您的当前位置:首页正文

改进粒子群算法求解GPS短基线整周模糊度的研究

2023-03-31 来源:好走旅游网
第32卷第4期 2 0 1 2年8月 大地测量与地球动力学 JOURNAL OF GEODESY AND GE0DYNAMICS Vo1.32 No.4 Aug.,2012 文章编号:1671-5942(2012)04-0148-04 改进粒子群算法求解GPS短基线整周模糊度的研究 王 建 ’ 张献州 张 勇 李 伟 610031、 /1)西南交通大学地球科学与环境工程学院,成都\2)河海大学地球科学与工程学院,南京210098 / 摘 要 针对降相关处理的模糊度浮点解及其方差阵,提出了一种基于改进粒子群算法(IPSO)的模糊度搜索新 方法。IPSO以实数编码取整的方式对双差模糊度进行编码,并通过自适应计算惯性权重和粒子变异,改善了标准 粒子群算法(PSO)的全局收敛性和稳健性,极大地提高了模糊度解算的成功率。通过与LAMBDA法和遗传算法的 对比,验证了新方法具有快速、可靠等特点,在模糊度求解方面具有良好的应用价值。 关键词 短基线;整周模糊度;粒子群算法;惯性权重;粒子变异 中图分类号:P207 文献标识码:A RESEARCH oN AMBIGUITY RESoLUTIoN oF GPS SHoRT BASELINE BY USING IMPRoVED PARTICLE SWARM oPTIMIZATIoN Wang Jian¨Zhang Xianzhou ,Zhang Yong ,Li Wei ,/1)Faculty of Geosciences and Environmental Engineering,Southwest Jiaotong University,Chengdu 6 1 003 1\ \2)School ofEarth Sciences and Engineering,Hohai University,Nanjing 210098 / Abstract Aimming at the ambiguity lfoat solution of reducing the correlation and its variance arrary,a new am biguity search algorithm based on improved particle swarm optimization(IPSO)was proposed.For the integer na— ture of double difference ambiguity,real code were modiifed to round in coding and made up of particle individua1. Through adaptive calculation of inertia weight and particle mutation,IPSO has improved the global convergence and robustness of standard particle swarm optimization to search carrier phase integer ambiguity.The testing example in— dicates that the new method not only increased the Success rate of ixifng ambiguity,but also improved the search ef- iciency,and itf spent the same amount of time with LAMBDA,and less time than that genetic algorithm did.The new method is fast and reliable,and will make great application signiicance to ambifguity resolution of GPS short—base— line. Key words:short baseline;integer ambiguity;particle swarm optimization;inertia weight;particle mutation 1 引言 如何快速正确地求解整周模糊度,是GPS进行 短基线相对定位的关键问题。模糊度一旦确定,载 波相位观测值即转变为精确的距离观测值,借此可 获得厘米级,甚至毫米级的定位成果 。