基于深度学习的GNSS周跳探测与修复系统设计与实现.docxVIP

PAGE2

基于深度学习的GNSS周跳探测与修复系统设计与实现

摘要

全球导航卫星系统（GNSS）高精度定位依赖于载波相位观测值的连续性。周跳作为相位观测中整周计数的突变，直接破坏定位解算的收敛性与精度，是GNSS数据处理必须跨越的障碍。传统周跳探测方法多依赖固定阈值与经验模型，对复杂观测环境、小周跳及多频数据的适应性不足。

本课题设计并实现了一套基于深度学习的GNSS周跳探测与修复系统。系统以双频载波相位与伪距观测值为输入，构建一维卷积神经网络与长短期记忆网络相结合的混合模型，实现周跳的自动探测与精确修复。系统整体采用模块化架构，包含数据预处理、特征构建、模型推理、修复策略与结果输出五个核心模块。

论文遵循“需求分析—总体设计—详细设计—实现—测试”的工程递进逻辑。首先分析GNSS周跳处理的现实痛点与功能需求，确定精度与实时性指标；随后设计系统总体架构与功能模块，完成数据存储与接口定义；接着对核心探测与修复模块进行详细设计，给出算法流程与关键公式；之后展示开发环境与核心功能的实现细节，分析技术难点；最终通过功能测试与性能测试，验证系统对各类周跳探测率达98.7%，修复后定位精度优于0.2米。创新点在于将深度学习端到端学习能力引入周跳处理，避免了传统方法中人工特征筛选与阈值设定的主观性，为复杂场景下的周跳自动化处理提供了新方案。

关键词：GNSS；周跳探测与修复；深度学习；卷