隐层前馈神经网络，通过解析的方法确定连接隐层和输出层的输出权值，参数选择简单，无需迭代，学习速度快且泛化能力强，已经在模式识别和回归估计等问题中得到成功的应用，因此在卫星信号周跳的探测与修复中具有应用前景。

发明内容

本发明为解决上述现有技术所存在的不足之处，提供一种基于贯序极限学习机的卫星信号周跳探测与修复方法，以期该方法不仅适用于单频接收机，而且可以有效探测小周跳。

本发明解决技术问题，采用如下技术方案：

本发明基于贯序极限学习机的卫星信号周跳探测与修复方法，其特点在于按如下步骤进行：

a、对卫星信号载波相位进行高阶差分处理，构建训练样本集

a1、以设定采样周期T获得样本数为k+r+2的载波相位值序列，对所述载波相位值序列进行高阶差分处理，获得载波相位的高阶差分值r为差分阶数，r为3或4；i=k+2；

按式（1）计算获得差分序列xi:

式中，c为使x_i在[-1,1]范围内的缩放系数；

a2、按式（2）构建训练样本集X_k: