欢迎来到知嘟嘟! 联系电话:13336804447 卖家免费入驻,海量在线求购! 卖家免费入驻,海量在线求购!
知嘟嘟
我要发布
联系电话:13336804447
知嘟嘟经纪人
收藏
专利号: 2024116255856
申请人: 辽宁工程技术大学
专利类型:发明专利
专利状态:已下证
专利领域: 测量;测试
更新日期:2026-11-16
缴费截止日期: 暂无
价格&联系人
年费信息
委托购买

摘要:

权利要求书:

1.一种新型多因素学习网络误差耦合补偿模型,其特征在于,包括:

利用岸基GNSS-R算法中信噪比反演方式计算得未加大气延迟的海面高度变化序列;

提取出GNSS测站所做区域内的验潮站序列数据,并将GNSS反演得到的海面高度时间序列与验潮站序列统一到相同时间尺度;

将验潮站真实海面高度序列结果与岸基GNSS-R反演得到的海面高度序列结果作差,以此获得由于大气折射所导致的海面高度误差;

以大气因素和时空因素作为输入数据,以大气延迟的修正值或修正后的海面高度值作为输出,利用深度学习算法对其进行学习,以此构建岸基GNSS-R大气延迟深度学习修正网络;利用岸基GNSS-R算法中信噪比反演方式计算得未加大气延迟的海面高度变化序列,包括:收集特定岸基GNSS接收站的数据,包含GNSS直射信号和经海面反射的信号;对收集到的数据进行预处理,其中,特定岸基GNSS接收站具备接收GNSS直射信号和海面反射信号的能力;

利用GNSS接收机接收到的直射信号和反射信号,计算信噪比;

基于SNR与海面高度之间的关系,利用二阶多项式对SNR中的非相干项进行拟合,并从原始SNR中扣除非相干项,得到SNR的振荡项,对扣除非相干项后的SNR振荡项进行频谱分析,识别出振荡频率,分析SNR的振荡频率,以推导出天线高度,进而转换为海面高度变化;

将连续时间内计算得到的海面高度数据整合成时间序列,计算得到的海面高度变化序列是未经过大气延迟校正的。

2.根据权利要求1所述的新型多因素学习网络误差耦合补偿模型,其特征在于,提取出GNSS测站所做区域内的验潮站序列数据,并将GNSS反演得到的海面高度时间序列与验潮站序列统一到相同时间尺度,包括:确定GNSS测站区域,在标定的GNSS测站区域内,查找并识别出所有的验潮站;

从公开数据源获取验潮站的海面高度数据,对获取的验潮站数据进行质量检查;分析GNSS反演得到的海面高度时间序列和验潮站序列的时间尺度,包括数据的采样频率、起始时间和结束时间,如果两个序列的采样频率不同,则进行数据插值或重采样;为两个序列中的每个数据点分配统一的时间戳。

3.根据权利要求2所述的新型多因素学习网络误差耦合补偿模型,其特征在于,将验潮站真实海面高度序列结果与岸基GNSS-R反演得到的海面高度序列结果作差,以此获得由于大气折射所导致的海面高度误差,包括:对GNSS-R反演序列和验潮站序列中的每一对对应数据点进行作差计算,即,从验潮站的真实海面高度数据中减去GNSS-R反演得到的海面高度数据,对每一时间点进行计算,得到一系列误差值,构成误差序列;

对误差序列进行统计分析,计算其均值、标准差、最大值、最小值统计特征;

利用图表展示误差的分布情况,通过分析误差序列,以识别出与大气折射相关的误差成分,将计算得到的误差序列以及相关的统计特征和可视化图表进行记录保存。

4.根据权利要求3所述的新型多因素学习网络误差耦合补偿模型,其特征在于,以大气因素和时空因素作为输入数据,利用深度学习算法对其进行学习,以此构建岸基GNSS-R大气延迟深度学习修正网络,包括:获取与岸基GNSS-R测量相关的大气因素数据,包括大气温度、湿度、气压以及电离层和对流层的状态参数;收集测量点的地理位置信息和时间戳数据;

对收集到的大气因素和时空因素数据进行清洗,将预处理后的大气因素和时空因素数据作为卷积神经网络的输入数据,卷积神经网络的输出为目标变量,即大气延迟的修正值或修正后的海面高度值;

将预处理后的数据划分为训练集、验证集和测试集,其中,训练集用于训练卷积神经网络,验证集用于调整卷积神经网络参数和监控训练过程,测试集用于评估卷积神经网络的性能;使用训练集对卷积神经网络进行训练,通过反向传播算法不断优化卷积神经网络的参数,将训练好的卷积神经网络应用于实际岸基GNSS-R测量中,对大气延迟进行修正。

5.根据权利要求4所述的新型多因素学习网络误差耦合补偿模型,其特征在于,大气因素包括温度、压强和电子含量;时空因素包括经度、纬度和时间。