CN110058273A - 一种单差观测值gps载波多径校正方法 - Google Patents

Abstract

本发明提出一种单差观测值GPS载波多径校正方法，主要针对静态短基线GPS相对定位高精度应用，采用自适应阈值小波去噪模型有效解决硬阈值和软阈值去噪模型中的缺陷，提高小波去噪模型的去噪精度、多径干扰模型的精确度和算法稳定性，在多径校正恒星日滤波算法中，该模型可以提高抽取的多径误差校正模型的准确率，对后续多径衰减提供有力的保障。同时，该方法提出的双参考转移策略可以有效地避免单轨道重复周期转移策略和单高度角方位角转移策略的缺陷，既避免了建立高分辨率下的EA模型，又有效避免了由卫星机动引起的轨道重复周期法失效的问题，而且该模型可以保证算法的实时性并有效降低计算的复杂度。

Description

一种单差观测值GPS载波多径校正方法

技术领域

本发明属于卫星导航定位技术领域，具体涉及一种基于自适应阈值小波变换和双参考转移策略的单差观测值GPS载波多径校正方法。

背景技术

对GPS导航定位系统而言，载波多径干扰一直是影响高精度相对定位精度的主要因素之一，主要是因为多径干扰自身的特殊性，其误差不能通过差分或固有的模型进行消除。目前，现有的GPS载波滤波多径校正算法主要分为两类，分别是基于恒星日的时域法和基于高度角方位角的空域法。其中，时域法包括：基于FIR滤波的校正法、自适应滤波去噪的校正法、基于SNR和小波基去噪算法等等。而基于高度角方位角的空域法则主要是分辨率的不同，如Wanninger提出的5×2度校正模型，Iwabuchi提出的1×1度校正模型等。然而，上述方法分别有各自的优势和劣势，如时域法则存在易受到卫星机动的影响，从而导致校正精度变差，效率降低。而空域法的精度较依赖于堆栈模型的分辨率，且受到观测数据采样率的影响较大。因此，本项目提出基于时空双域模型的双参考转移策略，该策略既可以保证算法的实时性和较低的计算复杂度，同时又可以避免轨道重复周期转移策略和高度角方位角转移策略的缺陷。这种算法比现有的算法更能有效地衰减载波多径效应，从而提高算法的定位精度。

此外，现有的小波基去噪算法主要是基于软阈值和硬阈值的去噪。然而，基于硬阈值去噪的方法会导致信号重构时出现震荡，因为小波系数在阈值处是不连续的。而采用软阈值去噪方法时，虽然小波系数连续性比较好，但在预估和原始小波系数之间会出现偏差，从而导致信号重构不理想。为了进一步提高精度，迫切的需要一种可以有效地克服硬阈值和软阈值去噪模型的缺陷，从而提高小波去噪模型的精度和算法稳定性的算法。

发明内容

针对现有技术中的缺陷，本发明提供一种基于自适应阈值小波变换去噪和双参考转移策略的单差观测值GPS载波多径校正法。该方法主要针对静态短基线GPS相对定位高精度应用。该方法提出的自适应阈值小波去噪模型可以有效解决硬阈值和软阈值去噪模型中的缺陷，能有效提高小波去噪模型的去噪精度、多径干扰模型的精确度和算法稳定性。在多径校正恒星日滤波算法中，该模型可以提高抽取的多径误差校正模型的准确率，对后续多径衰减提供有力的保障。同时，该方法提出的双参考转移策略可以有效地避免单轨道重复周期转移策略和单高度角方位角转移策略的缺陷，既避免了建立高分辨率下的EA(Elevation and Azimuth)模型，又有效避免了由卫星机动引起的轨道重复周期法失效的问题，而且该模型可以保证算法的实时性并有效降低计算的复杂度。

基于此，本发明采用如下技术方案：

一种单差观测值GPS载波多径校正方法，包括以下步骤：

第一步：处理静态模式下的参考日观测数据，基于整数模糊度和基线解，求出后拟合双差残差；

第二步：基于双差转单差模型，将第一步中得到的双差残差转换为单差残差，

第三步：根据自适应阈值小波去噪模型对参考日观测数据中接收机之间的单差下的观测量进行去噪，抽取多径校正模型；

第四步：根据双参考转移策略对后续观测日数据进行多径校正，

所述双参考转移策略为：利用轨道重复周期来确定相应的多径校正历元，对比当前历元的卫星高度角方位角模型值和参考日下历元的高度角方位角模型值，如果两者相同，则利用该历元时刻下的多径误差校正模型对当前历元观测值进行多径校正，如果两者不同，则搜索最近EA模型，找到最佳匹配值；

第五步：将第四步得到的单差观测值进行双差组合，得到校正后的双差观测值，通过最小二乘估计或卡尔曼滤波估计得到最终的坐标解。

与现有技术相比，本发明具有如下的有益效果：

本发明所述校正方法使用了自适应阈值小波去噪模型，可以有效地克服硬阈值和软阈值去噪模型中的缺陷，提高了小波去噪模型的去噪精度和算法稳定性，可以准确地抽取多径误差校正模型，从而为后续多径衰减提供有力的保障。同时，该发明采用的双参考转移模型可以有效地避免轨道重复周期转移策略和EA转移策略的缺陷，而且可以有效的保证算法的实时性和较低的复杂程度。

