基于自适应噪声方差的卫星定位故障检测法

不同观测环境的实际观测噪声可能存在较大差别,因此,固定的噪声方差矩阵可能使基于卡尔曼滤波故障检测法的故障检测效果下降。对此,提出自适应噪声方差的卫星定位故障检测算法,利用滑动窗内的历史新息实时估计观测噪声方差矩阵,在此基础上构建故障检测量与识别量对故障进行检测与识别,利用不含故障的新息更新状态向量并解算出定位结果。实验结果表明:所提算法在静态模式下,可100%检测和识别的最小单阶跃故障为3 m,对持续时间为100 s、斜坡故障增长速率为0.2 m/s的斜坡故障识别比率为51.4%,可100%检测和识别的最小多故障为4 m;在动态模式下,可100%检测和识别的最小单阶跃故障为10 m,对持续时间为200 s、斜坡故障增长速率为0.2 m/s的斜坡故障识别比率为66.25%,可100%检测和识别的最小多故障为12 m。所提算法性能优于基于最小二乘和卡尔曼滤波的故障检测法。

基于GA-BP的中欧GNSS电离层误差建模与精度分析

电离层误差是全球卫星导航系统(GNSS)的主要误差来源之一,改正电离层误差的关键在于确定电离层的总电子含量(TEC)。针对现有电离层误差改正模型中存在的经验模型精度较低、球谐函数模型计算繁琐及其他模型存在的计算效率不足等问题,提出了基于遗传算法优化反向传播神经网络(GA-BP)的中欧GNSS电离层误差建模方法,并对模型精度进行了评估。通过国际GNSS服务组织(IGS)提供的TEC数据训练所提模型,挖掘了基于GA-BP模型的GNSS电离层TEC预测规则,并对不同时间和位置处的TEC值进行了短期、中期和长期预测。实验结果表明:基于GA-BP的电离层误差模型的短期预测均方根误差(RMSE)在不同纬度位置相比于自回归移动平均(ARIMA)模型分别提高了67.61%、36.33%、73.68%;在中期预测过程中的提升比例分别达到54.07%、22.36%、78.48%;在长期预测过程中的提升比例分别达到45.53%、43.78%、48.50%,能够更好地预测和拟合TEC随时间的变化情况。