融合CNN-GRU的GNSS短基线多路径误差实时削弱方法

摘要：

针对传统的恒星日滤波方法难以抑制GNSS多星座组合观测的多路径误差问题,该文提出了一种用于削弱多路径误差的卷积神经网络和门控循环单元的融合模型(CNN-GRU),通过挖掘GNSS多路径误差的深层变化规律,对短基线中的多路径误差进行实时预测和改正.实验结果表明,该模型对于BDS和不同系统间组合的多路径误差可以起到实时削弱的作用,能够显著提高定位精度.此外,CNN-GRU模型的预测结果具有良好的鲁棒性,并且不受粗差的影响.

关键词：GNSS、多路径误差、时间序列、深度学习、CNN-GRU

所属期刊栏目：47

分类号：P228(大地测量学)

资助基金：安徽省自然科学基金面上项目;安徽省高校自然科学研究重点项目

在线出版日期：2023-03-07（万方平台首次上网日期，不代表论文的发表时间）

页数：共9页

页码：40-47,72