目前模糊 度求解算法大多基于最小二乘估计,首先获得模糊 度浮点解及其协方差阵,并构建模糊度候选区间,通 收稿日期:2012-04.11 基金项目:中央高校基本科研业务费专项(SWJTU10ZT02) 作者简介:王建,男,1985年生,硕士研究生,研究方向为GPS变形监测理论与应用.E—mail:wangjl19@126.tom 通讯作者:张献州,男,1962年生,教授,工学博士,主要研究领域为精密工程测量与变形观测、GPS、GIS技术在工程中的应用、测绘工程 内外业一体化与智能化.E—mail:xzzhangswjtu@163.coil ̄ 第4期 王建等:改进粒子群算法求解GPS短基线整周模糊度的研究 149 过LAMBDA法 J、遗传算法l3’4 等搜索最优模糊 度。但当GPS观测时间较短时,法方程系数矩阵存 在严重病态 ,大大降低了模糊度解算的效率和成 功率。文献[4]利用遗传算法搜索经白化处理后的 模糊度,取得了较好的效果,但是遗传算法收敛速度 较慢的问题依然没有改善,因此研究模糊度快速解 算的新方法仍具有重要意义。 粒子群算法 是一种基于全体智能理论的全 局优化方法,通过群体中粒子间的合作和竞争产生 的群体智能指导优化搜索。该方法不但具有很强的 全局寻优能力,而且调整参数少,计算速度快,已广 泛应用于函数优化、模糊控制等方面。 针对GPS模糊度求解问题以及粒子群算法的 特点,采用L 相位观测值构建误差方程,利用连续 二维变换降低模糊度的相关性,借助收敛速度更快、 稳健性更强的改进粒子群算法(IPSO)对降相关的 模糊度进行搜索,构成了一种GPS短基线整周模糊 度求解的新方法,最后通过实例计算验证了新方法 的可靠性和实用性。 2相对定位模糊度的解算原理 2.1数学模型 设某历元两测站共视K+1颗卫星,则可组成K 个载波相位双差方程: =Ax+BN—l (P) (1) 式中, 为观测噪声,A和 分别为坐标参数 和双 差模糊度Ⅳ的设计矩阵,f为常数项,P为双差观测 值权阵,依据高度角定权法 确定。 根据最小二乘准则,法方程可表示为: [【 AB A PA B TPB ]儿 J 【 J】 忽略式(2)中模糊度的整数特性,则参数估值 及其协方差阵可表示为: r 1 r【 Q Q触JQ茁 Q御1  ,、 ,‘3) 针对模糊度浮点解 的强相关性,构建整数可 逆模糊度变换阵 ,并进行变换得: Z=TN,Q : 触 (4) 式中,2为降相关的模糊度阵;Q22为降相关的协方 差阵。 利用降相关模糊度2及其协方差阵Q22,依据 整数最小二乘准则计算整数解 : .厂( )=(2— ) Q (2—2)=min (5) 通过模糊度逆变换,计算原模糊度的整数解: =T (6) 利用固定的原整数模糊度,求解精确的坐标参 数: 』 = 一Q Q触-1(Ⅳ一Ⅳ (7) Q矗=Q 一Q Q Q 2.2连续二维变换 ] 针对式(3)中模糊度 具有很强的相关性,采 用连续二维变换进行模糊度的降相关处理。其具体 步骤如下: 1)选择1 o.oo- ̄; l及J l(id=1,…,,1)中最 大者对应的行i及列J,tr0为第i和 模糊度的协方 差,o5 和 分别为第f和 模糊度的方差值。 2)根据 和 对应的二维方差阵子块构造二 维Gauss变换阵。若1 l≥【 啄 l,则构造 变换阵: =[01 ],其中O/=一Int( 1j),称 为 变换;若l or l<l J,则构造变换阵: Tk=[三o]'其中卢 nf( 变 换。 3)第k次二维变换的模糊度方差阵为Q = Q㈧ 。 4)若I 1及【 I中最大值小于0.5,可 退出二维变换;否则继续执行步骤2)和3)。 5)整数可逆模糊度变换阵为T=T T … .。 3改进粒子群算法求解模糊度 3.1标准粒子群算法 设第i个粒子的位置表示为 =( …, ∞),第i个粒子的速度表示为 =( ,…, 。), (1≤i≤n,l≤d≤D),第i个粒子经历过的历史最好 点表示为P =(P P …,P 。),群体内所有粒子经 历过的最好点表示为P =(P P ,…,p )。 一般来说,粒子的速度和位置都是在连续的实 数空问内进行取值。为增加算法的收敛性,引入惯 性权重W,则速度和位置的更新方程 为: 『 ’= 吒+C R1(p 一 k)+C2R2(p 一 )… 【 =round( + ) 式中, 为进化代数;R 和 :为[0,1]的均匀随机 数;C 和C:称为学习因子;round()为四舍五入函 数。另外,粒子的速度和位置被限制在一个最大值 和X…以内,若粒子的速度或位置超过最大值, 取最大值作为粒子的更新速度或更新位置。 不同的粒子位置对应不同的整数模糊度组合, 可依据式(5)对粒子进行适应度评价: 150 大地测量与地球动力学 32卷 F=const~log Ef(z)] (9) 式中,const为较大常数;log()为对数函数,以降低 各粒子间适应度的差异。可见粒子适应度越大,对 应的模糊度候选组合越靠近最优模糊度。 3.2粒子群算法的改进 1)惯性权重 的计算。引入种群成熟度 。”来 动态计算惯性权重。 设 =[ P ],则种群成熟度可表示为: ,) n一1 n 1 2D m (1一  l1) (10) , 相应的自适应惯性权重的计算为: (1一m0)Wl 2 , 、 丁 11 式中, 。