GPS-IR技术用于河水面测高实验分析

河流、水库、湖泊的水位监测直接为水利、水运、防洪、防涝提供具有单独使用价值的资料，对人们的生产生活具有重要的意义。GPS-IR测高技术的出现为水位监测提供了新的手段。首先介绍了基于SNR观测值的GPS-IR水面测高技术的基本原理。在西安灞河悬挑平台上使用3组不同的仪器进行GPS-IR测高实验，以水位计结果为基准分析了测高精度，并探究了频段、高度角区间、扼流圈天线对GPS-IR水面测高精度的影响。得到了最佳RMS结果为1.04cm的精度，指出目前L1频段的信噪比更适合测高反演，而GPS现代化后L2频段进行测高则是更好的选择。给出了高度角区间选取的准则，证实扼流圈天线对GPS-IR技术影响不大。实验结果表明，可利用已有的GPS变形监测站，基于GPS-IR技术选取最优的参数配置监测河流、水库、湖泊的水位变化。     

基于数据驱动的结构钢表面应力磁巴克豪森噪声表征方法

磁巴克豪森噪声（MBN）技术可用于定量评估铁磁材料的表面应力。当前MBN法应力评估技术存在特征量选取较难、定量预测模型复杂且对标定数据集的拟合精度较低的不足。提出一种数据驱动的非线性映射算法拟合MBN噪声和应力的关系，研究了基于小波包变换系数的时频特征替代统计特征量，减少了样本数据计算量。采用MBN噪声在小波包变换时-频域内的小波包变换系数作为特征向量，利用基于奇异值分解的数据降维算法降低特征向量的维数，将经过数据降维后的特征向量输入反向传播（BP）神经网络进行模型训练以建立预测模型。结果表明：采用基于奇异值分解的数据降维算法可降低模型的复杂度，利用降维后的小波包变换系数特征向量训练BP神经网络可实现铁磁材料表面应力的高精度预测。建立的表征方法有效解决了铁磁构件应力分布成像问题，在预防应力腐蚀、提高疲劳强度等损伤预警方面具有广阔的应用前景。     

不同GNSS星载原子钟周期特性分析

高精度的卫星时钟修正是全球卫星导航系统实时精密单点定位和授时服务的重要基础。为了提高GNSS钟差预报精度，需要对GNSS星载原子钟的周期特性进行分析。基于2016年全年的GNSS精密卫星钟差数据，利用中位数方法进行了数据预处理，使用多项式拟合模型分析了卫星钟的拟合残差，利用频谱分析法分析了BDS、GPS卫星钟差的周期特性，全面分析了BDS、GPS星载原子钟的周期特性。分析结果表明：除Cs钟外，其他卫星钟差都表现出较好的周期特性，BDS、GPS的主周期项基本在12h、24h、6h附近；同时不同的轨道、原子钟，其钟差周期项不同，而相同的轨道类型，其钟差周期项也存在一定差异；卫星的钟差主周期分别近似为其卫星轨道周期的1/2倍、1倍、2倍。     

基于弹性小波神经网络的故障诊断研究

航空电源系统是机上设备的重要组成部分,任意一个环节出现故障,将会影响整个飞机系统的正常安全运行。针对神经网络收敛速度慢,易陷入局部最小的缺点,将小波神经网络结合弹性BP算法应用到电源系统故障诊断中。训练过程及仿真结果表明：小波神经网络故障诊断算法收敛时间方面表现更优,具有较高故障诊断率。     

带BP神经网络的卡尔曼滤波算法在GPS/SINS组合导航系统中的应用

针对带权值调整的Kalman滤波器,运用L-M的BP算法,将BP神经网络嵌入该滤波器中,与BP神经网络滤波器相比,减小了层数,提高了网络训练速度及精度。以GPS/SINS组合导航系统为例进行了仿真,结果既能抑制滤波发散,又能提高滤波精度。     

基于BP神经网络的惯导初始对准误差辨识方法

针对弹道导弹捷联惯导系统初始对准问题,提出一种基于BP神经网络在线辨识初始对准误差的方法。首先设计了初始对准误差辨识总体方案;然后,基于SINS/GPS组合导航系统测量信息,以SINS与GPS之间的位置偏差为输入量,以初始对准误差为输出量,分别采用三输入和六输入的BP神经网络建立位置偏差与初始对准误差参数之间的映射关系,生成BP神经网络结构;最后,设计仿真试验,分别采用三输入BP神经网络、六输入BP神经网络和卡尔曼滤波算法预测初始对准误差参数。仿真结果表明,六输入BP神经网络算法识别精度最好,初始水平姿态角误差小于30″,瞄准方位角误差小于70″。     

