预测模型在对流层延迟计算中的应用研究

为了消弱对流层延迟影响,提高GPS定位的精度,探讨了利用预测模型计算对流层延迟的可行性。建立了计算对流层延迟的多元线性回归模型、组合预测模型、灰色模型和BP神经网络模型,并提出了一种基于可靠度的组合模型权系数确定方法。结合邳州、新沂两个CORS站的观测数据和地面气象数据,利用4种预测模型进行对流层延迟预测实验。实验结果表明:在48 h的预测时段内,4种模型预测对流层延迟的精度分别为10,15,25和30 mm。其中多元线性回归模型预测效果最佳,在已知学习样本真值的情况下,其预测精度达到1 cm,较传统对流层延迟改正模型精度提高约50%。     

遗传算法优化的GPS对流层延迟内插算法

为了提高对流层延迟的插值精度,文章采用安徽省电力系统10个CORS基站的对流层延迟作为训练数据,8个CORS站的对流层延迟作为测试数据,建立一种基于遗传算法和BP神经网络的区域GPS对流层延迟内插方法(GABP),利用遗传算法优化BP神经网络权值和阈值的模型,该模型只需要输入测站点的经纬度和高程值。数据处理结果表明,在区域GPS对流层延迟预测中GA-BP模型是一种预测精度比较高的方法。     

基于Keras平台的LSTM模型的对流层延迟预测

对流层延迟是影响全球卫星导航系统（GNSS）测量精度的重要因素. 针对现有对流层延迟模型稳定性差,精度较低等问题,在无实测气象参数条件下,提出一种基于Keras平台的长短期记忆神经网络（LSTM）的对流层延迟预测模型. 选取全球均匀分布的8个测站,使用其2016年第90-131年积日共42 天的整点对流层延迟数据预测其第132-136年积日的整点数据. 以国际GNSS服务（IGS）中心提供的对流层产品为真值,分析比较LSTM模型和反向传播（BP）神经网络模型的预测效果. 研究表明,LSTM模型预测结果的均方根误差基本达到mm级,其平均绝对误差和平均绝对百分比误差均比BP模型低,LSTM模型在精度和稳定性上较BP模型均有明显提高;LSTM模型在中高纬区域的均方根误差（RMSE）均值达到7.82 mm,中高纬地区更适合使用该模型.      

一种盾构施工引起的地面沉降预测方法

针对盾构施工引起的地面沉降的影响因素众多、关系错综复杂,常规数学模型难以准确预测沉降量的问题,该文提出了采用主成分分析法和粒子群优化的支持向量机方法来建立预测模型。并结合工程实例将预测结果与常用的多元线性回归模型和基于Levenberg-Marquardt算法改进的BP神经网络模型(LM-BP)的预测结果做了比较。结果表明:PCA-PSO-SVM的预测结果精度较多元线性回归模型和LM-BP神经网络有很大的提高,证明了该研究方法具有一定的理论意义和参考价值。     

对流层延迟改正模型的敏感性分析

简述对流层延迟改正模型,编程开发了利于实时计算的对流层延迟修正值的软件,基于灵敏性理念,分别针对温度、大气压及高度角变化,绘图分析了霍普菲尔德、萨斯塔莫宁和勃兰克等三种改正模型的修正效果,取得了合理选用模型的有益结论。     

一种基于SARIMA的经验对流层延迟模型

为了减弱对流层延迟的影响,提高GNSS定位精度,探讨了在无气象参数的条件下,利用预测模型计算对流层延迟的可能性,并提出了一种经验对流层延迟预测模型,即基于季节性自回归移动平均模型（SARIMA）的对流层延迟预报方法。结合中国长春和上海两个地区的ZTD数据进行预测分析,预测结果表明：基于SARIMA的ZTD预报模型能够满足不同地区不同时段下的ZTD估计需求,是一种较高精度的ZTD预报方法。     

三种对流层延迟模型的精度对比

针对不同对流层延迟模型的改正精度不同的问题,该文采用3个IGS站BJFS、SHAO、WUHN的2014年对流层天顶总延迟数据以及地面气象数据,对目前常用的3种对流层延迟模型:霍普菲尔德(Hopfield)、萨斯塔莫宁(Saastamoinen)、欧洲地球静止导航重叠服务(EGNOS)的精度进行了分析。结果表明:Saastamoinen和Hopfield模型的精度相当,EGNOS模型精度略差于其余两种模型,但能满足GNSS米级的定位要求;在气象条件变化剧烈时,EGNOS模型精度不如实测地面气象数据的Hopfield和Saastamoinen模块。     

