[发明专利]一种基于BP神经网络技术的GNSS多路径效应改正方法

说明书

本发明提供了一种基于BP神经网络技术的GNSS多路径效应改正方法，依次包括多路径误差提取、样本预选、样本预处理、样本训练、网络拓扑结构确定、数据保存、数据后处理和模型更新；通过利用BP神经网络算法的信号正向传播和误差的反向传播对多路径误差进行建模，可有效削弱卫星的运动情况、卫星高度角、信噪比、以及监测点周围环境情况引起的多路径效应误差，同时训练出的结果监测站X、Y、Z三方向的周期性波动得到明显改善，并且能够根据新增的多路径误差数据对模型进行动态更新，能够最大程度削弱多路径效应对监测点造成的周期性误差。

技术领域

本发明涉及多路径效应技术领域，特别地，涉及一种基于BP神经网络技术的GNSS多路径效应改正方法。

背景技术

GNSS(Global Navigation Satellite System)是各种导航系统的统称，包括：GPS、BDS、GLONASS、Galileo等导航系统。随着卫星导航系统的飞速发展，GNSS技术已经在导航、变形监测、定位、授时等多种领域中得到大量的应用。由于GNSS全天候、全自动、无需人工干预的特点在变形监测中得到了广泛的应用。

GNSS在变形监测中使用短基线相对定位技术实时得到被监测物的变形情况，由于基线较短，大部分的误差通过滤波和差分技术已经有效消除。然而多路径效应不能够通过这些手段有效消除。多路径效应严重损害GNSS测量的精度，严重时还会引起信号的失锁，是GNSS测量中一种重要的误差源。

现有的削弱多路径误差的有效途径主要有三种：(1)在采集数据时选择遮挡较少的地方；(2)在GNSS接收机中加入抑制多路径效应的算法或使用带有扼流圈的天线；(3)采用后处理算法剔除多路径效应。在项目中一般监测点的位置是确定的，并不能有很理想的空旷环境，所以第一种方法并不适用；第二种方法需要在硬件中进行改进，需要接收机厂商来优化；在项目中的应用一般会采用第三种方法削弱多路径误差。

后处理算法最简单的是选星法，使用比较普遍的是建立多路径模型方法。两种方法首先是基于多路径效应对伪距观测值的影响较大、对载波观测值的影像较小这一原理计算不同卫星的多路径效应；其中选星法主要根据计算得到的多路径误差选择误差较小的卫星参与解算；模型法根据多天多路径误差建立每颗卫星的多路径效应模型，然后根据模型对每一颗卫星的伪距观测值进行改正。目前，多路径建模的方法主要是通过多项式拟合、Kalman滤波技术、频谱分析、信噪比-多路径误差、高度角-多路径误差来建模实现多路径改正。

上述的多路径削弱方法存在一定的局限性：选星法比较简单，但是这种方法在观测到卫星数较少的情况下，剔除过多的观测数据会使解算精度降低，只能用在卫星情况很好的地方；对于模型法，由于多路径效应虽然具有一定的周期性，但是其数值与卫星运动情况、接收机周围环境有很大关系，规律表现的比较复杂，并不能通过简单的滤波、信噪比、高度角建模准确建模，所以以上建模方法对于多路径改正同样存在很大的困难，且只能用在后处理中，并不能用在实时数据处理中。

业内急需一种基于BP神经网络技术的GNSS多路径效应改正方法的新型技术。

发明内容

本发明目的在于提供一种基于BP神经网络技术的GNSS多路径效应改正方法，以解决多路径误差的复杂难以准确建模和无法实时计算解算多路径效应并修正误差的技术问题。

为实现上述目的，本发明提供的一种基于BP神经网络技术的GNSS多路径效应改正方法，是在BP神经网络技术应用的基础上实施，BP神经网络算法包括一个输入层、一个隐含层和一个输出层，其中输入层神经元个数为基准站和监测站共同卫星个数的2倍，输出层有三个神经元，分别为基准站和监测站X、Y、Z三方向的坐标时间序列；BP神经网络激活函数采用Sigmoid函数：

具体包括以下步骤：