低频地波传播时延修正的季节效应研究

论文摘要

罗兰-C导航系统是陆基100kHz脉冲长波导航定位系统,具有覆盖范围大、全天候、成本低、抗干扰能力强、可靠性高、稳定性好等优点,是弥补卫星导航抗干扰能力差的首选方法。但罗兰-C导航系统使用的是低频地波,其传播时延随传播路径地物及地形的不同而不同,需要进行传播时延的修正。而不同地理位置的传播时延还受气候季节等因素的影响,限制了罗兰-C导航系统精度的提高,因此要提高整体定位精度,必须对考虑季节等因素对传播时延修正量的影响。本文基于传播时延的长时间连续测量数据,利用神经网络技术研究季节与传播时延修正量间的关系,建立了合适的神经网络模型。并同时考虑了传播距离和大气折射率等因素对传播时延修正量变化的影响。本文首先从美国海岸警卫队研究与开发中心收集的美国和加拿大周围区域的63个观测点,连续1-3年的传播时延测量数据图表实测数据出发,对图表数据进行提取和预处理。然后利用实测数据采用BP神经网络和GRNN神经网络建立了传播时延修正数据的季节修正网络模型,并对它们的效果进行比较分析,结果显示GRNN神经网络模型效果更好。论文最后分析了传播距离和大气折射率等因素对传播时延修正量的影响。本文研究表明：神经网络能够很好地预测传播时延修正量随季节的变化,为罗兰-C传播时延修正的季节修正提供了一种可行的方法。

论文目录

• 摘要
• Abstract
• 1 前言
• 1.1 罗兰-C系统的国内外发展现状
• 1.1.1 罗兰-C系统介绍
• 1.1.2 罗兰-C系统的国外发展现状
• 1.1.3 罗兰-C系统的国内发展现状
• 1.2 传播时延修正的国内外研究现状
• 1.2.1 传播时延修正概念
• 1.2.2 ASF修正的国内外研究现状
• 1.2.3 ASF季节修正的国内外研究现状
• 1.3 神经网络
• 1.3.1 神经网络介绍
• 1.3.2 神经网络研究的国内外现状
• 1.3.3 BP神经网络的发展概况
• 1.3.4 广义回归神经网络的发展概况
• 1.4 本文主要研究工作
• 2 实测数据处理与分析
• 2.1 实测数据介绍
• 2.1.1 实测数据来源
• 2.1.2 实测数据位置分布
• 2.1.3 测量仪器及测量方法
• 2.1.4 实测数据结构
• 2.2 数据的提取与处理
• 2.2.1 TD测量数据的提取
• 2.2.2 ASF（TD）修正量的计算方法
• 2.3 ASF（TD）数据分析
• 2.4 本章小结
• 3 神经网络理论介绍
• 3.1 神经网络理论
• 3.1.1 神经网络概论
• 3.1.2 神经网络的特点
• 3.2 BP神经网络
• 3.2.1 BP网络结构
• 3.2.2 BP算法
• 3.2.3 BP算法实现的基本步骤
• 3.2.4 BP算法的优缺点
• 3.3 GRNN神经网络
• 3.3.1 RBF神经网络
• 3.3.2 GRNN网络结构
• 3.3.3 GRNN算法
• 3.3.4 GRNN算法实现的基本步骤
• 3.3.5 GRNN算法的优缺点
• 3.4 BP、RBF及GRNN神经网络在函数逼近上的一些特点
• 3.5 本章小结
• 4 基于神经网络的季节分析
• 4.1 基于神经网络ASF季节分析
• 4.1.1 基于BP神经网络的季节分析
• 4.1.2 基于GRNN神经网络的季节分析
• 4.1.3 BP网络和GRNN网络结果比较
• 4.2 采用多年ASF测量数据的分析
• 4.2.1 基于BP神经网络的数据分析
• 4.2.2 基于GRNN神经网络的数据分析
• 4.2.3 BP网络和GRNN网络结果比较
• 4.3 ASF（TD）修正值的距离分析
• 4.4 ASF（TD）修正值的大气折射率分析
• 4.5 改进方法
• 4.6 本章小结
• 5 结论
• 致谢
• 参考文献
• 研究生期间发表的论文