BDS载波相位定位中周跳探测与修复方法的研究

发布时间：2017-10-07 07:07

  本文关键词：BDS载波相位定位中周跳探测与修复方法的研究

  更多相关文章： 周跳探测与修复 局部均值分解 对偶树复小波 敏感评估算法 最小二乘支持向量机

【摘要】：进入21世纪,我国许多产业不断发展与升级,卫星导航相关产业正快速发展并有着广阔的前景,引起了国家和普通民众的重视。对于经济与社会发展,拥有一整套独立自主并且可控的卫星导航系统,将大大促进相关产业发展,提高国民经济,同时也为国家安全提供保障。而且,北斗导航系统的重大意义还在于它推动了工业信息化、产业融合、生产力提高和人民生活方式的转变。然而,卫星导航系统应用中始终存在的技术难点之一,即载波相位的周跳问题,它会影响到北斗导航系统高精度的定位、测姿和测速。因此,针对北斗导航系统载波相位中出现的周跳,进行及时有效地探测与修复十分必要的,也是具有重要的意义。周跳发生且仅发生在载波相位观测值中,它的探测与修复实际上可分为识别、定位和修复三个过程。其中,周跳发生历元的识别与定位是解决周跳问题的关键,也是实现周跳修复的前提。本文通过实际观测的伪距观测量和相位观测量组合构造周跳检测量,将其看作随时间变化的一种信号,周跳是信号中的奇异点,根据信号奇异性检测原理,提出几种周跳检测方法,并结合最小二乘支持向量机(least squares support vector machine, LS-SVM)在时间序列预测上的显著优势,构建组合预测模型,不仅解决了大周跳的探测与修复问题,对于小周跳同样可以实现准确地探测与修复。论文的主要内容如下：(1)研究了局部均值分解(local mean decomposition, LMD)方法在信号处理中的应用机理,提出改进LMD的周跳探测方法。该方法能够有效解决LMD方法中,由于平滑处理所造成的相位偏移现象,避免相位偏移带来的周跳定位不准确问题。运用改进LMD方法对周跳检测量处理,分解为一系列乘积函数(product function, PF)分量,利用敏感评估算法甄选出对周跳信息敏感的相关分量,去除噪声分量及无关分量,构建训练样本集,建立组合预测模型,然后对各个敏感分量的预测值进行重构,得到最终预测值,通过将实测值与预测值对比作差,计算出周跳的大小,实现周跳的自动修复。(2)奇异值分解(Singular value decomposition, SVD)在检测信号中突变信息、判定突变发生的时刻、信噪比高等方面具有一定的优势。将周跳看作信号中的奇异点,提出基于SVD包络谱分析的周跳探测方法。该方法采用Hankel矩阵构建方式,然后对构造后的矩阵进行SVD处理,得到能反映突变信息的奇异值,最后运用SVD逆运算及反空间变换重构分量信号,并对其作hilbert变换,得到包络谱,根据幅值极大值点位置探测周跳发生的历元。(3)改进LMD和SVD包络分析方法是周跳探测的有效手段,但仍存在1周小周跳漏检的情况,鉴于此,提出基于对偶树复小波(Dual-Tree Complex Wavelet Transform, DT-CWT)的周跳检测方法。应用实测的观测数据对算法进行验证表明,该方法对时间序列中存在的微小周跳探测是十分有效的。通过敏感评估算法选择与周跳信息相关的分量构建训练样本集,建立组合预测模型,然后对预测值进行重构,应用周跳计算公式计算出周跳值,从周跳发生时刻开始,将载波相位观测值分别剔除周跳值,从而达到周跳修复的目的。
【关键词】：周跳探测与修复 局部均值分解 对偶树复小波 敏感评估算法 最小二乘支持向量机
【学位授予单位】：昆明理工大学
【学位级别】：硕士
【学位授予年份】：2016
【分类号】：TN967.1
【目录】：

• 摘要5-7
• ABSTRACT7-11
• 第一章 绪论11-19
• 1.1 课题研究背景及其意义11-12
• 1.2 北斗导航定位中周跳探测与修复的研究现状12-15
• 1.2.1 北斗卫星导航系统的发展现状12-13
• 1.2.2 周跳探测与修复的国内外研究现状13-14
• 1.2.3 信号奇异性检测理论在周跳探测中的应用现状14-15
• 1.3 本文的主要研究内容15-17
• 1.4 本章小结17-19
• 第二章 BDS基本观测量及周跳的相关问题19-27
• 2.1 BDS基本观测量19-20
• 2.2 北斗导航信号的主要误差来源分析20-23
• 2.2.1 卫星端的误差20-21
• 2.2.2 信号传播过程中的误差21-22
• 2.2.3 接收设备造成的误差22-23
• 2.3 周跳探测与修复的相关问题23-26
• 2.3.1 周跳的定义及产生原因23
• 2.3.2 周跳对定位精度的影响23-24
• 2.3.3 周跳检验量的数学模型24-26
• 2.4 本章小结26-27
• 第三章 基于改进LMD和LS-SVM的周跳探测与修复研究27-39
• 3.1 基于改进LMD的周跳探测方法28-32
• 3.1.1 LMD分解方法28-31
• 3.1.2 LMD方法改进31-32
• 3.2 基于改进LMD和LS-SVM的周跳组合预测模型32-35
• 3.2.1 敏感分量的选取32-33
• 3.2.2 构建组合预测模型33-35
• 3.3 实验验证35-38
• 3.4 本章小结38-39
• 第四章 基于SVD包络谱的周跳探测与修复研究39-51
• 4.1 SVD包络谱的周跳探测方法39-42
• 4.1.1 SVD检测突变信息理论39-41
• 4.1.2 SVD分量包络检测方法41-42
• 4.2 基于EEMD和LS-SVM的周跳修复方法42-45
• 4.2.1 EEMD分解及选取敏感分量42-44
• 4.2.2 构建模型预测周跳大小44-45
• 4.3 实验研究45-49
• 4.4 本章小结49-51
• 第五章 基于DT-CWT和LS-SVM的周跳探测与修复研究51-63
• 5.1 DT-CWT在周跳探测中的应用51-55
• 5.1.1 DT-CWT原理51-53
• 5.1.2 基于DT-CWT的探测原理53-55
• 5.2 基于DT-CWT和LS-SVM的周跳探测与修复实验分析55-57
• 5.3 周跳探测方法的对比实验57-61
• 5.4 本章小结61-63
• 第六章 总结与展望63-65
• 6.1 总结63-64
• 6.2 展望64-65
• 参考文献65-69
• 致谢69-71
• 附录A (攻读硕士期间发表的论文)71-73
• 附录B (攻读硕士期间申请的软件著作权)73

，

本文编号：987553