本文是工程论文，本文利用多路径误差的产生机理和频率特性，以及同一观测站相同时段数据间的强相关性，基于EMD、小波变换、EMD-WT三种方法对三维坐标序列进行分解，然后重构提取多路径信号建立了多项式误差改正模型，该模型在一定范围内，有效的削弱GNSS静态测量时的多路径误差。但是动态导航定位情况下，接收机周围的环境不断变化，影响GNSS多路径误差的因素不可控制，因此无法通过这种数学模型进行建模解算。BP神经网络具有人工神经网络具有自适应学习功能，对非线性数据的拟合能力很强，可映射任意复杂非线性关系，而且学习规则简单，较其他模型更便于计算实现。因此本文提出了一种基于BP神经网络的GNSS动态多路径误差的提取和削弱。并建立模拟实验，验证了该方法行之有效。
.....
第1章绪论
作为GNSS高精度定位的主要误差源，多路径误差对于GNSS高精度定位的精度影响不可忽视，本文主要的研宄内容是如何保持GNSS高精度定位不被多路径误差所影响。首先分析了多路径误差的原理，然后通过GNSS多频接收机接收的伪距和载波相位定位信息，对原始数据提取伪距多路径误差，并分析其特性。随后设立静态试验，对比分析了EMD、小波变换、EMD-WT三种滤波提取多路径误差的精度，然后通过多项式拟合的方法建立了多路径误差改正模型。最后，考虑到如何消除动态GNSS多路径误差的影响，引入了神经网络算法，通过神经网络的自适应特性学习动态多路径误差的规律，然后建立改正模型，修正动态仿真实验中汽车的运行轨迹。因此，全文的结构如下：第一章，介绍GNSS高精度定位的意义与必要性，以及我们为什么需要高精度导航和定位。总结了国内外在相关问题的主要研究内容。分析了在处理动态数据上我们可能需要用到的方法。由于GNSS导航的动态多路径误差的规律更加复杂，因此难以寻求符合的函数模型与随机模型。在引入深度学习的理论后，通过建立BP神经网络预测模型，对原始观测数据进行神经网络学习和训练，然后通过训练后的函数预测得到GNSS动态导航的多路径误差，然后进行改正，最终通过实验验证该方法的有效性。最后，总结了本文在GNSS多路径误差方面所做的研究内容，分析了目前自己研究的不足之处，以及提出了以后可以通过哪些方面进行改进。
.......
第2章GNSS观测值多路径效应研究
2.1多路径效应
在一般情况下，卫星定位数据的精度和准度很大程度上受到多路径效应的限值。多路径效应与镜面反射相比，区别在于镜面反射一般为单次，而接收机接受的信号不仅包括卫星直射的信号，同时也包括环境和周围反射源反射的前一时刻的信号。我们把GNSS接收机所接收到的由天空中卫星发射天线直接传输到接收机天线的信号为直射波，把经过大气折射、周围环境因素干扰而不能直接到达接收机的信号称为反射波。我们希望接收机只接收直射信号，但在实际测量中，由于无法屏蔽或从根源上去除反射波干扰，接收机接受到的信号其实是有直射波和反射波组合形成的混合波，从而导致卫星信号发生相位延迟，从而降低准度和精度。当我们进行测量时，如果不能改变测站点，增大接收机中设置的卫星最小截止高度角也可以有效的减少多路径效应，或者在使用程序处理时去除掉信号强度较弱的卫星信号。然而，目前研究的成果表明，多路径效应只能在一定程度上进行减弱，不能消除。
2.2伪距载波相位提取
多路径伪距测量的量测信号是测距码信息，测量的精度主要依赖的是电子技术水平，可以达到码宽的百分之一。测距码包括P码和C/A码，其中P码测距精度可以达到0.3m，而C/A码的精度大约为3m，测量数据时的精度相对比较低，只能满足低精度导航和相关定位的需求。载波相位观测量是在接收时刻接收到的卫星信号的相位相对于接收机产生的载波信号相位的测量值。载波相位的测量实际上就是对载波的周数变化进行跟踪，对载波的小数部分进行测量，是一个累积的结果。载波的波长比码宽度小得多，L1和L2的波长分别是19.0cm和24.4cm，目前进行测量时所用的接收机的载波相位精度约为0.2~0.3mm，因此载波相位测量的测距精度相对伪距测距的精度要高很多。从图2-4中可以看出，GPS卫星可见颗数在10颗左右，满足观测条件，由于仿真实验设置了墙面阻隔，部分卫星存在一定的失锁情况，但仍可以接收到较多的卫星信号，满足实验需求。图2-5可以看出复杂环境下，PDOP值会出现一些峰值，但仍可以满足基本情况下的定位需求，且PDOP值较小，说明观测误差主要是多路径误差和随机噪声构成的。经由CMC算法提取多路径误差如图2-6所示，图中可以看出，卫星高度角越大，多路径误差越小。其中G07、G08、G09、G16、G23、G27卫星观测效果较好，统计每颗卫星在1L载波和2L载波上的多路径误差如表2-1所示。
......
