排序方式: 共有88条查询结果,搜索用时 15 毫秒
21.
22.
针对在平面坐标转换时选取不同模型将得到不同的转换精度,通过所编程序进行实验,对比了四参数模型、六参数模型和二次曲面模型的转换精度.实验表明,当合理选择转换点时二次曲面模型在平面坐标转换中精度高于四参数模型和六参数模型的转换精度. 相似文献
23.
将自适应噪声的完全集合经验模态分解方法替换常用的二次多项式方法,对原始信噪比(signal-to-noise, SNR)进行信号分解,直接提取相应的本征模态函数,再应用于GNSS-MR技术反演雪深。以美国科罗拉多州NWOT测站GPS数据进行实验的结果表明,该方法与传统方法相比,均方根误差降低30.7%,与实测数据相关系数为0.965,验证了该方法的有效性。 相似文献
24.
对流层延迟是影响高精度卫星导航定位的关键因素,也是大气科学研究的重要数据.针对已有全球对流层延迟模型的模型方程未同时顾及高程、纬度和季节变化以及模型构建时仅使用单一格网点数据等问题,本文提出了一种对流层天顶延迟(ZTD)全球模型构建的新方法,即引入滑动窗口算法将全球剖分为大小一致的规则窗口,利用2008—2015年全球大地观测系统(GGOS)大气格网产品构建每个窗口同时顾及高程、纬度和季节因子的全球ZTD新模型(GGZTD模型).联合未参与建模的2016年全球GGOS格网产品和2016年全球316个IGS站精密ZTD产品,检验了GGZTD模型的精度和适用性.结果表明:以GGOS大气格网ZTD产品和IGS站ZTD产品为参考值,GGZTD模型在全球的精度分别为3.58 cm和3.62 cm,相对于UNB3m模型和目前标称精度最优的GPT2w模型计算的ZTD信息,GGZTD模型在全球表现出了最优的精度和稳定性,其精度相对于UNB3m模型具有显著的提升(精度提高了30%以上),相对于GPT2w模型仍具有一定的改善;在ZTD计算时GGZTD模型相对于GPT2w模型显著地减少了模型参数,尤其相对于GPT2w-1(减少了99%).GGZTD模型只需输入位置与时间和依赖相对较少的模型参数则能在全球获得高精度和稳定的ZTD信息,极大地提升了模型的计算效率. 相似文献
25.
????GPS?????????????(PWV)??????????????????????????SA????????????????GPS???????????????????GPS????????????????????????θ???????????????ù??????????????????????????С??100 m???????????????????μ????????????Saastamoinen?????????????????????????????????IGS???BJFS??KUNM??LHAZ??TWTF??????????????????????????????????GPS PWV????????????????????RS PWV?????ж???????????????????????????θ???????????????????GPS PWV??RS PWV??????????????1~3 mm?????????????????????????????????GPS????PWV?? 相似文献
26.
27.
在分析已有的单位权方差假设检验法基础上,讨论了基于单位权方差比构造统计量的方法,进而提出了一种新的适用于工程GPS网基准点兼容性分析的单位权方差假设检验模型,简称方差检验模型。利用算例验证了新模型的可行性和有效性。 相似文献
28.
在地基GPS气象学中,湿延迟(zenithwetdelay,ZWD)与可降水量(precipitablewatervapor,PWV)的转换系数犓是一个重要的参数?疚睦弥泄臀扯鹊厍ǎ玻埃埃场悖巍玻福病悖危玻案鎏娇照荆玻埃埃浮玻埃保蹦甑奶娇帐荩治隽藸酥邓娌庹疚扯群秃0蔚谋浠卣鳎⒔⒘艘恢治扌枵镜闫笫?仅与站点纬度、年积日和海拔相关的区域转换系数犓值腜汀=峁砻鳎髡酒骄鶢酥捣直鹚嫖扯取⒑0蔚脑龃蠖跣?减小速率分别为0.0002/(°)和0.002/km;本文建立的区域模型的精度与单站模型或者通过加权平均温度(犜犿)获得的转换系数犓值的精度相当,可用于该区域无气象数据条件下GPS反演PWV 相似文献
29.
30.
石一凡刘立龙兰胜伟张清岚李浩杰 《大地测量与地球动力学》2023,(12):1300-1306
结合粒子群优化算法和BP神经网络,利用中国区域88个探空站2015-2017年的数据,以地表温度、地表水汽压、纬度、高程、年积日作为模型输入因子,以积分法获得的Tm值为学习目标,建立适用于中国区域的Tm模型PSOTM。以2018年探空数据为参考值评定PSOTM模型精度,并与Bevis、GPT3、传统BP神经网络(BPTM)、GRNN神经网络(GRNNTM)模型的计算结果进行对比。结果表明,PSOTM模型年均RMSE为3.08 K,相对于Bevis、GPT3、BPTM和GRNNTM模型分别降低26.84%、35.97%、15.38%和4.94%;PSOTM模型年均bias为0.32 K,相对于Bevis、GPT3和BPTM模型分别降低68.93%、82.42%和72.41%,较GRNNTM模型升高37.50%。PSOTM模型在中国区域不同纬度和高程的精度与稳定性优于Bevis、GPT3和BPTM模型,具有良好的适用性。 相似文献