【技术实现步骤摘要】
本专利技术涉及gnss卫星导航系统与增强领域，特别是基于径向基函数神经网络的格网电离层延迟估计方法。
技术介绍
1、随着智能化无人场景应用的需求日趋旺盛，用户对精准的gnss定位结果提出了更高要求；为满足实时高精度ppp的需求，电离层的实时建模近来一直受到研究人员的高度关注；sbas提供广域增强信息，采用载波相位平滑伪距法提取穿刺点的vtec，并建立区域垂直电离层延迟格网模型，得到电离层延迟格网点处垂向电离层延迟，并将其播发给用户；用户通过接受到的givd利用双线性插值计算自身位置处的电离层延迟改正数，以用于定位增强。计算givd的方法大致可分为两类，一类是数学函数模型，如球谐函数模型、多项式模型等。这些模型通过数学函数拟合ipp的位置和电离层延迟的关系来进行电离层建模；但由于该类模型所采用的数学函数本身是光滑而连续的，所建立的格网电离层延迟模型无法有效地反映局部电离层延迟的精细变化，因此sbas中通常并不使用该类模型，而是使用另一类插值模型，如idw、平面拟合法、克里金插值等；该类模型使用igp点附近的穿刺点电离层延迟来估计格网点givd，其对于局部电离层延迟的反应通常更为灵敏；近年来，基于神经网络的电离层建模已得到初步应用，并取得了良好的效果；然而，尽管神经网络用于电离层建模具有一定的优越性，但其建模效果依赖于网络超参数的确定，不合适的超参数可能导致模型出现过拟合或欠拟合的问题，而选择合适的超参数通常需要经验和反复试验，可能涉及大量的计算和训练时间，或者额外的验证集。此外，超参数的最佳选择可能因数据集的不同而异；某些超参数可
技术实现思路
1、鉴于对电离层进行实时建模时，现有技术中对于超参数的选择需要大量的计算和训练时间和超参数在不同数据集上的表现效果不同等问题，提出了本专利技术。
2、因此，本专利技术所要解决的问题在于如何提供一种根据数据集的特点自适应确定合适的超参数，提高格网电离层延迟的建模精度的方法。
3、为解决上述技术问题，本专利技术提供如下技术方案：
4、第一方面，本专利技术实施例提供了基于径向基函数神经网络的格网电离层延迟估计方法，其包括基于地基gnss的观测数据提取倾斜总电离层延迟，并转化为电离层穿刺点ipp的垂向电离层延迟；根据所述垂向电离层延迟计算局部电离层空间活跃指数lisai；根据所述电离层穿刺点ipp的局部电离层空间活跃指数lisai和经纬度，利用层次聚类法计算径向基函数神经网络rbf-nn的结构参数；根据所述结构参数和所述垂向电离层延迟计算连接隐含层神经元和输出层神经元的权重，构建径向基函数神经网络rbf-nn模型；将电离层格网点igp的经纬度输入所述径向基函数神经网络rbf-nn模型中并得到格网电离层延迟。
5、作为本专利技术所述基于径向基函数神经网络的格网电离层延迟估计方法的一种优选方案，其中：所述局部电离层空间活跃指数lisai的计算步骤如下：利用电离层穿刺点ipp搜索法，选择一个空间点作为中心，在半径为rfit的圆内搜索其周围的电离层穿刺点ipp并将初始rfit设置为rmin；若电离层穿刺点ipp的数量小于ntarget，则增加搜索半径rfit到电离层穿刺点ipp的数量达到ntargett或rfitt达到rmax为止；计算搜索范围内电离层穿刺点ipp的垂向电离层延迟的标准差并作为局部电离层空间活跃指数lisai。
6、作为本专利技术所述基于径向基函数神经网络的格网电离层延迟估计方法的一种优选方案，其中：所述径向基函数神经网络rbf-nn的结构参数包括隐含层神经元个数k、隐含层神经元的中心向量cj和隐含层高斯核函数的核宽度rj。
7、作为本专利技术所述基于径向基函数神经网络的格网电离层延迟估计方法的一种优选方案，其中：计算所述径向基函数神经网络rbf-nn的结构参数的步骤如下：将所述电离层穿刺点ipp的局部电离层空间活跃指数lisai和经纬度作为样本的坐标，利用层次聚类法进行聚类，并用聚类有效性指标q(c)来确定最佳聚类数；其中，所述聚类有效性指标q(c)的计算公式如下：
8、
9、
10、
11、其中，ck＝{c1,c2,…,cj,…,ck}为聚类数为k的聚类结果；cj为第j个类；v为样本；u为样本；‖v-u‖为样本v和u的欧式距离，|cj|为第j个类的样本数；所述隐含层神经元的个数k为q(c)最小的聚类数；所述隐含层神经元的中心向量cj为相应聚类中心的经纬度；所述隐含层高斯核函数的核宽度rj的计算公式如下：
12、
13、
14、其中，为所述隐含层神经元中与中心向量cj距离最近的t个中心向量，round为取整函数。
15、作为本专利技术所述基于径向基函数神经网络的格网电离层延迟估计方法的一种优选方案，其中：所述连接隐含层神经元和输出层神经元的权重的计算公式如下：