第3章GNSS动态定位多路径模型................................................................17
3.1多路径提取模型............................................................................................................17
3.2评价指标.......................................................................................................................20
3.3技术方案.......................................................................................................................21
3.4实验分析.......................................................................................................................22
第4章多路径误差平面分布模型研究...........................................................33
4.1多项式曲面拟合法.......................................................................................................33
4.2多项式函数拟合...........................................................................................................34
4.3实验分析.......................................................................................................................36
4.4本章小结.......................................................................................................................41
第5章GNSS动态多路径误差BP神经网络预测模型................................42
5.1神经网络原理与构建...................................................................................................42
5.2基于BP神经网络的GNSS多路径误差建模............................................................44
5.3实验分析.......................................................................................................................45
5.4本章小结.......................................................................................................................52
......
第5章GNSS动态多路径误差BP神经网络预测模型
5.1神经网络原理与构建
GNSS动态导航情况下，接收机处于不断运动的过程中，其多路径误差更加没有规律性。深度学习可以映射各种复杂非线性函数关系，非常适合分析这种没有任何规律的数据。据此，本章提出基于神经网络的动态多路径误差建模方法，借助于神经网络学习与发现复杂样本规律的能力，进行GNSS多路径误差学习，建立多路径误差模型，然后可以将后续观测数据中的多路径误差进行消除，削弱多路径误差给高精度导航定位带来的影响。将后续解算得到的GNSS动态坐标序列输入多路径误差网络模型，经过神经网络预测得到多路径误差的提取结果，然后将提取结果对原始观测序列进行修正，就可以得到经神经网络预测后的定位结果。
5.2基于BP神经网络的GNSS多路径误差建模
GNSS动态多路径误差模型建立步骤如下：（1）建立神经网络来对GNSS数据进行深度学习，选用合适的神经网络作为GNSS多路径误差建模的神经网络，本文选择BP神经网络。（2）选用合适的样本数据，将固定历元的GNSS动态观测数据进行解算并中值滤波。（3）进行神经网络的训练，将样本数据中的一部分作为训练数据，另外一部分作为检验数据，当检验数据达到要求的精度时，神经网络的训练即可停止，保存训练成功的网络，可以用作后续数据的处理。实验地点选择在北京建筑大学校园内进行动态多路径数据采集，采集多圈的数据。接收机采用天宝GNSS接收机，实验中的采样频率设置为100Hz，实验当天，天气状态良好，将接收机放置汽车上，沿规定路线，匀速绕北京建筑大学实验楼行驶一圈。基站位于学院楼F座楼顶连续运行参考站。采集现场如图5-4所示，行驶路线图如图5-5所示。
........
结论
随着GNSS技术高速发展，高精度定位应用需求广泛增加，在高精度灾害监测、建筑健康监测、无人驾驶等领域发挥了重要作用。如何处理和削弱多路径效应成为了现今的主要研究工作。（2）对多路径效应的产生进行了详细的论述。介绍了伪距载波相位提取多路径误差的算法，并针对多路径误差的影响规律进行了分析，推导得出了多路径误差的影响会随着卫星高度角的减小而增大，而且多路径误差的大小也跟反射面的反射系数存在相关性。（3）介绍了EMD经验模态分解、小波变换。EMD-WT三种滤波提取多路径的算法，并通过提取第一天观测数据中的多路径误差来对第二天观测数据中的多路径误差进行了剔除。通过实验验证表明，EMD和小波融合算法能够更好的将两种算法各自优点，避免了信号的过度去噪而失去某些有用的信息。
参考文献（略）
参考文献（略）