附图说明

通过阅读参照以下附图对非限制性实施例所作的详细描述，本发明的其它特征、目的和优点将会变得更明显：

图1为本发明所述校正方法的流程图。

具体实施方式

下面结合具体实施例对本发明进行详细说明。以下实施例将有助于本领域的技术人员进一步理解本发明，但不以任何形式限制本发明。应当指出的是，对本领域的普通技术人员来说，在不脱离本发明构思的前提下，还可以做出若干变化和改进。这些都属于本发明的保护范围。

如图1所示，一种基于自适应阈值小波去噪和双参考转移策略的单差观测值GPS载波多径校正方法：包括以下步骤：

第一步：处理静态模式下的参考日观测数据，基于解算出来的整数模糊度和基线解，求出后拟合双差残差。此时，该双差残差仅包含载波多径误差和随机噪声误差。

第二步：基于双差转单差模型，将第一步中得到的双差残差转换为单差残差，至此，可以得到每颗卫星对两台接收机件的单差残差。

该模型的转换矩阵如下：

其中，w_i是每颗卫星的加权系数。考虑到卫星在低高度角时的多径干扰较大，此处采用高度角加权系数。是两台接收机之间的单差残差，是两颗卫星分别对接收机做单差后再做差形成的双差。是转换约束条件。通过上述转换公式，可得到仅包含单颗卫星多径误差和随机噪声误差的单差残差。

第三步：通过本发明提出的自适应阈值小波去噪模型抽取多径误差校正模型。利用该模型对参考日中接收机之间的单差下的观测量进行去噪，从而抽取准确的多径校正模型。其阈值函数表示为：

其中,λ是函数阈值，J是小波分解层数。从函数中可以看出，如果原始小波系数小于设定的阈值λ，则将估计的小波系数设置为0.此外，该阈值函数具有连续特性，因此可以避免硬阈值模型中出现的伪吉布斯现象。在实际的去噪过程中，随着小波分解层的增加，噪声的小波系数往往会随之降低。因此，为了避免有用系数在小波分解过程中被过滤，则需要在高层分解中采用较小的阈值系数。因此，本算法采用自适应阈值的方法，根据分解层的不同而设置不同的阈值，具体表达式如下：

其中，N_J是当前分解层的数据长度，J是当前分解层数。σ_J是当前分解层待分解信号的噪声标准差，因此，考虑到具体的多径信号特征和分层策略，当前层的σ_J可根据Donohoet al.(1994)来计算，具体表示如下：

σ_J＝median{|N_J|}/0.6745

其中，‘median’是取当前层小波系数的中间数。

第四步：利用本发明提出的双参考转移策略对后续观测日进行多径校正。首先，我们通过广播星历计算轨道重复转移周期，同时建立单颗卫星相应历元下的高度角方位角校正模型。其双参考转移策略的基本思想是：首先利用轨道重复周期的策略来确定相应的多径校正历元，再对比当前历元的卫星高度角方位角和参考日下建立的高度角方位角模型值。如果两者相同，则利用该历元时刻下的多径误差校正模型对当前历元观测值进行多径校正，如果不同，则搜索最近EA模型，找到最佳匹配值。

第五步：将第四步得到的单差观测值进行双差组合，得到校正后的双差观测值。通过最小二乘估计或卡尔曼滤波估计得到最终的坐标解。

以上对本发明的具体实施例进行了描述。需要理解的是，本发明并不局限于上述特定实施方式，本领域技术人员可以在权利要求的范围内做出各种变化或修改，这并不影响本发明的实质内容。在不冲突的情况下，本申请的实施例和实施例中的特征可以任意相互组合。

Claims (3)

1.一种单差观测值GPS载波多径校正方法，其特征在于，包括如下步骤：

第一步：处理静态模式下的参考日观测数据，基于整数模糊度和基线解，求出后拟合双差残差；

第二步：基于双差转单差模型，将第一步中得到的双差残差转换为单差残差，

第三步：根据自适应阈值小波去噪模型对参考日观测数据中接收机之间的单差下的观测量进行去噪，抽取多径校正模型；

第四步：根据双参考转移策略对后续观测日数据进行多径校正，

所述双参考转移策略为：利用轨道重复周期来确定相应的多径校正历元，对比当前历元的卫星高度角方位角模型值和参考日下历元的高度角方位角模型值，如果两者相同，则利用该历元时刻下的多径误差校正模型对当前历元观测值进行多径校正，如果两者不同，则搜索最近EA模型，找到最佳匹配值；

第五步：将第四步得到的单差观测值进行双差组合，得到校正后的双差观测值，通过最小二乘估计或卡尔曼滤波估计得到最终的坐标解。

2.根据权利要求1所述的单差观测值GPS载波多径校正方法，其特征在于，

步骤2中，双差转单差模型的转换矩阵为：

其中，w_i是每颗卫星的加权系数，是两台接收机之间的单差残差，是两颗卫星分别对接收机做单差后再做差形成的双差；是转换约束条件。

3.根据权利要求1所述的单差观测值GPS载波多径校正方法，其特征在于，

步骤3中，阈值函数表达式为：

其中,λ是函数阈值，J是小波分解层数；

自适应阈值表达式为：

其中，N_J是当前分解层的数据长度，J是当前分解层数，σ_J是当前分解层待分解信号的噪声标准差，具体表示如下：

σ_J＝median{|N_J|}/0.6745

其中，median是当前层小波系数的中间数。