利用bpann和地基单站gps数据反演大气折射率剖面

1、利用BP-ANN和地基单站GPS数据反演大气折射率剖面 . . 第 卷第 期 微 波 学 报年 月 . 文章编号:利用 和地基单站数据反演大气折射率剖面林乐科 赵振维 张业荣 王红光 王 波.南京邮电大学通信与信息工程学院,南京; .中国电波传播研究所,青岛 摘 要: 分析表明地基单站接收机低仰角信号的斜路径延迟是适合进行大气折射率剖面反演的基础量,为此建立了五层 .后向传播人工神经网络 用于大气折射率剖面的反演。利用青岛地区 年的历史探空数据进行网络训练和仿真反演,仿真反演结果与探空剖面有很好的一致性。关键词:斜路径延迟,大气折射率剖面,后向传播网络,全球定位系统 . . . , , , ?

2、,., , , ;. , , : . . ., . ? . : , , ,剖面信息,因此其有可能成为感知大气折射率剖面引 言的有效手段。由于对流层大气的折射效应,使无线电测控、定 根据青岛地区 ?年 年的历史探空数据,利用射线描迹法仿真得到了低仰角的斜路径位、导航、探测等系统出现测量误差,而大气折射率延迟,利用以上延迟与剖面数据对所建立的五级剖面是修正测量误差的基础数据,传统的探测方式神经网络进行训练,结果与实际剖面有较好的一致是利用探空气球取得的气象参数通过转换获得,但性。最后给出了神经网络在地基大气折射率是探空气球探测一次剖面需要 分钟左右,不能满反演中的实际应用方法。足实时应用的需求。而

3、基于地面气象数据的经验模式如模式?、分段模式、指数模式 等,所斜路径延迟分析与计算预报剖面与实际剖面有较大误差,难以满足精度要利用青岛地区 ?年的晴空大气特性求越来越高的应用需求,因此有必要发展大气折射层探空数据,进行斜路径延迟的分析与计算。在数率剖面的实时感知能力。由于地基接收机在据处理时,将含有相对湿度大于 %的特性层数据定位过程中所获得的斜路径延迟包含一定的折射率收稿日期:微 波 学 报年 月以及最大高度小于的特性层数据舍弃。通过剖面气象参数获得折射率剖面后,采用射线描迹 式中和分别为天顶静力延迟和湿延迟,和 分别为静力映射函数和湿映射函数 。法 获得斜路径延迟:? 。 初步的比较表明,

4、青岛地区 映射函数和映射函数优于 斜路径延迟模型。其中 和 。分别为视在距离和真实距离:图 给出了 月份仰角 。时采用 映射函?二数计算的斜路径延迟误差与 的比较,可以看到映射函数的误差远小于 ,因此由映射函数得到的一 /斜一 ?二 二二/ 一其中 。、 分别为地面站和中性大气层顶与地心的距离,/为距地心 处的折射率,实际探空数据到达不了中性大气层顶,在这里由 模型补齐中性大气层顶高度也由 模型计算 , 为地心张角, 为常数:为视在天顶角 视在仰角的余角 。 图 映射函数计算的斜延迟误差与 比较仰角越低,穿越大气层的路径越长,折射效应越 网络反演方法显著,显然,低仰角的斜路径延迟更适合进行折射

5、率由 式可知,反演问题实质是求解积分剖面反演。采用与直线距离延迟之差来衡量方程,由于该积分方程比较复杂,目前还不能求出其剖面包含的信息量:精确的解析解,只能根据实际问题通过数值计算的:一 . 。一 方法来尽可能准确地逼近真实解。神经网络算法在其中为天顶延迟。当仰角较大时, 比较小,解决非线性近似方面有着巨大的优势,并且已经成可能会淹没在各种测量噪声与误差之中,当仰角较功地应用于微波辐射计大气参数剖面反演,其中 低时, 增大,才有可能进行反演。例如,对青岛地后向传播 神经网络是应用最为广泛的一种神经区 月份探空数据的分析发现,仰角为 。时的网络算法。本文借鉴微波辐射计的神经网络反演方约为 ,而仰

