GNSS对流层天顶延迟模型及映射函数研究EI北大核心CSCD

对流层延迟是指电磁波信号穿透中性大气层时速度和路径均发生改变的效应,具有非色散性,无法通过多频组合方式消除;由于水汽具有典型的时空非平稳特征,难以对非流体静力学分量进行精确建模。如何妥善处理对流层延迟,是提高GNSS定位精度的重点和难点问题。     

基于多源数据和广义回归神经网络的ZWD预报模型EI北大核心CSCD

对流层湿延迟是GNSS误差源较难改正的部分。主流的天顶湿延迟(ZWD)经验模型大多基于单源数据,如探空数据或再分析资料的一种,且通过预设模型函数表征ZWD在不同尺度上的变化,难以准确描述ZWD在不同尺度上的非线性复杂变化,精度有待进一步提高。针对此问题,基于多源数据和具有强大非线性逼近能力的广义回归神经网络(GRNN),构建了一种ZWD预报模型。首先,采用GRNN模型优化和降采样两种不同数据源的格网ZWD,并将其与探空ZWD合并,获取高质量的ZWD数据集;然后,根据ZWD受时空影响较大的特点和机器学习的特点,设计了GRNN训练模型的输入变量和输出变量;最后,采用后验寻优的方法确定模型参数,进而获得最优的预报模型。经探空ZWD验证,相比国际典范经验模型GPT2w,模型的精度提高了25.3%(以RMS计);相对同方法单源(探空)数据模型,精度改善了11.1%;且模型的预报精度具有良好的时空稳定性。此外,计算效率和PPP应用试验结果表明,模型的计算效率可满足GNSS实时应用的需求,且应用于PPP的改进效果优于GPT2w。本文所提方法无须预设模型函数即可获得较高的ZWD预报精度,为ZWD模型化提供了一种思路。     

亚洲地区EGNOS天顶对流层延迟模型单站修正与精度分析

以亚洲地区46个IGS站2008-2011年实测的高精度天顶对流层延迟（ZTD）数据为参考值,通过对2008-2010年EGNOS模型计算ZTD的日均偏差进行频谱分析,建立了亚洲地区EGNOS模型的单站修正模型（SSIEGNOS）,对EGNOS和SSIEGNOS模型在亚洲地区的精度和适用情况进行了评估,结果表明：（1）EGNOS模型偏差和RMS在时间分布上呈现明显的季节变化规律,而SSIEGNOS模型偏差和RMS变化较小且平稳;（2）在空间分布上,两种模型的偏差随着经纬度和高程的变化均无明显规律,但随着高程或者纬度的增加RMS总体上都有递减的趋势;（3）SSIEGNOS模型预测ZTD的精度相对于EGNOS模型有明显提高。     

GPT2w模型在中国区域的精度检验与分析

全球温度气压湿度（global pressure and temperature 2 wet,GPT2w）模型常被用于计算某一位置的气温、加权平均温度、气压以及水汽压等各种气象参数,是目前公开的标称精度最高的对流层延迟经验模型。利用中国区域参与全球气象交换的86个测站2013-2015年的气象探空数据,对GPT2w得到的各种气象参数进行精度检验及分析。实验结果表明,气温平均偏差为1.31℃,均方根误差为3.62℃;加权平均温度的平均偏差为-1.58 K,均方根误差为4.07 K;气压和水汽压平均偏差的绝对值在1 hPa以内,其均方根误差分别为6.98 hPa与3.04 hPa。利用2006-2015年的数据分析了不同纬度模型精度的周期性特征,结果表明,气温、加权平均温度、气压和水汽压的均方根误差均具有一定的年周期特性,且在不同的纬度区域其周期特性不同。总体而言,GPT2w模型在中国地区范围内具有较高的精度和稳定性。     

基于GNSS和再分析资料的ZTD/PWV精度评定与模型构建方法研究EI北大核心CSCD

水汽虽然占总中性大气含量不足4%,但它却是地球中性大气的重要组成部分。一方面,它是大气能量传递的基础,水在低纬度地区被蒸发吸收热量,水汽被输送到高纬度地区凝结,释放出大量的热量;另一方面,水汽也是地球上最重要的温室气体之一,对全球气候变化有着重要影响。此外,水汽在大气水文循环中也起着关键作用,在风的作用下,水汽围绕地球移动。     

顾及时空因素的高精度全球对流层关键参量模型构建研究EI北大核心CSCD

对流层在全球水循环、灾害天气形成与演变中扮演着极为重要的角色。大气加权平均温度(Tm)、对流层天顶延迟(ZTD)和天顶湿延迟(ZWD)等均属于对流层关键参量,其中ZWD/ZTD是影响GNSS等空间技术高精度导航定位的重要因素,而Tm是GNSS水汽探测的关键参数。随着GNSS导航定位及水汽探测对实时高精度对流层关键参量的要求日趋增强,对流层关键参量的实时高精度全球精化模型构建成为近年来的研究热点。论文针对已有对流层关键参量全球经验模型存在的问题,联合最新的MERRA-2资料和GGOS大气格网产品等多源数据,开展了对流层关键参量的实时高精度全球模型构建研究。论文主要工作和贡献如下。     

