论文部分内容阅读
在建构筑物的施工建设及运营管理阶段,为掌握监测目标的形变情况,及时发现形变信息,需要进行变形监测。而随着GPS(Global Positioning System,GPS)现代化进程的加快,我国 BDS(BeiDou Navigation Satellite System,BDS)卫星的相继发射以及俄罗斯 GLONASS(Global Navigation Satellite System,GLONASS)系统的重建,借助于 GNSS(Global Navigation Satellite System,GNSS)全天候、定位精度高并且无需通视的优点,多系统组合GNSS观测在变形监测中被广泛的运用。GNSS多系统组合观测系统数目的增多,可见卫星的数量、卫星的几何结构等相对于单GPS系统有明显的改进。但短距离变形监测的主要误差,多路径误差却没有任何改善,因此探究削弱GNSS多系统多路径误差的方法,对于提高变形监测结果精度具有十分重要的意义。本文主要从以下几个方面进行了研究。(1)研究多路径误差产生的原理,并推导多路径误差与反射距离之间的函数关系,得出当反射距离超过50 m时多路径误差已基本可以忽略不计;对不同系统动态变形监测数据进行傅立叶变换,分析不同系统多路径误差的频谱特性,验证了多路径误差主要表现为低频性;通过广播星历法与相关系数法计算多路径误差的周日重复性,验证单一系统多路径误差具有较强的周日重复性,并且相关系数法得到的重复周期相较于亡播星历法更为可靠。从而得出多系统组合后多路径误差基本不具有周日重复性,恒星日滤波的方法也不再适用的结论,因此需寻找消除GNSS多系统多路径误差的方法。(2)对GPS动态变形监测的恒星日滤波方法进行升级,引入一种改进的集合经验模式分解方法(Improved Ensemble Empirical Mode Decomposition,IEEMD),进行多路径误差的建模。与EEMD(Ensemble Empirical Mode Decomposition,EEMD)方法相比较,新方法可以有效地克服模态分量数目不一致和分解不彻底等问题。并利用包含高斯白噪声的模态分量,其能量密度与平均周期之积为常数的特性,设计一种的尺度提取方法,对模态分量进行选择和重构多路径误差。在此基础上,采用恒星日滤波技术,进行临近周日GPS坐标序列中多路径误差的实时削弱。实验结果表明:采用同样的尺度选择方法和恒星日滤波技术,采用IEEMD方法可以得到比EEMD方法更高精度的GPS坐标序列,一定程度上完善了 GPS恒星日滤波方法。(3)GNSS多系统组合造成多路径误差的叠加,使得利用周日重复性进行多路径误差的建模消除的难度增大。因此从机器学习全新的角度对GNSS多路径误差的消除进行研究,提出基于机器学习的GNSS多系统多路径误差的挖掘与削弱,采用使用广泛,较为基础的BP(Back Propagation,BP)神经网络作为基本网络。进行变形监测观测数据中的多路径误差规律的学习,建立GNSS多路径误差神经网络模型,达到消除GNSS多系统多路径误差的目的。实验结果表明,针对GNSS三系统组合多路径误差,该方法的改善效果可达到51.18%;相较于GPS恒星日滤波,可以得到与恒星日滤波同等精度的改善效果;并且在任意系统组合多路径误差中,改善情况最好的方向也达到了 39.58%。