和W 为惯性权重的调整区间;m。为初始 种群成熟度。 2)粒子变异。粒子群算法由于收敛速度较快, 群体多样性会迅速降低,极易陷入早熟收敛。针对 这一问题,借鉴遗传算法变异算子的思想,对群体采 用分群策略,对最优s个粒子个体依据给定的变异 概率P 进行随机变异,以增加群体多样性。随机 变异可表示为: =0d+R3[bd一。d] (12) 式中,R 为[0,1]的均匀随机数,。 和b 为第d维 模糊度的上下限(1≤i≤n,1≤d≤D)。 3)算法终止条件。针对凡个粒子组成的种群, 对最优s个粒子个体计算平均适应度F ,有且仅当 满足: F…一F…≤0.01 (13) 算法终止。式中,F…为粒子群体最优个体的适应 度。 4实例分析 采用长度为2 167.419 m的基线观测数据来验 证模糊度求解算法的可靠性。观测时间持续2个小 时,数据采样率为15 S,卫星截止高度角为15。,有效 观测卫星6颗。粒子群算法的参数n取30,C 、C 取0.5,s取10,P 取0.2,每维模糊度初始搜索空 间定为±10周。 实例1:取20分钟数据构建误差方程,获取模 糊度浮点解及协方差阵,并采用相关系数法和条件 数法 来评价连续二维变换的降相关性能(表1)。 由表1知,变换前,部分模糊度问具有较强的相 关性,法矩阵具有较大的条件数,且属于严重病态矩 阵;变换后,协方差阵相关系数显著减小,条件数变 为6.350。说明连续二维变换的降相关性质是有效 的,经降相关处理后,模糊度搜索空间更接近球体, 有利于提高算法的搜索效率。 表1连续二维变换效果 Tab.1 Results from continuous two.dimensional transfor. mation 实例2:取120分钟观测数据,以10分钟为单 元,共12个单元进行如下解算。方案一:采用IPSO 法直接搜索模糊度;方案二:先进行降相关处理,再 采用PSO法搜索模糊度;方案三:先进行降相关处 理,再采用IPSO法搜索模糊度。表2为解算结果。 表2三种方案的解算结果 Tab.2 Results under three schemes 由表2知,未经降相关处理的方案一,解算成功 率为0%。究其原因,1O分钟的观测数据构建的误 差方程,获取的模糊度浮点解具有很强的相关性,其 协方差阵亦属于严重病态矩阵,最终导致解算失败。 而经过连续二维变换降相关处理后,采用PSO法的 解算成功率也仅为25%,采用IPSO法的解算成功 率却高达92%,两者的解算时间相差不大,说明粒 子群算法的收敛速度较快,但PSO却极易陷入局部 最优,IPSO通过改进惯性权重计算方式和引入粒子 变异算子,改善了算法的全局稳健性,有利于模糊度 的成功解算。 图1显示了方案三进行模糊度搜索时,其粒子 图1 粒子个体的适应度变化 Fig.1 Fittness change of particle population 第4期 王建等:改进粒子群算法求解GPS短基线整周模糊度的研究 l51 群体在进化过程中的平均适应度变化和最优个体的 适应度变化。当粒子群体进化到12代时,算法已搜 索到最优解,进化到20代时,算法已满足终止条件。 实例3:取不同时间长度的观测数据,分别采用 LAMBDA法、连续二维变换+遗传算法 (简称GA 法)和连续二维变换+改进粒子群算法(简称IPSO 法)进行模糊度的解算,表3列出了三种方法的解 算效率。 表3三种方法的解算效率 Tab.3 Computational efifciency of three methods 观测时间LAMBDA法 GA法 IPSO法 (分钟) (秒) (秒) (秒) 10 0.016 0.148 0.016 20 0.013 0.142 0.021 30 0.01l O.155 0.022 60 0.009 0.123 0.015 120 0.020 0.186 0.063 由表3知,针对不同时间长度的数据,三种方法 都能正确解算模糊度。60分钟及以下数据,IPSO法 的解算效率与LAMBDA法相差不大,前两者明显优 于GA法;而120分钟数据的模糊度个数为9,此时 IPSO法的解算效率较LAMBDA法略低,但是仍显 著高于GA法。 5结论 1)通过连续二维变换有效降低了模糊度间的 相关性,削弱了协方差阵的病态性,采用实数编码的 改进粒子群算法(IPSO)快速准确地搜索到候选区 间的最优解,通过逆变换成功求解了原始模糊度。 该方法收敛速度快、可靠性高,在GPS短基线模糊 度解算方面有良好的应用价值。 2)改进粒子群算法通过自适应计算惯性权重, 具备更加均衡的探索能力和开发能力;而粒子变异 则增加了种群多样性,避免过早陷入局部最优,提高 了标准粒子群算法的全局收敛性和稳健性,保证了 模糊度解算的效率及成功率。 3)鉴于改进粒子群算法具有操作简单、易于编 程的特点,与LAMBDA法相比在低维模糊度搜索方 面具有优势,而两者在解算时间方面更是明显优于 遗传算法。另外,粒子群算法是一种新兴算法,在 GPS单历元解算方面的应用有待进一步的研究。 