加乘性混合误差模型精度评定的SUT法EI北大核心CSCD

已有加乘性混合误差模型参数估计方法能达到二阶精度,但精度评定方法只能达到一阶精度,若通过传统泰勒级数展开近似函数法来获取参数估值的二阶精度信息,由于加乘性混合误差模型中参数估值与观测值为一个复杂的非线性关系,必然需要复杂的求导运算。针对该问题,本文使用一种无须求导、无须了解非线性函数构成的比例无迹变换(scaled unscented transformation,SUT)法来计算参数估值的二阶精度信息。通过算例分析表明,利用SUT法求解加乘性混合误差模型能够有效避免复杂的求导运算,所求得的参数估值及其协方差阵均能达到二阶精度,从而验证了本文方法的可行性和优势。     

超宽带/GNSS/SINS融合定位模型与方法研究EI北大核心CSCD

全球卫星导航系统(GNSS)与捷联惯性导航系统(strapdown inertial navigation system,SINS)的组合可在室外环境或卫星信号短暂失锁的条件下提供连续、可靠的定位服务。但针对室内或弱GNSS信号区域,组合系统的服务受限;超宽带(ultra-wideband,UWB)系统以其可提供厘米级的理论测距精度且布设方便的优势,可为该区域提供有效的测距信息。论文以车载试验平台为依托,分别就UWB/SINS、GNSS/SINS和UWB/GNSS/SINS 3类室内外定位模型及相应的模型参数估计方法展开研究,主要研究成果如下。     

3种全球气压与温度模型的精度对比分析北大核心CSCD

针对目前全球气象模型受不同季节、纬度、高程等因素影响问题,该文利用全球分布的IGS站实测气象数据,对GPT、GPT2、GPT2w模型的精度进行对比,对模型的季节性特征以及纬度、高程因素对模型精度的影响进行分析,并对3种模型反演GPS大气可降水量(PWV)的精度进行比较。结果表明:(1)GPT2和GPT2w模型的精度相当,均优于GPT模型;(2)3种模型均具有明显的季节性特征,7月份(夏季)的模型精度最优;(3)纬度、高程因素对3种模型气压误差的影响较大,而对气温误差的影响相对较小;(4)GPT2、GPT2w模型解算的PWV估值精度相当,偏差均值和平均RMS分别小于1.2mm和1.8mm,均优于GPT模型计算结果。研究结果:可为全球或区域气象模型的改进和生产应用提供借鉴。     

顾及气象数据的中国区域对流层延迟RBF神经网络优化模型

本文基于单层气象数据(ERA5单层数据、实测气象参数)和多层气象数据(ERA5气压层数据、COSMIC掩星数据),分别采取模型法和积分法获取了我国236个陆态网GNSS测站的ZTD值,即ERA5S_ZTD、MET_ZTD、ERA5P_ZTD、RO_ZTD。以GNSS_ZTD为参考,按月评估了上述4种ZTD估计值的精度,结果表明:4种ZTD估计值的月平均RMSE依次为42.8、53.6、16.1和62.3 mm,其中基于积分法估计的ERA5P_ZTD精度最高,采用模型法计算的ERA5S_ZTD和MET_ZTD次之,而利用积分法获取的RO_ZTD值精度较低。为进一步提升利用气象数据估计ZTD值的精度,本文提出了基于RBF神经网络的对流层延迟改进模型。计算结果表明:改进模型获得的4种ZTD值与GNSS_ZTD之间的月RMSE平均值分别为23.5、32.1、14.2和40.8 mm,精度较原有ZTD估计值提升43.4%,36.3%,10.0%和34.4%。整体而言,改进模型估计ZTD值精度提升效果明显,且提升率与测站分布的密集程度有关。     

径向基函数神经网络的路网自动匹配算法

针对VGI数据中检测更新的问题,该文提出基于径向基函数的神经网络自动匹配算法。通过选取路段的距离、方向、形状和长度4个空间特征的相似度作为衡量路段是否匹配的指标。考虑到4个空间特征指标对匹配的影响力不同,在RBF(radial basis function)神经网络中的隐含层对基函数引入粒度拉伸因子,使径向对称的RBF顾及各向异性。同时对输出层在线性加权求和函数的基础上引入sigmoid函数,使计算结果(路段的匹配度值)归一化。该算法对数据质量较差的VGI路网具有很好的匹配能力,与BP神经网络相比,RBF神经网络在地图匹配中具有更好的匹配效率。     