6、角为 。时的 只有 .左右,相法 ,将 神经网络应用于大气折射率剖面差超过 倍。的反演。由式可知,计算时采用的是视在利用 神经网络拟合斜路径延迟、地面温湿天顶角,但是接收机一般采用的是全向天线,压参数与大气折射率剖面之问的非线性关系。网络因此 无法得到,如果由精密星历 假定可以以地面的压强、温度、水汽密度以及斜路径延迟为输得到 获得卫星的准确位置,则真实天顶角是可以人参数,而网络输出的是待反演大气折射率垂直剖知道的,因此在已知折射率剖面的情况下,需要由真面。网络采用五层全连接的 神经网络结构 图实天顶角获取视在天顶角的方法。已知可以由视在,其输入矢量的长度为 个变量,输出矢量为天顶角计算真实天

7、顶角:个反演值。各层神经元均采用对数正切型 函数:。、 , :并且越接近实际视在天顶角,计算得到的真实天顶角越接近实际值,显然满足 . 法 的搜索条件,由于该函数输出范围在 ? 之间,为了使输出尽可因此这里采用 . 法搜索得到视在天顶角。能落在一个较大的范围,对输入参数进行归一化处实际信号处理过程中一般采用映射函数理,同样参 练的输出剖面也要进行归一化处理,的方法由天顶延迟得到斜路径延迟 :而实际反演时则需要将归一化的结果还原。第 卷第 期 林乐科等:利用 ?和地基单站数据反演大气折射率剖面演。取 、 月数据分别代表冬、夏两季,取 月数据作为春秋季剖面的代表。在大气折射率分层方面,由于大气下层

8、折射率大,包含的折射率信息较多,因此主要反演从地面到 高度的大气层,并对大气在垂直方向进行不均匀分层,从地面到高度每隔一层,从到每隔 一层,则总共有 层。输人参数为地面气象参数和低仰角的斜路径延图 五层神经网络拓扑结构任意单一神经元的输出为: 迟。由于视在仰角未知,因此这里采用的是卫星高度角,取卫星高度角为 。 。,间隔 。由第 节其中 厂为神经元的输出值, 为神经元的输人权重 的方法获得视在仰角,进一步得到斜路径延迟。分矩阵, 为神经元的输入值, 为神经元的偏差。网 别取不同的组合分析神经网络的反演结果。采用基络的权重和偏差是在训练过程中由误差反向传播算 于地面气象参数的 模型和分段模型进行

9、比法 确定的。 较。分段模型的参数由实际探空数据拟合得到。采在神经网络的训练过程中,如果过分追求训练用折射率的均方根误差作为评判标准。样本集内误差最小,就会丧失推广能力,出现过拟合 图 为 月份神经网络与气象模型的误差比现象,这是因为训练误差太小而使模型陷入过多反 较,神经网络采用的卫星高度角为 。、 。、 。可以应训练样本的细节特征,而未能学到真正的规律;另 看出,神经网络的反演结果显著优于气象模型,尤其一方面,也不能使模型输出与训练样本有太大误差, 低层改善显著。图 和图 分别为 月份和 月份以免造成拟合不足。为此,选取约 %的样本作为 的结果,显然有相似的结论。训练样本,进行网络训练;约 %的样本作为检验和测试样本,进行网络性能评估,不参与训练过程。曼括每训练若干次后计算测试样本的误差是否减小,若恒测试样本的误差开始增大,保存之前的网络,停止训誉练。然后人为计算网络性能,凭经验确定网络是否达到训练目的。网络训练流程如图 所示。均方根误差/ 图 神经网络反演与气象模型对比 月乓恒瑟 均方根误差, 图 神经网络反演与气象模型对比 月表 为采用不同卫星高度角组合时神经网络的反演误差比较