顾及轨道误差的GNSS卫星钟差实时估计策略优化

为提高GNSS卫星钟差实时估计精度，针对GNSS各卫星系统的轨道差异，分析各系统卫星轨道误差对钟差估计的影响，基于距离函数线性化二阶残余项的思想，提出了一种顾及轨道误差的权函数模型，以优化实时卫星钟差估计策略。利用全球均匀分布的IGS和iGMAS跟踪站的实时观测数据进行实验，并与GBM的事后精密钟差进行对比分析。结果表明： GPS精度提高率为6.47%，BDS精度提高率为6.46%，GLONASS精度提高率为7.42%，Galileo精度提高率为7.62%。     

基于小波神经网络的陀螺漂移预测研究

实时识别陀螺漂移,并且预测漂移性能的变化趋势,对提高整个导航系统的精度有着十分重要的意义。本文结合小波分析理论和小波神经网络的非线性预测算法,对陀螺信号进行趋势提取与漂移预测。采用小波神经网络避免了其它神经网络存在的局部最小化的缺陷,小波分析的引入可以有效提取出原信号的趋势,大大降低了环境因素的影响。将小波神经网络非线性预测算法与小波趋势提取算法结合,建立陀螺仪漂移趋势的预测模型,对某光纤陀螺实测信号仿真预测其漂移趋势,仿真结果证实该预测模型与实际情况相符,具有较好的预测精度,为预测一般陀螺的随机漂移提供了一种新的有效途径,同时还对一般陀螺仪表的漂移模型建立方法提供借鉴。     

GPS/BDS精密单点定位技术在滑坡变形监测中的应用研究

分别探讨了GPS精密单点定位技术、GPS/BDS精密单点定位技术及BDS精密单点定位技术在地形较为陡峭、有部分卫星被遮挡的滑坡体特殊环境中的应用能力。选用四川西山村8个监测站,总时长跨度16个月的观测数据进行试验及分析,结果表明:西山村滑坡体整体正以平均9.2mm/月的速度向南滑动,并伴随着垂向上的整体下沉。精度区间统计结果显示,平均5.93h时长的GPS精密单点定位的解算精度基本能达到较高水平且相对稳定,可以有效监测变形较缓慢的滑坡体。GPS/BDS的解算结果的精度接近于单GPS的水平,但由于BDS的数据可利用率整体上不稳定,拉低了GPS/BDS的解算结果的整体精度,表明了当前的单BDS精密单点定位的精度受地形等外界环境变化的影响更大。利用观测时长及数据的可利用率指标加权处理解算结果,降低了观测质量不高的结果对整体结果的贡献比,提高了定位结果的精度和容错率。     

基于深度学习的地空导弹发射区拟合算法

目前地空导弹发射区的拟合算法主要是多项式拟合法和BP神经网络拟合法。多项式拟合法存在函数形式难以确定、函数范围不易分段等问题，且拟合精度较低；传统神经网络方法要想达到较高精度，需要大量的隐层节点，且在隐层节点数增加到一定程度后，训练变得十分困难且精度很难继续提高。同时，传统神经网络需要大量的标签数据，进一步增大了实际应用的难度。为此，基于深度学习理论，设计了一种基于堆栈稀疏自编码器（SSAE）的深度拟合网络（DFN），并给出了相应的训练策略。仿真实验表明其相比传统算法具有更小的拟合误差优势。所设计的深度稀疏自编码器网络可以克服多项式拟合和传统神经网络的不足，不仅可以在大量无标签数据和少量标签数据条件下进行学习训练，而且可以进一步提升地空导弹发射区的拟合精度。     

优选小波神经网络在周跳探测与修复中的应用

北斗导航定位过程中,传统的周跳探测与修复方法缺乏检验环节,无法保证修复结果的可靠性。为此,提出了一种级联式小波变换结合NARX神经网络多步循环预测修复的方法处理周跳问题。该方法通过构造载波相位双差模型检验量,探测周跳发生历元,采用NARX神经网络预测方法修复周跳,利用优选小波基函数进行周跳修复效果检验。实验证明,相较于经验模态分解和变分模态分解等模态分解法,优选小波神经网络周跳探测与修复方法可用于小周跳探测并判断出周跳正负性;构造的NARX神经网络周跳修复模型,解决了普通神经网络模型和传统多项式拟合法容易造成的二次奇异值问题。相较于长短期记忆(LSTM)和门控循环单元(GRU)深度学习神经网络模型,周跳预测精度分别提高了45.2%和55.9%。     

基于小波变换的GPS载波相位周跳检测与修复

载波相位周跳检测与修复是实现GPS高精度定位的难点之一。小波变换具有空间局部性好的特点,本文利用小波变换把载波相位观测量分解为高频和低频分量,提出了利用小波系数局部极值点检测相位周跳的方法。基于载波相位和多普勒频率共同约束的埃尔米特多项式,外推周跳时刻载波相位,与观测值比较确定周跳的大小,从而修复周跳。利用飞机实际观测数据和仿真的高动态数据进行了计算,给出了计算结果,表明该方法可以对高动态情况下载波相位周跳进行准确探测和修复。     

