一种基于遗传算法和BP神经网络的对流层延迟改正模型

第２７卷第３期　２０１８年３月　测绘工程　

Ｅｎｇｉｎｅｅｒｉｎｇ　ｏｆ　Ｓｕｒｖｅｙｉｎｇ　ａｎｄ　Ｍａｐｐｉｎｇ　ＶｏＬ　２７，Ｎｏ．３　

Ｍａｒ．，２０１８　引用著录：陈阳，胡伍生．一种基于遗传算法和ＢＰ神经网络的对流层延迟改正模型［Ｊ］．测绘工程，２０１８，２７（３）：４６—５２．　ＤＯＩ：１０．１９３４９／ｊ．ｅｎｋｉ．ｉｓｓｎｌ００６—７９４９．２０１８．０３．０１０　

一种基于遗传算法和ＢＰ神经网络的　对流层延迟改正模型　

陈　阳，胡伍生　（东南大学交通学院，江苏南京２１００９６）　

摘要：对流层延迟是影响全球卫星导航系统定位精度的主要因素之一。针对全球气象数据建立的对流层延迟改　正模型区域精度较低这一问题，文中基于遗传算法和ＢＰ神经网络技术，在ＥＧＮＯＳ模型基础上建立一个高精度的　区域融合模型（ＧＡ—ＢＰＥＧＮＯＳ模型）。选取北美洲２０１０－－２０１４年４１个观测站点，以国际ＧＮＳＳ服务中心的对流层　产品作为真值，分析比较ＥＧＮＯＳ模型和融合模型的对流层天顶延迟。研究表明，ＥＧＮＯＳ模型的均方根误差为　８Ｏ．３８　ｍｍ，融合模型的均方根误差为３４．４４　ｍｍ。与ＥＧＮＯＳ模型相比，融合模型的精度提高约５７　，取得满意　效果。　关键词：ＥＧＮＯＳ模型；融合模型；遗传算法；ＢＰ神经网络；对流层延迟　中图分类号：Ｐ２２８　文献标识码：Ａ　文章编号：１ＯＯ６—７９４９（２Ｏ１８）Ｏ３—００４６—０７　

Ａ　ｔｒｏｐｏｓｐｈｅｒｉｃ　ｄｅｌａｙ　ｃｏｒｒｅｃｔｉｏｎ　ｍｏｄｅｌ　ｂａｓｅｄ　ｏｎ　ｇｅｎｅｔｉｃ　ａｌｇｏｒｉｔｈｍ　ａｎｄ　ＢＰ　ｎｅｕｒａｌ　ｎｅｔｗｏｒｋ　

ＣＨＥＮ　Ｙａｎｇ，ＨＵ　Ｗｕｓｈｅｎｇ　（Ｓｃｈｏｏｌ　ｏｆ　Ｔｒａｎｓｐｏｒｔａｔｉｏｎ，Ｓｏｕｔｈｅａｓｔ　Ｕｎｉｖｅｒｓｉｔｙ，Ｎａｎｊｉｎｇ　２１００９６，Ｃｈｉｎａ）　

