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.      

总体最小二乘研究进展

在现有的关于GPS高程转换的总体最小二乘方法研究中,通常是将高程异常转换参数的计算与待求点高程异常的计算分两步进行处理,并且只考虑由已知高程异常点的平面坐标组成的系数矩阵的误差,忽略了高程异常待求点的坐标误差。针对以上问题,本文提出了GPS高程转换的总体最小二乘拟合推估模型,将计算高程异常转换参数和待求点高程异常联合处理,且考虑到所有点的点位误差,最后采用拟合推估法进行求解。实验结果表明,本文方法能够有效地提高高程转换的精度。     

基于泛在信号融合的室内外场景鲁棒感知算法

针对室内外场景结合的导航应用服务需求的发展以及现有室内外场景感知方法的识别稳定性较低、准确率不高问题,本文提出一种基于泛在信号融合的室内外场景鲁棒感知算法,利用室内外场景中融合的泛在信号降低单一信号识别误差;同时为提高传统AdaBoost算法对不平衡数据集的分类精度,采用概率神经网络（PNN）作为训练的弱分类器,并引入熵权法,对迭代产生的弱分类器的权重进行修正来提高强分类器的分类准确率．现实场景下的实验表明,本文算法在采用室内外环境中的WiFi信号、全球卫星导航系统（GNSS）可用星数、光照强度这三种融合的泛在信号进行室内外场景感知时性能最佳,对于不同角度方向下的室内外场景切换,可以在误报率仅为1.7％的情况下,达到98％的识别准确率,验证了本文所提算法的准确性和鲁棒性．