基于EMD-LSTM耦合预测模型的BDS多路径误差削弱方法研究

发布时间：2021-08-13 22:25

　　北斗卫星导航系统（BDS）在短基线测量中存在的多路径误差是影响定位精度的主要误差项.针对多路径误差的非线性以及坐标序列的非平稳特性,拟采用经验模态分解（EMD）与长短期记忆网络（LSTM）结合的方法,构建EMD-LSTM耦合预测模型,对多路径误差进行预测,削弱多路径误差的影响.实验结果表明,EMD-LSTM耦合预测模型能够有效地削弱了多路径误差影响,E、N、U方向精度分别提高了22%、36%、40%. 

【文章来源】：全球定位系统. 2020,45(02)CSCD

【文章页数】：7 页

【部分图文】：

EMD-LSTM耦合模型流程图

对当天进行预测时,首先取前一天原始观测数据为训练数据,该天数据为测试数据,若对DOY134进行预测时,需取DOY133为训练数据,其中原始观测数据如图2所示. LSTM网络迭代次数为100次,输入变量数为100历元,输出变量数为1历元,时间步长设置为256,隐含层为12. 为了减小建模误差,在进行训练前将数据进行归一化处理,预测后进行反归一化即得真实预测值.为方便观测坐标序列趋势,在DOY134和DOY135各方向添加一定数值. 接收机虽装有扼流圈天线,由图2所示,多路径误差依然明显,同时证明了硬件端削弱多路径误差程度有限. 限于篇幅,仅以E方向为例. 首先将训练数据进行EMD多尺度分解,图3为DOY133的E方向坐标序列经EMD分解的模态分量图.

为方便观测坐标序列趋势,在DOY134和DOY135各方向添加一定数值. 接收机虽装有扼流圈天线,由图2所示,多路径误差依然明显,同时证明了硬件端削弱多路径误差程度有限. 限于篇幅,仅以E方向为例. 首先将训练数据进行EMD多尺度分解,图3为DOY133的E方向坐标序列经EMD分解的模态分量图.分解得13个模态分量与1个残余分量,计算分解提取尺度的RP系数在IMF4开始RP大于等于1,IMF1到IMF3均为高频的随机噪声并剔除. 对IMF4至IMF13和Res分别进入LSTM网络训练和预测,并对预测得到的分量重构多路径误差. 图4为两组方案的预测结果.


本文编号：3341230