[发明专利]一种基于自适应遗传算法的单频GNSS整周模糊度获取方法

说明书

技术领域

本发明涉及一种基于自适应遗传算法的单频GNSS整周模糊度获取方法，属于利用最优化算法求解单频GNSS整周模糊度的技术领域。

背景技术

在利用GNSS载波相位进行高精度的姿态测量和相对定位时，其中最为关键的就是快速准确地解算出载波相位的初始整周模糊度。单频GNSS整周模糊度求解方法可以分为两大类：瞬时法和基于运动方法，瞬时算法，是指在一个历元内搜索所有可能的模糊度组合，同时提出残差变得太大的候选解，以寻找使误差残差最小的解，这类方法的吸引力在于，它能提供一个“瞬时”解，而且对短基线模糊度求解较为有效，但是在存在观测噪声的情况下，方差最小并不能保证解的正确性，完全有可能将一个错误解作为正确解，而且在地面应用时对天线阵有较为严格的限制。基于运动的方法是指在经过一段时间观测积累数据，对这些数据进行批处理求解整周模糊度，这种方法在搜集数据时需要发生一定的运动，或者是载体运动，或者是GNSS卫星运动，与瞬时法相比，它的缺点是需要较长的观测时间，另一个缺点是，由于对观测数据进行批处理，需要较大的存储空间，因此不适合实时求解整周模糊度。目前为了提高整周模糊度解算的速度，一些改进的算法也不断提出，其中应用最为广泛的就是Teunissen提出的利用整数高斯变换对模糊度方差阵进行变换的LAMBDA（Least-squares AMBiguity Decorrelation Adjustment）方法，对方差阵进行变换，缩小模糊度搜索空间，降低各模糊度分量之间的相关性，同时利用条件最小二乘平差逐步递推，最终搜索得到整周模糊度。

遗传算法是在生物进化的基础上发展起来的一种求解最优解的算法，其本质是一种并行、高效、稳定的全局搜索算法。它能够从很多个体开始最优解的搜索，对种群进行选择、交叉、变异等遗传操作，进而搜索到最优解。自适应遗传算法（Adaptive Genetic Algorithm，简称AGA）是在基本遗传算法（Simple Genetic Algorithm）的基础上提出的一种改进遗传算法。在基本遗传算法进行搜索全局最优解时，由于遗传算法运行参数交叉概率和变异概率都是恒定不变的，在搜索过程中不能随着种群中个体的特性而改变，这样容易使得初始设置的交叉概率和变异概率无法满足运算初期和后期的搜索，进而也会导致种群中的优良模式被破坏，种群容易陷入早熟，影响到搜索的速度和效率。与基本的遗传算法相比，自适应遗传算法中的运行参数交叉概率和变异概率能够随适应度自动改变，这在保证了群体多样性的同时，也能够保证遗传算法的收敛性。

发明内容

本发明的目的是为了快速求解GNSS整周模糊度，提出一种基于自适应遗传算法的单频GNSS整周模糊度获取方法，本发明快速求解单频GNSS整周模糊度，在确定了整周模糊度的浮点解之后，将自适应遗传算法引入到整周模糊度的搜索中，从而得到正确的整周模糊度。

一种基于自适应遗传算法的单频GNSS整周模糊度获取方法，包括以下几个步骤：

步骤一：采集GNSS载波相位的观测数据，建立GNSS载波相位双差观测方程；

步骤二：根据步骤一得出的双差观测方程，利用最小二乘方法获取GNSS整周模糊度的浮点解和相应的协方差阵；

步骤三：利用已知的基线长度作为约束条件，确定整周模糊度的搜索空间；

步骤四：利用白化滤波的方法对步骤二得出的整周模糊度浮点解和协方差阵进行降相关处理；

步骤五：根据目标函数确定适应度函数，确定自适应遗传算法中的各个运行参数，最后再将自适应遗传算法引入对整周模糊度的快速解算，搜索整周模糊度的最优解；

本发明的优点在于：

（1）本发明采用白化滤波对整周模糊度的协方差阵进行降相关处理，降低了各整周模糊度分量之间的相关性；

（2）本发明将自适应遗传算法引入到整周模糊度的搜索中，避免了利用LAMBDA等算法求解过程中的复杂计算量，极大地提高了搜索速度，与简单遗传算法相比又能较大地提高搜索的准确率。

附图说明

图1是自适应遗传算法中交叉概率P_c的变化图；

图2是自适应遗传算法中变异概率P_m的变化图；

图3是本发明的方法流程图。

具体实施方式

下面将结合附图和实施例对本发明作进一步的详细说明。