基于BP神经网络的GNSS-R海面风速反演

针对GNSS-R进行海面风速反演过程中时频域相关物理量较多，数据耦合性强等问题，提出了基于反向传播（BP）神经网络反演海面风速的方法。建立反演过程中相关观测量与风速的对应关系，选取多观测量作为输入，对输入数据进行处理，设置神经元与激励函数，使用BP神经网络自适应调整拟合参数，将风速作为神经网络输出端的特征量提取。反演结果，风速≤ 20 m/s时，反演均方根误差RMSE=1.21 m/s，风速>20 m/s时反演均方根误差RMSE=2.54 m/s，反演结果优于使用时延相关曲线前沿斜率（LES）和时延多普勒相关功率均值（DDMA）方法得到的反演结果，且迭代次数较少，复杂度较低，证明该方法可以应用于GNSS-R海面风速反演。     

神经网络在经济预测中的应用

阐述了针对BP神经网络在经济预测应用中存在的网络学习速度缓慢、计算量大、网络容易陷入局部极小、学习步长需要通过实验由人工来设置和调整等问题,提出将自组织理论、扩展Kalman滤波、模糊算法、小波理论等与神经网络相结合,构成新的网络结构或改进学习算法,以克服BP神经网络自身不足的思路。     

基于BP人工神经网络的GPS／SINS组合导航算法

基于扩展Kalman滤波的GPS／SINS组合导航算法，需要对原始的非线性连续系统模型进行线性化和离散化处理，要求系统噪声和测量噪声为零均值的高斯白噪声，且易于出现滤波器发散。BP人工神经网络毋需对所求解的问题建模，能够很好地逼近系统非线性特性，获得较高精度的导航定位信息；还具有计算过程稳定，不涉及矩阵求逆，不需要迭代逼近，以及容易实现并行处理等优点。本文设计适用于GPS／SINS组合导航系统的BP网络模型，并在标准的BP算法基础上，采用共轭梯度法改进网络训练速度及精度。最后，通过仿真算例说明BP网络方法用于GPS／SINS组合导航计算的可行性。     

北斗/GPS双频载波相位单点定位模型及精度分析

针对海洋工程实时米级绝对定位需求,利用双频伪距、载波相位观测量和同时估计接收机位置、接收机钟差和载波相位模糊度,构建了一种双频载波相位实时单点定位方法.亚太区域14个测站试验结果显示:北斗水平和高程定位RMS分别为1.33m和1.81m,GPS为0.60m和0.85m,北斗/GPS组合为0.56m和0.72m;船载动态试验结果显示:北斗水平和高程定位RMS分别为1.40m 和2.46m,GPS为0.69m 和0.90m,北斗/GPS组合为0.65m和0.83m.     

卫星伪距多路径时空建模研究

目前,多路径误差是制约GPS技术向更高精度发展的主要误差源。为了减小静态观测环境下的多路径误差,基于多路径误差周期重复性的特点,提出了一种自适应噪声分析结合经验模态分解的方法处理原始数据,采用多项式拟合构建了函数模型,并利用该函数模型对相邻天的观测数据进行处理。实验结果表明,利用所提方法对观测数据进行处理,可有效减小多路径效应误差,并且可以在一定程度上改正坐标序列中包含的多路径误差,多路径误差的削弱程度可达35%以上,有效提升了GPS定位数据的准确度。     

低成本U-blox模块的单频GPS/BDS增强PPP定位性能分析

以U-blox单频接收机采集数据,在GPS与GPS/BDS两种解算模式下进行局域增强精密单点定位(PPP)解算,并进行模糊度固定,对其在不同环境下的定位性能进行实验研究和分析。实验结果表明:在静态环境下,GPS/BDS浮点解收敛至cm级需3min左右,较GPS缩短64%,GPS/BDS定位精度RMS在平面与高程方向分别为(3.2cm,2.7cm),较GPS提升(47%,59%);GPS/BDS在30s左右可固定模糊度,固定后定位精度为(0.4cm,1.0cm),较GPS/BDS浮点解提升(88%,63%)。在动态环境下,GPS/BDS浮点解收敛至cm级需4min左右,较GPS提升59%,定位精度为(3.1cm,5.9cm),较GPS提升(34%,43%);GPS/BDS获得固定解需2min左右,固定后定位精度为(0.7cm,1.0cm),较GPS/BDS浮点解提升(77%,83%)。     

基于改进的BP网络的水机温度模型建立

传统的水电仿真系统中的温度模型的构建方法存在模型可移植性比较差、推导过程必须有水电专家的参与、推导过程复杂度大、模型精确度不高等不足,这些都对水电仿真的进一步发展和准确性产生了一定影响。因此需要一种更新的方法来适应水电仿真的发展。为此提出了一种改进的BP网络神经元网络学习算法,通过改进训练算法以提高神经网络的训练效率以及准确度。将这种算法应用于吉林丰满水电厂水电仿真系统的水机温度模型的建立实验中,并与原有的神经网络方法进行比较,比较结果表明,该方法能提高分类准确率和训练速度。