基于高维云模型和RBF神经网络的遥感影像不确定性分类方法

云模型是用自然语言值表示的某个定性概念与其定量表示之间的不确定性转换模型,RBF神经网络已经广泛应用于遥感影像分类。考虑到传统的RBF神经网络分类技术不能有效表达影像分类过程中存在的不确定性、难以自适应地确定隐含层神经元,本文提出了一个基于高维云模型和改进RBF神经网络的不确定性分类技术。利用高维正态云创建隐含层神经元,使RBF神经网络能充分表达影像分类过程中存在的不确定性。通过峰值法云变换和高维云算法自适应地确定最优隐含层神经元。通过基于概率的权值确定和频率阈值调整,进一步优化RBF神经网络的结构。实验表明,本文提出的方法有较高的分类精度,分类结果基本上与人眼目视解译一致。     

基于EMD和RBF神经网络的大坝形变预测

利用长期观测数据结合预测模型对大坝的形变趋势进行估计评价是大坝结构安全监测的必要内容。本文综合利用EMD和RBF神经网络,研究大坝变形时间序列中非线性周期信号变化的内在规律,使用西龙池L022号站4000期数据作为训练样本,对后续80期数据进行预测,并通过对预测结果与实测变形差值的统计分析评价本文方法的预测水平。结果表明,N、E、U 3个方向的RMSE分别为0.878 6、0.360 4和2.235 mm。与BP进行对比,RBF预测效果更好,受数据精度影响较小,MAE、RMSE较BP分别最高可提高63%、57%,且本文方法计算效率高,泛化能力强。     

基于RBF神经网络的遥感影像分类算法研究

提出了运用径向基函数神经网络和K均值法进行遥感影像分类的算法，以实际的遥感影像分类为例，通过与传统的最小距离法进行比较，对RBF神经网络分类器的优点进行了归纳，并就算法实施中的一些问题进行了探讨。分析结果表明，RBF神经网络是一种有效的图像分类器。     

遗传算法优化的BP神经网络城市不透水层百分比估算

本研究利用基于遗传算法优化的BP神经网络算法估算城市不透水层百分比。首先,将像元中各端元组分与BP神经网络的节点相对应进行BP网络建模,遗传算子建模;其次,对样本进行网络训练,先通过GA算法得到全局近最优网络权重集,然后用梯度下降算法训练网络,直到找到能充分反映特征空间中的数据分布模式的局部最优网络权重集;然后,训练好的网络被应用于整个影像用来估算城市不透水层覆盖百分比。在此基础上,对北京市地表不透水层百分比进行估算。试验结果表明,本研究所用的方法能有效利用中高分辨率遥感影像数据估算城市不透水层百分比。     

基于AIC准则的RBF神经网络在GPS高程拟合中的应用

本文采用AIC准则优化RBF神经网络参数的方法进行GPS高程拟合,在建立网络模型过程中,对不同的聚类半径由最近邻聚类法求出不同类别的聚类数目及相应的聚类中心和初始扩展常数,通过对不同类别分别进行调整扩展常数的网络训练,求出其最小AIC值,再根据AIC准则确定结构最优的RBF网络模型。实验结果表明:这种方法为确定最优RBF网络模型的隐节点数目及相应参数提供了途径;拟合精度较高,在较平坦测区可以替代三等水准测量。     

基于遗传算法的RBF神经网络在GPS高程拟合中的应用

本文针对RBF神经网络中隐含层径向基中心值的确定,利用遗传算法对其进行优化,并应用于高程拟合的实验研究中。通过将遗传算法优化的RBF神经网络与K-均值优化的RBF神经网络及标准RBF神经网络进行高程拟合的误差对比分析表明:遗传算法优化的RBF神经网络提高了拟合的稳定度,改善了精度。     

基于改进粒子群优化RBF神经网络的地理信息预测

本文首先针对标准粒子群优化算法容易陷入局部最优的缺点,采用动态自适应调节策略,使得粒子的惯性权重随群体聚集程度而适时变化,从而调整粒子群搜索的速度和方向以跳出局部最优;然后将粒子群算法的全局搜寻能力和RBF网络的局部优化能力相结合,利用改进的粒子群优化算法优化RBF神经网络的关键参数;并将其应用于地理信息的预测,得到满意的结果。     

天顶静力延迟模型对GPS可降水量反演的影响分析及改进

利用地基GPS遥感大气可降水量(PWV,precipitable water vapor)过程中,天顶静力延迟(ZHD,zenith hydrostatic delay)模型精度直接影响PWV反演精度。文中将常用天顶静力延迟模型(Black模型、Hopfield模型和Saastamoinen模型)计算所得ZHD与基于湖南省2016-04-01—2017-03-31高空气象探测秒级数据计算所得探空ZHD进行对比,发现模型存在较明显系统偏差,其中Black模型ZHD平均偏低40mm以上。利用探空实测ZHD对天顶静力延迟模型进行回归建模,订正模型系数后可明显减小模型系统偏差和均方误差。改进后的ZHD模型可明显减小GPSPWV反演的系统偏差,并略微降低均方误差,其中采用改进后SA模型反演所得GPSPWV与探空PWV相比,平均偏低不超过0.230 7mm,反演准确性有较显著改善。