[发明专利]一种基于CMONOC-ZTD的对流层延迟改正方法

说明书

本发明公开一种基于CMONOC‑ZTD的对流层延迟改正方法，包括以下步骤：S1：获取建模数据，构造训练样本；S2：利用S1中得到的样本构建若干个“弱”神经网络模型；S3：在“弱”神经网络模型中输入样本训练；S4：确定每个“弱”神经网络模型的权重；S5：将“弱”神经网络模型的结果加权平均，输出最终模型，并验证其精度。本发明优于常用的CTrop模型和SHAtrop模型，新模型精度比上述两个模型提高了9.6％和3.3％；采用GNSS实测ZTD序列进行建模，不同于其他模型或是采用气象再分析数据、或是采用探空数据建模，最大程度的实现了模型在GNSS应用中的自洽，能够保证在中国区域内导航定位的应用精度；在内陆和高海拔地区新模型的精度较其他常用模型更高。

技术领域

本发明涉及全球导航卫星系统，特别是一种基于CMONOC-ZTD的对流层延迟改正方法。

背景技术

无线电信号的对流层延迟是影响卫星导航定位精度特别是高程方向上的精度的重要误差源之一，对流层天顶延迟一般能达到2m，而随着高度角的降低延迟将增大至20m。目前国际上常用的有气象参数对流层天顶延迟模型主要包括Hopfield、Saastamoinen、Black等模型，此类模型的应用依赖于地表气象参数，这极大限制了模型的应用范围。常用的无气象参数模型大都采取数值天气预报模型建立，是通过对全球大气平均气象资料以及全球气候分析，建立起来的全球范围内的对流层延迟模型。此类模型精度较差，难以实现GNSS导航定位中的自洽，尤其是在地域广阔、环境复杂的地区改正效果较为有限。目前，很少有基于GNSS-ZTD数据直接建模的ZTD模型。本专利针对传统对流层天顶延迟模型在估算天顶延迟中存在的精度不高，稳定性差且依赖于气象参数等问题，基于中国区域陆态网提供的GNSS反演对流层天顶延迟数据，利用人工神经网络的自适应学习能力和非线性逼近能力，避免一些传统ZTD模型中参数化模型的缺点，通过权值的自动调整，达到最佳的逼近效果，以建立一种准确可靠的对流层延迟模型来达到局部精化的效果，以提高中国区域对流层延迟改正精度，对提高GNSS导航定位的精度和可靠性有很重要的现实意义。

发明内容

发明目的：本发明的目的是提供一种高精度的基于CMONOC-ZTD的对流层延迟改正方法。

技术方案：本发明所述的一种基于CMONOC-ZTD的对流层延迟改正方法，包括以下步骤：

S1：获取建模数据，构造训练样本；

S2：利用S1中得到的样本构建若干个“弱”神经网络模型；

S3：在“弱”神经网络模型中输入样本训练；

S4：确定每个“弱”神经网络模型的权重；

S5：将“弱”神经网络模型的结果加权平均，输出最终模型，并验证其精度。

所述步骤S1中的建模数据采用中国大陆构造环境监测网(crustal movementobservation network of China，CMONOC)的测站提供的对流层天顶延迟(zenith totaldelay，ZTD)产品(简称CMONOC-ZTD)序列。

所述步骤S2中的“弱”神经网络模型采取FNN网络。

所述feed-forward neural network(FNN)网络由输入层、隐含层与输出层组成，其输入层节点数为5，分别代表测站经度(°)、纬度(°)、高程(m)、年积日(dayofyear，DOY)和小时(h)，隐含层节点数为27个，输出层节点数为1个，代表ZTD(mm)，激活函数选取Tan-Sigmoid函数，其表达式为：

其中x为该神经元的输入信号值，f(x)为输出信号值，FNN的目标误差为1mm，最大训练次数为200次，采用梯度下降法进行训练。