惯性推算误差抑制的神经网络自学习模型设计与验证

惯性推算误差抑制是提升复杂场景下组合导航定位性能的关键,现有采用运动约束或系统误差高阶建模的方法从运动学模型及传感器误差模型出发,通过经验确定参数及模型的最优解。深度学习隐式模型能够挖掘数据之间的隐含关系,进行自主化参数寻优,并在提升惯导误差建模精度方面具有一定优势。总结了现有主流网络模型设计的优缺点,通过对比不同的输入输出方案进行优选,最终利用卷积神经网络构建了一套惯性误差抑制的轻量化神经网络自学习模型,并利用实测车载数据验证了该模型的有效性。实验结果表明,在GNSS信号失锁300 s的路段I和失锁285 s的路段II,网络模型速度约束的算法相较于纯惯性推算和传统NHC算法均有一定提升,融合NHC及网络模型速度约束的算法在水平定位精度上分别改善了41.7%~47.4%和26.7%~36.6%,一定程度上抑制了惯性推算误差。     

离散型粒子群算法求解民航飞机排班问题

本文首先介绍了民航飞机排班问题,给出了飞机排班问题的基本数学模型。然后介绍了离散型粒子群算法的基本原理和在组合优化问题方面的应用,并通过相应参数的匹配选择将离散型粒子群算法引入到民航飞机排班问题。     

小数偏差产品质量评估及固定性能分析

为了评估不同小数偏差产品的数据质量和模糊度固定效果，比较了2016年全年的SGG FCB产品和CNES产品，结果表明两种产品具有很高的一致性，SGG FCB产品的数据完整性更好。应用两种产品进行精密单点定位(PPP)固定解的静态结果平面位置精度可以达到1 cm以内，高程位置精度可以达到1~2 cm，采用两种产品获得的PPP模糊度固定率十分接近，动态模式下处理静态数据的位置结果可以达到平面2~3 cm，高程5 cm以内的精度，两组固定解的位置误差结果差异不超过5 mm，模糊度固定成功率分别为92.37%和92.14%，两种小数偏差产品在23分钟左右完成首次固定，能够有效提高PPP的收敛速度。使用两种小数偏差产品得到的机载动态数据结果也非常相近。     

Android智能手机双频GNSS伪距差分动态定位性能分析

随着智能手机全球导航卫星系统(GNSS)天线和芯片从单频单模向多频多模快速发展,基于其所衍生出来的位置服务(LBS)应用极大地便利了大众用户的日常生活.然而受限于低成本、低功耗的信号接收与处理单元,手机在无增强信息的情况下仅依赖伪距单点定位难以为用户提供稳定、高精度的导航服务.因此,基于小米8手机(Mi8)的GNSS双频原始数据,采用非组合的双频伪距观测值、载波历元差分观测值和多普勒观测值构建了滤波定位模型,并引入伪距差分数据,以提升手机定位的连续性和精度.在较复杂环境下开展了行人和车载实验,实测结果表明:双频定位精度与单频相比提升了15％～30％,伪距差分定位精度和单点定位相比提升了5％～20％,行人和车载双频伪距差分定位的平面位置误差分别为0.65m和1.03m,基本满足手机用户在城市复杂环境下的高精度定位服务需求.