GPS elevation fitting study based on ternary polynomial regression

Estudio de ajuste de elevación GPS basado en regresión polinómica ternaria

Para el método tradicional de ajuste de elevación GPS, la precisión no se ha mejorado significativamente en los últimos años, y el método se ha vuelto cada vez más complicado. Este documento propone insertar la altura geodésica "H" en el sistema de cálculo y utilizar una función de regresión polinómica ternaria para ajustar la anomalía de elevación del GPS. La viabilidad del método de regresión polinómica ternaria en el ajuste de elevación GPS se verificó mediante un ejemplo y, en comparación con los resultados del método tradicional de ajuste de plano y ajuste de superficie cuadrática, se demostró que el método propuesto es adecuado para terrenos con grandes fluctuaciones. El error residual de ajuste y la desviación estándar son menores, y a través de cálculos de ejemplo, se concluye que el método de regresión polinómica ternaria bajo los siete parámetros tiene la mayor precisión de ajuste.

INTRODUCCIÓN

En los últimos años, el sistema chino de navegación por satélite BeiDou (BDS) ha hecho grandes progresos y se espera que alcance el objetivo de cobertura mundial en 2020. El sistema de coordenadas utilizado es el sistema de coordenadas BeiDou (BDCS) es un sistema de coordenadas que se define en el marco del marco de referencia terrestre internacional (ITRS) como el actual sistema mundial de coordenadas geodésicas (WGS84) (Li y Huang, 2016). Por lo tanto, la investigación sobre el ajuste de la elevación del sistema de posicionamiento global (GPS) es útil para la conversión efectiva entre la altura Beidou y la altura normal en el futuro.

En la actualidad, a través de la investigación de algunos estudiosos, los métodos de ajuste de los datos de elevación del GPS pueden dividirse a grandes rasgos en dos categorías. Una es el método tradicional de ajuste de funciones, y la otra es el nuevo método de ajuste de modelos. Los métodos tradicionales incluyen el método de media ponderada, el método de ajuste de planos, el método de ajuste de superficies polinómicas cuadráticas, el método de ajuste de superficies polinómicas cuadráticas en movimiento y el método de ajuste de superficies polinómicas cúbicas, y los nuevos modelos incluyen el método de ajuste de redes neuronales, el método de ajuste de máquinas de vectores de apoyo y el método de ajuste de modelos de nubes de curvas (Zhang et al., 2015; Ren et al., 2015; Guo, 2018; Tang et al., 2016). En la operación real, el nuevo método de ajuste no es adecuado para la popularización a gran escala debido a su modelo complejo, el largo ciclo de procesamiento de datos y los altos requisitos de hardware y software.