Ａｂｓｔｒａｃｔ：Ｔｒｏｐｏｓｐｈｅｒｉｃ　ｄｅｌａｙ　ｉｓ　ｏｎｅ　ｏｆ　ｔｈｅ　ｍａｉｎ　ｆａｃｔｏｒｓ　ｔｈａｔ　ａｆｆｅｃｔ　ｔｈｅ　ａｃｃｕｒａｃｙ　ｏｆ　Ｇｌｏｂａｌ　Ｎａｖｉｇａｔｉｏｎ　Ｓａｔｅｌｌｉｔｅ　Ｓｙｓｔｅｍ．Ａｉｍｉｎｇ　ａｔ　ｔｈｅ　ｌｏｗ　ａｃｃｕｒａｃｙ　ｏｆ　ｔｈｅ　ｔｒｏｐｏｓｐｈｅｒｉｃ　ｄｅｌａｙ　ｃｏｒｒｅｃｔｉｏｎ　ｍｏｄｅｌ　ｒｅｇｉｏｎ　ｅｓｔａｂｌｉｓｈｅｄ　ｂｙ　ｕｓｉｎｇ　ｔｈｅ　ｇｌｏｂａｌ　ｍｅｔｅｏｒｏｌｏｇｉｃａｌ　ｄａｔａ，ｂａｓｅｄ　ｏｎ　ｔｈｅ　ｇｅｎｅｔｉｃ　ａｌｇｏｒｉｔｈｍ　ａｎｄ　ＢＰ　ｎｅｕｒａｌ　ｎｅｔｗｏｒｋ　ｔｅｃｈｎｉｑｕｅ，　ａ　ｈｉｇｈ－ｐｒｅｃｉｓｉｏｎ　ｒｅｇｉｏｎａｌ　ｆｕｓｉｏｎ　ｍｏｄｅｌ（ＧＡ—ＢＰＥＧＮＯＳ　ｍｏｄｅ１）ｉＳ　ｅｓｔａｂｌｉｓｈｅｄ　ｏｎ　ｔｈｅ　ｂａｓｉｓ　ｏｆ　ＥＧＮＯＳ　ｍｏｄｅ１．Ｂｙ　ｓｅｌｅｃｔｉｎｇ　４　１　ｏｂｓｅｒｖａｔｉｏｎ　ｓｉｔｅｓ　ｉｎ　Ｎｏｒｔｈ　Ａｍｅｒｉｃａ　ｆｒｏｍ　２０　１　０　ｔｏ　２０　１　４　ａｎｄ　ｔａｋｉｎｇ　ｔｈｅ　ｚｅｎｉｔｈ　ｔｒｏｐｏｓｐｈｅｒｉｃ　ｄｅｌａｙ　ｄａｔａ　ｐｒｏｖｉｄｅｄ　ｂｙ　ｔｈｅ　Ｉｎｔｅｒｎａｔｉｏｎａｌ　ＧＮＳＳ　Ｓｅｒｖｉｃｅ　ａｓ　ｔｈｅ　ｔｒｕｅ　ｖａｌｕｅ，ｔｈｉｓ　ｐａｐｅｒ　ｃｏｍｐａｒｅｓ　ｔｈｅ　ｔｒｏｐｏｓｐｈｅｒｉｃ　ｚｅｎｉｔｈ　ｄｅｌａｙ　ｖａｌｕｅ　ｃａｌｃｕｌａｔｅｄ　ｂｖ　ＥＧＮＯＳ　ｍｏｄｅｌ　ａｎｄ　ｆｕｓｉｏｎ　ｍｏｄｅ１．Ｔｈｅ　ｒｅｓｕｌｔ　ｓｈｏｗｓ　ｔｈａｔ　ｔｈｅ　ｒｏｏｔ　ｍｅａｎ　ｓｑｕａｒｅ　ｅｒｒｏｒ　ｏｆ　ＥＧＮ０Ｓ　ｍｏｄｅｌｉＳ　８０．３８　ｍｍ　ａｎｄ　ｔｈｅ　ｒｏｏｔ　ｍｅａｎ　ｓｑｕａｒｅ　ｅｒｒｏｒ　ｏｆ　ｆｕｓｉｏｎ　ｍｏｄｅｌ　ｉＳ　３４．４４　ｍｍ．Ｃｏｍｐａｒｅｄ　ｗｉｔｈ　ｔｈｅ　ＥＧＮＯＳ　ｍｏｄｅｌ，ｔｈｅ　ａｃｃｕｒａｃｙ　ｏｆ　ｔｈｅ　ｆｕｓｉｏｎ　ｍｏｄｅｌ　ｉｓ　ｉｍｐｒｏｖｅｄ　ｂｙ　ａｂｏｕｔ　５　７　ａｎｄ　ｇｏｏｄ　ｒｅｓｕｌｔ　ｉｓ　ｏｂｔａｉｎｅｄ．　Ｋｅｙ　ｗｏｒｄｓ：ＥＧＮＯＳ　ｍｏｄｅｌ；ｆｕｓｉｏｎ　ｍｏｄｅｌ；ｇｅｎｅｔｉｃ　ａｌｇｏｒｉｔｈｍ；ＢＰ　ｎｅｕｒａｌ　ｎｅｔｗｏｒｋ；ｔｒｏｐｏｓｐｈｅｒｉｃ　ｄｅｌａｙ　

