区域对流层延迟改正模型研究.docVIP

区域对流层延迟改正模型研究 　　摘要：本文利用探空数据和CORS基站观测数据，提出了一种BP神经网络的与Hopfield模型结合，得到对流层延迟融合模型HBPF。将所建融合模型与GAMIT解算结果进行对比，证明HBPF模型是可靠的，而且是高精度的。 　　Abstract： In this paper， a model combining BP neural network and Hopfield is proposed to obtain the tropospheric delay fusion model HBPF by using sounding data and CORS base station observation data. By comparing the results of the fusion model with GAMIT， it shows that the HBPF model is reliable and highly accurate. 　　关键词：对流层延迟；Hopfield模型；BP神经网络；融合模型 　　Key words： troposphere delay；Hopfield model；BP neural network；fusion model 　　中图分类号：P228.4 文献标识码：A 文章编号：1006-4311（2017）15-0227-03 　　0 引言 　　当今社会，用户对GPS精度以及可靠性的要求越来越高，影响GPS高程精度有关的误差主要来自传播路径折射误差中的对流层折射误差。建立一个适用于多种导航定位用户精度需求的高精度对流层延迟改正模型，有着很重要的战略及现实意义[1]。 　　目前，国际上对流层延迟改正的方法主要是模型函数法，包括Hopfield模型、Saastamoinen模型、Black模型、UNB系列模型和EGNOS模型等。但是，由于对流层本身的复杂性，现存模型对于水汽在对流层空间的分布情况以及在时间上的变化规律仍然很难确切地描述[2]。人工神经网络模型具有学习、记忆、计算和智能处理功能[3]，在地球科学与测绘工程中发挥了重要作用。本文分析研究线性回归模型、Hopfield模型、神经网络融合模型（BP模型）、线性回归模型与神经网络融合模型（F1模型）、Hopfield模型与神经网络融合模型（HBPF模型）共五种模型对研究区域的改正效果，以期建立较高精度的区域对流层延迟改正模型。 　　1 Hopfield模型原理 　　Hopfield模型仅将大气层分为对流层和电离层两层。在对流层中，其主要分析对流层中各个气象参数与海拔高度之间的关系，然后经过推导分别得出折射率干分量和湿分量与高程之间的关系，进而后通过地面气象参数来推演整个对流层延迟。 　　完整的Hopfield模型的计算公式如下： 　　式（1）中前半部分为干延迟，后半部分为湿延迟。其中T0为测站气温，h0为测站高度，e0是地面的水汽分压，P0与T0分别为测站的地面气压与绝对温度，Hw为湿对流层顶，一般取Hw=11000m；而HT为折射率为0处的大气层高度，k1（K?mbar-1）、k2（K?mbar-1）、k3（105K2?mbar-1）为大气折射率试验常数。 　　Hopfield模型干延迟精度为2cm，湿延迟为5cm，另外地区和季节性变化会对模型产生3cm以上的延?t变化。欧吉坤[4]指出，在我国Hopfield模型的误差有时可达10cm以上，而且存在系统误差。 　　2 用于计算对流层延迟BP神经网络模型的建立 　　影响对流层湿延迟的水汽是一个有着极复杂变化的非线性的物理量，那么利用在处理非线性问题上有独特优势的神经网络技术来讨论延迟的变化，应该比传统的方法更有效。 　　在众多神经网络模型中，BP神经网络是目前应用最广泛的模型[5]。BP神经网络的模型结构包括输入层、隐含层和输出层三个部分（见图1）。 　　BP算法计算过程分为两个阶段：信号正向传播以及误差反向传播。这个过程引导各层权值调整，即网络学习训练的过程，这两个阶段的反复运用，在误差达到所希望的精度时，网络的学习过程就结束。 　　用于计算对流层延迟BP神经网络的建立主要分两个步骤： 　　2.1 网络结构的确定 　　网络结构的确定是BP神经网络在工程中应用的重要工作。需要我们确定的内容有：①输入层节点个数；为与Hopfield模型进行比较，文章采用和Hopfield模型一样的输入参数，即：测站的地面气压与绝对温度P0与T0、测站海拔高度h0以及测站的地面水汽分压e0。②输出层节点个数；输出层节点数为1，为对流层延迟δ。③隐含层节点数的选取；本文采取遗传算法和神经网络相结合的方法，将隐含层节点设置为从10～