一种基于BP神经网络技术的GNSS多路径效应改正方法

摘要

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。

说明书

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：

（1）、多路径误差提取；连续采集一个时间段基准站和监测站的星历数据、载波和伪距观测值，对采集的数据按下式1）进行处理，提取基准站和监测站不同卫星的多路径误差MP序列；MP序列由若干个历元的多路径误差值组成；同时对式1）计算得到的多路径误差值进行样本预选，得到不包含模糊度信息的多路径误差MP序列；

；

式1）中为载波相位观测值的频率；为载波相位观测值；为伪距观测值；为多路径误差值；

步骤（1）中的样本预选，具体为：①按照式1）求得各个卫星当前历元的多路径误差值的均值； ②将按照式1）计算得到的后续各个历元的多路径误差值分别减去步骤①计算的均值，得到不包含模糊度信息的多路径误差值；从而得到由若干个历元且不包含模糊度信息的多路径误差值组成的MP序列数据。

（2）、样本预处理：通过一元多次多项式拟合的方法将步骤（1）中计算得到的多路径误差MP序列中的粗差剔除，得到不包含粗差的干净MP序列数据；

一元多次多项式拟合为一元三次多项式拟合，具体按如下方法进行粗差剔除：

（2.1）、 假设多项式方程为：

（2.2）、多路径误差的偏差平方和为：

（2.3）、根据最小原则求出多项式的系数：

（2.4）、利用多项式求出各个时间点的拟合多路径误差值，且将拟合后的多路径误差值按式2）处理，将大于3倍多路径误差值的数据剔除；

；

式2）中为系数拟合后j时刻的拟合值，为j时刻的多路径误差值，3V为3倍多路径误差值。

对监测站和基准站中共同卫星的剔除粗差后的MP序列数据进行双差分处理，得到多路径误差的双差分时间序列数据，然后将双差分时间序列数据进行归一化处理；

双差分处理包括单差处理和双差处理，单差处理为：将监测站和基准站中各共同卫星的剔除粗差后的数据按式3）处理；

；

式3）中为步骤（1）计算得到的监测站和基准站第i颗卫星频段的多路径误差；为第i颗卫星频段的单差分多路径误差值；

双差处理为：将单差处理后得到的单差分多路径误差值与参考卫星的多路径误差值作差处理，形成双差分多路径误差值；参考卫星选择为基准站或监测站监测到的高度角最大的卫星；选择基准站或监测站监测的高度角最大的卫星作为参考卫星，是由于卫星的高度角越大，卫星的信号强度越高，卫星发射的信号受电离层和对流层的影响小，更为准确真实。

；

式4）中为第i颗卫星与参考卫星j时刻频段的双差分多路径误差值。

归一化处理为：将双差分时间序列中的数据按式5）处理，同时将归一化后的双差分多路径误差数据分别保存；

；

是第i颗卫星的双差分多路径误差值，是双差分多路径误差中数据的最小值，是第i颗卫星双差分多路径误差中数据的最大值，是归一化后的双差分多路径误差数据。

经过样本预处理后得到的输入数据为n行2m列的矩阵数据，如式6）所示；其中n为差分多路径误差数据的历元数，m为基准站、监测站共同卫星个数；每一列为一个输入数据，所以神经网络的输入层神经元为2m个；

；

式中代表第t_n时刻（历元）第m颗卫星p1频段的双差分多路径误差；代表第t_n时刻第m颗卫星p2频段的双差分多路径误差。

（3）、样本训练以及后处理：设置相应的训练参数，使用BP神经网络算法对样本预处理后的数据进行训练，其中输入为式6）所示n行2m列矩阵中的数据，输出为GNSS解算软件读取训练得到的监测站X、Y、Z三个方向的坐标时间序列；通过GNSS解算软件读取训练得到的监测站X、Y、Z三个方向的坐标时间序列，对多路径改正值进行预测，并改正X、Y、Z三个方向的坐标值。

优选的，网络拓扑结构确定具体为：根据样本数据训练的结果，计算均方根误差rmse，调整不同的隐含层神经元个数、网络权值，然后重新计算rmse，重复进行多次后，选择rmse最小的神经元个数和网络权值作为最佳网络拓扑结构；

；

式7）中n为预测点数，o为网络的期望输出，p为网络的实际输出。

（4）、模型更新：当监测点数据长度达到步骤（1）中的一个时间段时，将新增观测数据通过步骤（1）和步骤（2）处理得到的归一化后的双差分多路径误差数据合并到之前已得到的归一化后的双差分多路径误差数据中形成新的归一化后的双差分多路径误差数据，并重新对新样本数据进行训练，依据新样本数据的训练结果，更新模型参数；模型参数为BP神经网络中的网络权值和偏置系数。