近三十年来，随着电子、通信和航天等现代科　技手段的飞速发展，与电磁波传播密切相关的大气　层，尤其对流层已经成为影响人类生产和生活的重　要因素之一。从地面向上约４０　ｋｍ范围内的大气　收稿日期：２０１７－０５—０１　基金项目：国家自然科学基金资助项目（４１５７４０２２；４１２７４０２８　４１６７４０３５）　第一作者简介：陈阳（１９９４一），男，硕士研究生．　底层称为对流层。卫星信号经过对流层时，受大气　折射影响产生时延和路径弯曲导致的信号延迟，即　为对流层延迟。对流层延迟是影响ＧＮＳＳ（Ｇｌｏｂａｌ　Ｎａｖｉｇａｔｉｏｎ　Ｓａｔｅｌｌｉｔｅ　Ｓｙｓｔｅｍ，ＧＮＳＳ）导航定位的重　要误差源，其延迟量在天顶方向大约为２　ｍ，在接近　地面方向在２０　ｍ左右［１］。因此，进行对流层延迟的　研究具有重大意义。　国际上获取对流层天顶延迟（Ｚｅｎｉｔｈ　Ｔｒｏｐｏ—　第３期　陈　阳，等：一种基于遗传算法和ＢＰ神经网络的对流层延迟改正模型　ｓｐｈｅｒｉｃ　Ｄｅｌａｙ，ＺＴＤ）的方法有很多，主要有：无线电　探空仪法（Ｒａｄｉｏｓｏｎｄｅ）、水汽辐射计法（Ｗａｔｅｒ　Ｖａ—　ｐｏｒ　Ｒａｄｉｏｍｅｔｅｒ）、ＧＮＳＳ提取法、甚长基线干涉测量　技术（Ｖｅｒｙ　Ｌｏｎｇ　Ｂａｓｅｌｉｎｅ　Ｉｎｔｅｒｆｅｒｏｍｅｔｒｙ，ＶＬＢＩ）和　模型改正法等［２］。由于模型改正法的普适性和廉价　性，在对流层延迟方面得到深入研究和广泛应用。　ＺＴＤ模型按照模型是否需要实测气象参数，分为实　测气象参数ＺＴＤ模型和经验ＺＴＤ模型。第一类实　测气象参数ＺＴＤ模型主要包括Ｈｏｐｆｉｅｌｄ模型、　Ｓａａｓｔａｍｏｉｎｅｎ模型及Ｂｌａｃｋ模型等。１９６９年，　Ｈｏｐｆｉｅｌｄ对全球１８个高空气象探测台站两年的资　料进行细致的分析，初步建立了大气模型［３］。１９７３　年，Ｓａａｓｔａｍｏｉｎｅｎ基于美国标准大气模型计算得到　天顶延迟，建立Ｓａａｓｔａｍｏｉｎｅｎ模型ｕ４］。１９７８年，　Ｈ．Ｄ．Ｂｌａｃｋ在Ｈｏｐｆｉｅｌｄ模型基础上加入路径弯曲　改正之后，推导出Ｂｌａｃｋ模型Ｌ５］。实测气象参数　ＺＴＤ模型需要利用温度、压力和水汽压等气象参数　解算ＺＴＤ，而在大部分情况下用户无法获取实测的　气象数据，限制此类模型的实用性。第二类经验　ＺＴＤ模型在计算ＺＴＤ时不需要输入气象参数，主　要包括ＵＮＢ系列模型、ＥＧＮＯＳ模型、ＩＧＧｔｒｏｐ模　型、ＧＺＴＤ模型、ＧＰＴ系列模型。２００４年Ｒｏｄｒｉｇｏ—　Ｌｅａｎｄｒｏ等人在大量全球气象资料的基础上建立　ＵＮＢ模型，该模型综合考虑温度、压力和水汽压等　气象参数在空间上的变化，通过纬度和年积日的表　格形式来表示气压、温度、相对湿度等气象参数＿６］。　ＵＮＢ３模型则是将ＵＮＢ模型表格中的相对湿度换　成了水汽压。在全球范围内，ＵＮＢ３模型的改正精　度与实测气象参数的Ｈｏｐｆｉｅｌｄ模型相当。ＥＧＮＯＳ　模型在ＵＮＢ３模型的基础上进行改进，考虑温度、　气压、水汽压、温度梯度、水汽梯度这５个气象参数。　ＥＧＮ０Ｓ模型系数依赖于测站的经纬度和时间，而　且精度与Ｓａａｓｔａｍｏｉｎｅｎ模型相当，已用于美国、欧　洲等地区的增强导航系统中［７］。