粒子群优化神经网络的土壤有机质高光谱估测

针对提高土壤有机质高光谱估测精度的问题,该文对山东省泰安市的92个棕壤样本进行光谱去噪,剔除异常样本处理后,对光谱反射率进行11种变换,发现一阶微分变换最佳;然后计算土壤有机质含量与变换后光谱反射率的相关系数,选取5个特征波段,分别利用多元线性回归、BP神经网络、支持向量机、粒子群优化神经网络4种方法建立土壤有机质含量高光谱估测模型并进行精度比较。实验结果表明,多元线性回归、BP神经网络、支持向量机和粒子群优化神经网络模型的决定系数R2分别为0.520 3、0.665 4、0.735 0和0.853 0,均方根误差分别为2.12、1.99、1.45和1.08。研究结果表明,粒子群优化神经网络的反演精度高、稳定性强,可有效提高土壤有机质的光谱估测能力。     

土壤Cu含量高光谱反演的BP神经网络模型

以高光谱数据为基础,针对传统土壤重金属反演模型拟合度低、预测效果差的缺点,提取光谱预处理后的特征波段数据进行相关性分析,选取860nm一阶微分光谱反射率建立基于Matlab的重金属Cu含量BP神经网络预测模型,模型的拟合优度为0.721,预测精度达82.3%,高于传统单元线性回归模型0.414的拟合优度与76.1%的预测精度。研究表明,BP神经网络模型具有良好的拟合优度与预测能力,能更有效预测土壤中重金属Cu的含量。     

变分模态分解和机器学习融合的GNSS-IR土壤湿度反演

针对如何有效去除GNSS-IR土壤湿度反演中卫星信号噪声比例高、地表粗糙度带来的散射影响等问题,建立了一种将变分模态分解与BP神经网络相结合的模型,该模型利用变分模态分解自适应与非递归的特点来替代传统的多项式拟合法,从而有效提高反射信号提取精度;并利用BP神经网络的非线性映射能力进行后期预测,与传统线性回归进行对比分析。利用PBO H₂O的土壤湿度作为参考依据,以2016年PBO 783测站的GNSS数据为基础建立模型并评估分析。实验结果表明：结合变分模态分解与BP神经网络的土壤湿度模型反演结果与参考数据在大体趋势上基本一致,其均方根误差为0.014,决定系数R²为0.951,对比单星线性回归模型提升了42.79%,证明了该方法确实能够有效提高反射信号质量及抑制地表粗糙度影响从而提高土壤湿度反演精度。     

GPS网络RTK中对流层延迟分析

分析了网络RTK中基准站和流动站间气象元素、基线长度、高程差异和模型差异等因素对对流层延迟误差的影响,得出气象元素的大小和基线长度等与单差对流层延迟之间存在线性关系,由基准站和流动站的对流层模型差异造成的差值与高差之间也存在线性关系,且利用网络RTK内插法只可消除其中大部分的误差。这对利用网络RTK算法生成流动站的误差改正数具有重要的参考价值。     

GPS网络RTK中对流层延迟分析

分析了网络RTK中基准站和流动站间气象元素、基线长度、高程差异和模型差异等因素对对流层延迟误差的影响,得出气象元素的大小和基线长度等与单差对流层延迟之间存在线性关系,由基准站和流动站的对流层模型差异造成的差值与高差之间也存在线性关系,且利用网络RTK内插法只可消除其中大部分的误差.这对利用网络RTK算法生成流动站的误差改正数具有重要的参考价值.     

基于Hopfield神经网络模型的遥感影像分类算法

针对遥感影像的分类特点，提出了一种基于Hopfield神经网络模型的遥感影像分娄算法。首先阐述了Hopfield神经网络的结构及其工怍原理，分析了Hopfield神经网络优化规则；然后在Hopfield神经网络通用模型基础上，实现了Hopfield神经网络的算法。实验结果表明，这种分类器具有较高的精度与效率，分类结果优于最大似然分类法。     

利用时空神经网络模型的长江经济带气温反演

传统基于遥感的气温反演方法往往使用全局模型,从而忽略了气温分布及其时空影响异质性,特别是在较大区域尺度的研究中存在不足。针对长江经济带区域,引入时空地理加权神经网络模型,建立一种高精度的气温估计方法。通过在广义回归网络模型中建立局部模型来顾及时空异质性的影响,融合遥感数据、同化数据、站点数据,获取面域分布的近地表气温信息。采用基于站点的十折交叉验证方法对模型性能进行评估,结果表明,时空地理加权神经网络有效提高了气温估计的精度（均方根误差为1.899℃,平均绝对误差（mean absolute error,MAE）为1.310℃,相关系数为0.976）,与多元线性回归和传统的全局神经网络方法相比,MAE值分别降低了1.112℃和0.378℃。气温空间分布制图结果显示,该方法结果能很好地反映长江经济带气温空间上的差异和不同季节的特征信息,具有实际应用价值。     

一种GNSS网络RTK改进的综合误差内插方法

在全球导航卫星系统（GNSS）网络RTK综合误差内插法（CBI）的基础上，提出了一种改进的综合误差内插方法（MCBI）。该方法把综合误差分为对流层模型改正、一阶电离层影响和除一阶电离层影响外的其他综合影响3个部分。实例证明了该方法不仅在精度上比综舍误差内插法要高，而且更利于流动站的应用。     