本发明具有以下有益效果：

本发明一种基于BP神经网络技术的GNSS多路径效应改正方法，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。

本发明一种基于BP神经网络技术的GNSS多路径效应改正方法中，采用一元三次多项式进行多路径误差拟合，有利于监测的各卫星伪距观测值的多路径误差与卫星运动周期呈现周期性相关，使得误差曲线相对比较平滑，拟合残差相对较小。

本发明一种基于BP神经网络技术的GNSS多路径效应改正方法，通过利用双差分处能够有效消除监测站和基准站的对卫星监测的共同误差，同时双差处理后的多路径误差进行差更符合GNSS软件解算的载波相位差分算法，从而能达到更好的误差改正效果。

本发明一种基于BP神经网络技术的GNSS多路径效应改正方法，通过归一化处理能够有效将双差分处理后的多路径误差数据的取值范围缩小至（0，1），大大提升后续BP神经网络模型的训练运算效率和GNSS软件的解算效率。

除了上面所描述的目的、特征和优点之外，本发明还有其它的目的、特征和优点。下面将参照图，对本发明作进一步详细的说明。

附图说明

构成本申请的一部分的附图用来提供对本发明的进一步理解，本发明的示意性实施例及其说明用于解释本发明，并不构成对本发明的不当限定。在附图中：

图1是本发明BP神经网络结构示意图；

图2是本发明的实施例中1号卫星的归一化后的差分多路径误差图（a、P1频段差分多路径误差，b、P2频段差分多路径误差）；

图3是本发明经过BP神经网络算法后的模型预测值与原始数据对比图（a、X方向模型预测值与原始数据对比，b、Y方向模型预测值与原始数据对比，c、Z方向模型预测值与原始数据对）。

具体实施方式

以下结合附图对本发明的实施例进行详细说明，但是本发明可以根据权利要求限定和覆盖的多种不同方式实施。

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（参见图1），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，分别为监测点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：

本发明一种基于BP神经网络技术的GNSS多路径效应改正方法，具体包括以下步骤：

（1）、多路径误差提取；连续采集一个时间段基准站和监测站的星历数据、载波和伪距观测值，对采集的数据（星历数据、载波和伪距观测值）按下式1）进行处理，提取基准站和监测站不同卫星的多路径误差MP序列；MP序列由若干个历元的多路径误差值组成；同时对式1）计算得到的多路径误差值进行样本预选，得到不包含模糊度信息的多路径误差MP序列；本实施例中采集的一个时间段为30天；

；

式1）中为载波相位观测值的频率；为载波相位观测值；为伪距观测值；为多路径误差值；

步骤（1）中的样本预选，具体为：①按照式1）求得各个卫星当前历元的多路径误差值的均值； ②将按照式1）计算得到的后续各个历元的多路径误差值分别减去步骤①计算的均值，得到不包含模糊度信息的多路径误差值；从而得到由若干个历元且不包含模糊度信息的多路径误差值组成的MP序列数据。

（2）、样本预处理：通过一元多次多项式拟合的方法将步骤（1）中计算得到的多路径误差MP序列中的粗差剔除，得到不包含粗差的干净MP序列数据；

一元多次多项式拟合为一元三次多项式拟合，具体按如下方法进行粗差剔除：

（2.1）、 假设多项式方程为：

（2.2）、多路径误差的偏差平方和为：

（2.3）、根据最小原则求出多项式的系数：

（2.4）、利用多项式求出各个时间点的拟合多路径误差值，且将拟合后的多路径误差值按式2）处理，将大于3倍多路径误差值的数据剔除；

；

式2）中为系数拟合后j时刻的拟合值，为j时刻的多路径误差值，3V为3倍多路径误差值。

本发明一种基于BP神经网络技术的GNSS多路径效应改正方法中，采用一元三次多项式进行多路径误差拟合，有利于监测的各卫星伪距观测值的多路径误差与卫星运动周期呈现周期性相关，使得误差曲线相对比较平滑，拟合残差相对较小。

由于变形监测中一般采用载波相位差分算法，因此，需对监测站和基准站中各共同卫星的剔除粗差后的MP序列数据进行双差分处理，得到多路径误差的双差分时间序列，然后将双差分时间序列中的数据进行归一化处理； 双差分处理包括单差处理和双差处理；