２０１２年李薇等人　利用ＮＣＥＰ大气资料和ＩＧＳ中心提供的ＺＴＤ时间　序列等产品，考虑到不同测站经纬度的差异建立全　球对流层天顶延迟模型ＩＧＧｔｒｏｐＥ８－９］，该模型在全球　的改正精度在５ｃｍ左右，其改正效果要优于　ＥＧＮ０Ｓ模型和ＵＮＢ系列模型。２０１３年，姚宜斌　等学者利用２００２－－２００９年全球ＺＴＤ格网时间序列　提出一种基于球谐函数的ＧＺＴＤ全球对流层天顶　延迟改正模型，其模型精度可达到４～５　ｃｍ左　右［１０－１３］。２０１３年Ｊｏｈａｎｎｅｓ　Ｂ６ｈｍ等人利用３年的　ＥＲ　４０数据采用９阶９次球谐函数得到ＧＰＴ模　型，提供分辨率为１５。×１５。全球格网数据ｌ＿ｌ４］。２０１４　年，Ｋ．Ｌａｇｌｅｒ等人在ＧＰＴ的基础上，建立了空间分　辨率为５。×５。的ＧＰＴ２模型［１引。２０１５年Ｊｏｈａｎｎｅｓ　Ｂ６ｈｍ等人利用ＥＣＭＷＦ提供的２００１－－２０１０年全　球月平均的气压、气温、比湿的气象资料建立了　ＧＰＴ２ｗ模型，它以５。×５。或１。×１。的分辨率提供全　球格网点上的气压、温度、比湿等信息，其在全球范　围内的改正效果可达到３．５～４　ａｍ左右Ｌ１　。　虽然ＵＮＢ３、ＥＧＮＯＳ等经验模型在全球平均　修正效果较好，但在某些特定区域，不能很好的进　行延迟误差修正。同时ＩＧＧｔｒｏｐ、ＧＰＴ２ｗ等模型的　缺陷是需要大量的外部格网数据作为初始使用条　件，如ＧＰＴ２ｗ模型需要约１６３２０００个外部格网数　据作为输入，限制ＧＮＳＳ用户使用的便捷性［１　。针　对上述问题，建立无需大量初始数据的区域内高精　度对流层延迟改正模型具有迫切的必要性和重要　意义。　由于对流层的影响因素多，许多因素又带有较　大的随机性，导致对流层延迟具有很多不规则的变　化。ＢＰ神经网络通过其学习、记忆和计算等功能，　可从环境信息复杂、推理规则不明确的非线性空间　系统中挖掘出其隐含的规律Ｌ１　。利用ＢＰ神经网络　技术可以对现有对流层延迟改正模型进行修正，进　而实现对流层延迟变化的拟合。遗传算法是一种　概率搜索算法，它的基本思想是通过全面模拟自然　选择和遗传机制，通过对种群个体的选择、杂交和　变异，形成一种具有“生成＋检验”特征的搜索算　法［１９－２０］。针对ＢＰ神经网络学习过程中容易陷入局　部最小值或过度拟合情况，利用遗传算法的“自适　应”和“自进化”原理，优化神经网络的初始权值和　阈值，改善神经网络学习能力的可靠性和稳定性。　针对目前对流层研究领域设有把遗传算法和　ＢＰ神经网络技术结合应用于建立预测模型这一现　象，本文在ＥＧＮＯＳ模型基础上，利用遗传算法和　ＢＰ神经网络技术，消除ＥＧＮＯＳ模型在北美洲区域　的误差，建立一种无需大量初始数据的高精度区域　融合模型（ＧＡ－ＢＰＥＧＮＯＳ模型）。　

１　ＥＧＮＯＳ模型基本原理　ＥＧＮＯＳ模型是在ＵＮＢ３模型基础上建立的，　该模型包括气压、温度、水汽压、温度梯度和水汽梯　度这５个气象参数，并且认为它们在平均海平面上　的变化与年积日和测站的地理位置有关。研究发　现，这５个气象参数的数值由两部分组成，即年平均　值Ａｖｇ和年变化量Ａｍｐ。这两个数值随着纬度的　变化而变化。