基于BP神经网络技术的区域短期地震预测模型研究

地震预测是一个世界性科学难题,特别是短期与临震预测的水平与社会需求相距甚远。论文在详细分析研究地震数据特征以及常规地震预测方法的基础上,提出了一种可以实现地震震级量化预测的新方法,此方法通过解算出地震参数和天文时变参数并建立地震预测模型,对未来预测周期内发生的最大地震震级进行量化预测。本文以实验区域为研究对象并选取6个月为预测周期,采用线性回归分析方法和常规BP神经网络方法进行研究。经回溯检验,其地震震级预测中误差分别为±0.78级和±0.61级,精度均有待提高。经过总结上述两种方法的优缺点,创新的提出了基于线性回归与神经网络技术的地震预测融合模型,回溯检验结果表明,融合模型的震级预测中误差为±0.41级,地震预测效果显著提高。     

A real-time meteorological-based troposphere (RMT) correction with integrity bound for long baseline DGPS

This paper concentrates on the analysis of a real-time meteorological (MET)-based troposphere (RMT) model where MET data are used in real-time to provide troposphere error corrections with a bounded level of integrity for a prototype National Differential Global Positioning System-High Performance (NDGPS-HP) architecture. Toward this goal, three aspects are studied for this approach: sensitivity analysis, accuracy assessment, and integrity analysis. A Hopfield zenith delay and Chao mapping function models were chosen as a good compromise between accuracy and complexity in the integrity analysis. The sensitivity analysis results indicate that the Hopfield model is mostly sensitive to hot humid conditions, which is compounded slightly more and where some relative humidity sensors are less accurate. The accuracy assessment was performed with respect to both absolute and relative accuracy. In the absolute accuracy assessment, the comparison was made in terms of zenith troposphere delay estimation error, with respect to the International GPS Service (IGS) final troposphere zenith path delay (ZPD) product, which was used as the true ZPD. For locations where IGS stations are not available, a relative accuracy assessment was performed whereby comparisons were made in terms of GPS double difference (DD) carrier-phase troposphere correction residuals using various techniques. The accuracy assessment results indicate that the RMT has insignificant differences from the prototype National Oceanic and Atmosphere Administration (NOAA) troposphere error forecast model. An integrity analysis was performed, which presents integrity bounds for the RMT that can be applied to a NDGPS-HP architecture in which integrity requirements exist. The overriding goal of this effort was to establish a preliminary real-time troposphere error estimation model, with defined levels of integrity in its troposphere error estimation that can be included in an NDGPS-HP architecture, where integrity is a key system requirement. The conclusion is drawn that the RMT model may be well suited for a variety of users within a NDGPS-HP architecture. An erratum to this article can be found at     

BFGS-BP法在变形监测数据处理中的应用

针对传统的BP神经网络算法计算精度低、收敛速度慢的缺点,本文将求解无约束极值问题的非线性最优化方法—BFGS法引入到BP神经网络模型,构建适用于带有不确定性和非线性的结构变形监测数据的处理和预测的BFGS-BP网络模型。并以某隧道施工过程中的拱顶下沉观测数据为例,进行BFGS-BP与传统BP算法的训练和预测对比试验。试验结果表明,与传统的BP算法相比,BFGS-BP模型具有更高的计算精度、更快的收敛速度。     

GPS/VRS对流层延迟误差内插模型研究

在GPS/VRS高精度定位中,对流层延迟误差是影响定位精度的主要因素之一。由于该误差与各参考站间距离相关,目前主要是通过内插模型消除对流层延迟误差影响,实现用户高精度定位。通过总结近十年来主要的几种内插模型,并结合美国CORS网络的六个参考站的数据进行实验分析,发现内插模型误差和卫星高度角以及用户与参考站高程差是相关的,其中LIM模型和LCM模型能够获得较优的效果,可应用于消除对流层延迟误差。     

Analysis of GPS RTK performance using external NOAA tropospheric corrections integrated with a multiple reference station approach

For high-accuracy geodetic applications, time-variable tropospheric propagation delay errors limit global positioning system real-time kinematic positioning accuracy. Potential improvements in positioning accuracy are evaluated by using the National Oceanic and Atmospheric Administration (NOAA) real-time tropospheric corrections (herein called NOAA model) within a multiple reference station network approach. The results are compared with those for modified Hopfield tropospheric model corrections, for six scenarios in three geographical regions in the U.S. National Geodetic Survey network of Continuously Operating Reference Stations, for baseline lengths of 60~150 km. Analyses are conducted at rover locations for relatively humid days, and misclosures for various double difference observations are computed; these observations include each frequency (L1 and L2) and three linear combinations [wide lane, ionosphere free (IF), and geometry free]. The effectiveness of the network approach is demonstrated, with overall performance improvements of 15 and 19%, using the modified Hopfield and the NOAA model, respectively. The IF linear combination, a measure of tropospheric and orbital errors, shows a 3% improvement for the NOAA model compared with the modified Hopfield model.