16、w＝(gipptgipp)-1gipptiipp
17、其中，w为连接隐含层神经元和输出层神经元的权重；iipp为所有电离层穿刺点ipp的垂向电离层延迟；gipp为高斯核函数的输出。
18、作为本专利技术所述基于径向基函数神经网络的格网电离层延迟估计方法的一种优选方案，其中：所述径向基函数神经网络rbf-nn模型中的径向基函数gi,j的计算公式如下：
19、
20、其中，xi为所述电离层穿刺点的经纬度。
21、作为本专利技术所述基于径向基函数神经网络的格网电离层延迟估计方法的一种优选方案，其中：所述格网电离层延迟的计算公式如下：
22、
23、其中，为所述格网电离层延迟；为将所述电离层格网点igp的经纬度输入所述径向基函数中得到的系数向量。
24、第二方面，本专利技术为进一步解决使用神经网络进行电离层建模中存在的安全问题，实施例提供了基于径向基函数神经网络的格网电离层延迟估计系统，其包括：数据处理模块，用于将倾斜总电离层延迟数据从地基gnss的观测数据中提取出并转化为电离层穿刺点的垂向电离层延迟；模型构建模块，用于计算局部电离层空间活跃指数lisai、径向基函数神经网络rbf-nn的结构参数和连接隐含层神经元和输出层神经元的权重，构建径向基函数神经网络rbf-nn模型；输出模块，用于将电离层格网点igp的经纬度输入径向基函数神经网络rbf-nn中，得到对应的格网电离层延迟。
25、第三方面，本专利技术实施例提供了一种计算机设备，包括存储器和处理器，所述存储器存储有计算机程序，其中：所述计算机程序被处理器执行时实现如本专利技术第一方面所述的基于径向基函数神经网络的格网电离层延迟估计方法的任一步骤。
26、第四方面，本专利技术实施例提供了一种计算机可读存储介质，其上存储有计算机程序，其中：所述计算机程序被处理器执行时实现如本专利技术第一方面本文档来自技高网...
【技术保护点】
1.基于径向基函数神经网络的格网电离层延迟估计方法，其特征在于：包括：
2.如权利要求1所述的基于径向基函数神经网络的格网电离层延迟估计方法，其特征在于：所述局部电离层空间活跃指数LISAI的计算步骤如下：
3.如权利要求2所述的基于径向基函数神经网络的格网电离层延迟估计方法，其特征在于：所述径向基函数神经网络RBF-NN的结构参数包括隐含层神经元个数K、隐含层神经元的中心向量cj和隐含层高斯核函数的核宽度rj。
4.如权利要求3所述的基于径向基函数神经网络的格网电离层延迟估计方法，其特征在于：计算所述径向基函数神经网络RBF-NN的结构参数的步骤如下：
5.如权利要求4所述的基于径向基函数神经网络的格网电离层延迟估计方法，其特征在于：所述连接隐含层神经元和输出层神经元的权重的计算公式如下：
6.如权利要求5所述的基于径向基函数神经网络的格网电离层延迟估计方法，其特征在于：所述径向基函数神经网络RBF-NN模型中的径向基函数gi,j的计算公式如下：
7.如权利要求6所述的基于径向基函数神经网络的格网电离层延迟
8.基于径向基函数神经网络的格网电离层延迟估计系统，基于权利要求1～7任一所述的基于径向基函数神经网络的格网电离层延迟估计方法，其特征在于：包括，
9.一种计算机设备，包括存储器和处理器，所述存储器存储有计算机程序，其特征在于：所述处理器执行所述计算机程序时实现权利要求1～7任一所述的基于径向基函数神经网络的格网电离层延迟估计方法的步骤。
10.一种计算机可读存储介质，其上存储有计算机程序，其特征在于：所述计算机程序被处理器执行时实现权利要求1～7任一所述的基于径向基函数神经网络的格网电离层延迟估计方法的步骤。
...【技术特征摘要】
1.基于径向基函数神经网络的格网电离层延迟估计方法，其特征在于：包括：
2.如权利要求1所述的基于径向基函数神经网络的格网电离层延迟估计方法，其特征在于：所述局部电离层空间活跃指数lisai的计算步骤如下：
3.如权利要求2所述的基于径向基函数神经网络的格网电离层延迟估计方法，其特征在于：所述径向基函数神经网络rbf-nn的结构参数包括隐含层神经元个数k、隐含层神经元的中心向量cj和隐含层高斯核函数的核宽度rj。
4.如权利要求3所述的基于径向基函数神经网络的格网电离层延迟估计方法，其特征在于：计算所述径向基函数神经网络rbf-nn的结构参数的步骤如下：
5.如权利要求4所述的基于径向基函数神经网络的格网电离层延迟估计方法，其特征在于：所述连接隐含层神经元和输出层神经元的权重的计算公式如下：
6.如权利要求5所述的基于径向基函数神经...
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。