单差处理为：将监测站和基准站中各共同卫星的剔除粗差后的数据按式3）处理；

；

式3）中为步骤（1）计算得到的监测站和基准站第i颗卫星频段的多路径误差；为第i颗卫星频段的单差分多路径误差值；

双差处理为：将单差处理后得到的单差分多路径误差值与参考卫星的多路径误差值作差处理，形成双差分多路径误差值；基准站或监测站监测到的高度角最大的卫星作为参考卫星；选择基准站或监测站监测的高度角最大的卫星作为参考卫星，是由于卫星的高度角越大，卫星的信号强度越高，卫星发射的信号受电离层和对流层的影响小，更为准确真实。

；

式4）中为第i颗卫星与参考卫星j时刻（历元）频段的双差分多路径误差值。

通过利用双差分处能够有效消除监测站和基准站的对卫星监测的共同误差，同时双差处理后的多路径误差进行差更符合GNSS软件解算的载波相位差分算法，从而能达到更好的误差改正效果。

归一化处理为：将双差分时间序列中的数据按式5）处理，同时将归一化后的双差分多路径误差数据分别保存；

；

是第i颗卫星的双差分多路径误差值，是双差分多路径误差中数据的最小值，是第i颗卫星双差分多路径误差中数据的最大值，是归一化后的双差分多路径误差数据。

通过归一化处理能够有效将双差分处理后的多路径误差数据的取值范围缩小至（0，1），大大提升后续BP神经网络模型的训练运算效率和GNSS软件的解算效率，更符合实际应用情况。

经过样本预处理后得到的输入数据为n行2m列的矩阵数据，如式6）所示；其中n为差分多路径误差数据的历元数，m为基准站、监测站共同卫星个数；每一列为一个输入数据，所以神经网络的输入层神经元为2m个；

；

式中代表第t_n时刻（历元）第m颗卫星p1频段的双差分多路径误差；代表第t_n时刻第m颗卫星p2频段的双差分多路径误差。

（3）、样本训练以及后处理：设置相应的训练参数，使用BP神经网络算法对样本预处理后的数据进行训练，其中输入为式6）所示n行2m列矩阵中的数据，输出为GNSS解算软件读取训练得到的监测站X、Y、Z三个方向的坐标时间序列；通过GNSS解算软件读取训练得到的监测站X、Y、Z三个方向的坐标时间序列，对多路径改正值进行预测，并改正X、Y、Z三个方向的坐标值。

一种基于BP神经网络技术的GNSS多路径效应改正方法包括网络拓扑结构确定，具体为：根据样本数据训练的结果，计算均方根误差rmse，调整不同的隐含层神经元个数、网络权值，然后重新计算rmse，重复进行多次后，选择rmse最小的神经元个数和网络权值作为最佳网络拓扑结构；

；

式7）中n为预测点数（历元数），o为网络的期望输出，即监测点xyz三方向的时间序列，p为网络的实际输出。

（4）、模型更新：当监测点数据长度达到30天时，将新增观测数据通过步骤（1）和步骤（2）处理得到的归一化后的双差分多路径误差数据合并到之前已得到的归一化后的双差分多路径误差数据中形成新的归一化后的双差分多路径误差数据，并重新对新样本数据进行训练，依据新样本数据的训练结果计算均方根误差rmse，重新调整BP神经网络的模型参数，模型参数为BP神经网络中的网络权值和偏置系数。

本实施例中选择基准站和监测站测量gnss北斗卫星中15个共同卫星30天的观测数据作为本实施例的基础数据，将基准站和监测站观测的基础数据依次进行步骤（1）和步骤（2）的处理（式1）、式2）、式3）、式4）、5）处理），得到各个卫星归一化后的双差分多路径误差数据；归一化后的双差分多路径误差数据如图2所示（由于卫星较多，这里只显示1号北斗卫星的P1、P2频段双差分多路径误差时间序列）；本实施例中BP神经网络算法的输入层神经元个数为2×15＝30个；输出层神经元个数为三个，为监测站X、Y、Z三个方向的坐标时间序列；将各卫星归一化后的双差分多路径误差数据进行样本训练，设置收敛误差为2mm，训练次数5000；训练后的结果如图3中黑实线所示。

从图3中可以得出，经本发明一种基于BP神经网络技术的GNSS多路径效应改正方法后，GNSS解算软件解算出的监测站X、Y、Z三个方向的坐标时间序列的周期性波动较原始数据的有明显改善，说明了利用BP神经网络算法进行多路径改正是有效的；也说明了本发明通过利用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了明显改善，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。