参考文 献 1魏子卿,葛茂荣.GPS相对定位的数学模型fM].北京:测 绘出版社,1997.(Wei Ziqing and Ge Maorong.Relative po— sitioning mathematics model in global positioning system [M].Beijing:Surveying and Mapping Press,1997) 2 Teunissen P J G.The least—squares ambiguity decorrelation adjustment:A method for fast GPS integer ambiguity estima— tion[J].Journal of Geodesy,1995,70(1/2):65—82. 3刘智敏,等.遗传算法解算GPS短基线整周模糊度的编 码方法研究[J].武汉大学学报(信息科学版),2006,31 (7):607—609.(Liu Zhimin,et a1.Ambiguity resolution of GPS short—baseline using genetic algorithm[J].Geomatics and Information Science ofWuhan University,2006,31(7): 607—609) 4邢酷,樊妙.利用改进遗传算法求解整周模糊度[J].测绘 科学,2011,36(3):110—113.(Xing Zhe and Fan Miao. Ambiguity resolution based on improved genetic algorithm [J].Science of Surveying and Mapping,2011,36(3):110 —113) 5王振杰.大地测量中不适定问题的正则化解法研究[D]. 中国科学院测量与地球物理研究所,2003.(Wang Zhen— jie.Research on the regularization solutions of ill—posed prob— lems in geodesy[D].Institute of Geodesy and Geophysics Chinese Academy of Sciences,2003) 6黄友锐.智能优化算法及其应用[M].北京:国防工业出 版社,2008.(Huang Yourui.Intelligent optimization algo— rithms with applications[M].Beijing:National Defenee In— dusuy Press,2008) 7高成发,赵毅,万德钧.GPS载波定位中双差观测值权的 合理确定[J].测绘科学,2005,30(3):28—32.(Gao Chengfa,Zhao Yi and Wan Dejun.The weight determination of the double difference observation in GPS carrier phase po— sitioning[J].Science of Surveying and Mapping,2005,30 (3):28—32) 8 熊永良,等.基于整数可逆模糊度变换和概率计算的GPS 动态数据处理快速算法[J].测绘学报,2002,31(3):211 —216.(Xiong Yongliang,et a1.Fast algorithm for kinematic GPS data processing based on invertible integer ambiguity transformation and probability computation[J].Acta Geo— daetica et Cartographica Sinica,2002,31(3):211—216) 9汪定伟,等.智能优化方法[M].北京:高等教育出版社, 2007.(Wang Dingwei,et a1.Intelligent optimization methods [M].Beijing:Higher Education Press,2007) 10张顶学,关治洪,刘新芝.一种动态改变惯性权重的自适 应粒子群算法研究[J].控制与决策,2008,23(11): 1 253—1 257.(Zhang Dingxue,Guan Zhihong and Liu Xinzhi.Adaptive particle swarm optimization algorithm with dynamically changing inertia weight[J].Control and Deci— sion,2008,23(11):1 253—1 257) 

因篇幅问题不能全部显示,请点此查看更多更全内容