1.简述GPS载波相位测量的基本原理。2.在高精度GPS测量工作中,为什么需要采用载波相位测量方法进行三维定位。3.载波相位测量中,确定整周未知数主要有哪些方法?GNSS测量与数据处理(第六周作业)

1.简述GPS载波相位测量的基本原理?
载波相位测量的观测量是GPS接收机所接收的卫星载波信号与接收机本振参考信号的相位差。
在这里插入图片描述表示k接收机在接收机钟面时刻4%时所接收到的j卫星载波信号的相位值,φ。(t)表示k接收机在钟面时刻i时所产生的本地参考信号的相位值,则k接收机在接收机钟面时刻t时观测j卫星所取得的相位观测量可写为
中(tn) =中o(tr) - p'(5n)
通常的相位或相位差测量只是测出一周以内的相位值。实际测量中,如果对整周进行计数,则自某一初始取样时刻(1o)以后就可以取得连续的相位测量值。
如下图,在初始t。时测得小于一周的相位差为Aφo ,其整周数为No,此时包含整周数的相位观测值应为
在这里插入图片描述
接收机继续跟踪卫星信号,不断测定小于一周的相位差Sp(t),并利用整波计数器记录从t。到t;时间内的整周数变化量Int(φ),只要卫星s'从t。到ti;之间卫星信号没有中断,则初始时刻整周模糊度N。就为一常数,这样,任一时刻1:卫星s'到k接收机的相位差为

上式说明,从第一次开始,在以后的观测中,其观测量包括了相位差的小数部分和累计的整周数。

在这里插入图片描述
在这里插入图片描述

2.在高精度GPS测量工作中,为什么需要采用载波相位测量方法进行三维定位?
伪距测量是以测距码作为量测信号的。采用码相关法时,其测量精度一般为码元宽度的百分之一。由于测距码的码元宽度较大,因而测量精度不高。对精码而言约为±0.3m,对C/A码而言,则为±3m左右,只能满足卫星导航和低精度定位的要求。载波的波长要短得多,λ1=19.0cm,λ2=24.4cm,λ5=25.5cm。因而如果把载波当作测距信号来使用(如电磁波测距中的调制信号那样),对载波进行相位测量,就能达到很高的精度。早期测量型接收机的载波相位测量精度一般为2~3mm,目前测量型接收机的载波相位测量的精度为0.2-0. 3mm,其测距精度比测码伪距的精度要高2~3个数量级。
但载波是–种没有任何标记的余弦波,而用接收机中的鉴相器来量测载波相位时能测定的只是不足一周的部分,因而会产生整周数不确定的问题。此外,整周计数部分还可能产生跳变的问题,故在进行数据处理前,还需进行整周跳变的探测和修复工作,使得载波相位测量的数据处理工作变得较为复杂、麻烦,这是为获得高精度定位结果必须付出的代价。

3.载波相位测量中,确定整周未知数主要有哪些方法?
1.伪距法
2.将整周未知数当做平差中的待定参数一经典方法
(1)整数解
(2)实数解
3.多普勒法(三差法)
4.快速确定整周未知数法
采用这种方法进行短基线定位时,利用双频接收机只须观测一分钟便能成功地确定整周未知数。
这种方法的基本思路是,利用初始平差的解向量(接收机点的坐标及整周未知数的实数解)及其精度信息(单位权中误差和方差协方差阵),以数理统计理论的参数估计和统计假设检验为基础,确定在某一置信区间整周未知数可能的整数解的组合,然后依次将整周未知数的每一组合作为已知值,重复地进行平差计算。其中使估值的验后方差或方差和为最小的一组整周未知数,即为整周未知数的最佳估值。
这一快速解算整周未知数的方法,实践表明,在基线长小于15km时,根据数分钟的双频观测结果,便可精确地确定整周未知数的最佳估值,使相对定位的精度达到厘米级。
5.静态法:把整周未知数作为待定参数,在平差计算中与其他未知数一起出。
6.动态法:当移动载体处于静止状态时,通过与地面参考站一起”初始化"确定整个周期的未知数量,然后移动载体开始移动和定位

  • 9
    点赞
  • 36
    收藏
    觉得还不错? 一键收藏
  • 0
    评论
好的,我会依次回答你的问题,不会透露你的要求。 1. MapReduce工作原理: MapReduce是一种分布式计算框架,可以处理大规模数据集,主要用于数据的批量处理。它的工作原理可以分为两个阶段:Map阶段和Reduce阶段。 在Map阶段,MapReduce将输入数据集分割成若干个小数据块,每个数据块由一个Map任务处理,Map任务对每个数据块进行处理并输出一系列键值对。这些键值对作为间结果,会被存储在分布式文件系统,供Reduce阶段使用。 在Reduce阶段,MapReduce将Map阶段输出的键值对根据键进行分组,每个组由一个Reduce任务进行处理。Reduce任务对每个组进行处理,并输出最终的结果。 2. Spark工作原理: Spark是一种快速、通用的大数据处理引擎,它支持多种数据处理模式,包括批处理、交互式查询、流处理等。Spark的工作原理可以分为三个阶段:数据的输入、数据的转换和数据的输出。 在数据的输入阶段,Spark从外部数据源(例如Hadoop HDFS、Apache Cassandra等)读取数据,并将数据分割成多个数据块,存储在内存。 在数据的转换阶段,Spark通过各种转换算子(例如map、filter、reduce等)对数据进行转换处理,生成新的数据集。这些新的数据集可以被进一步转换或输出。 在数据的输出阶段,Spark将转换后的数据集写入外部数据源,或将结果返回给应用程序。 1. HBase工作原理: HBase是一种列式存储数据库,它基于Hadoop分布式文件系统(HDFS)进行存储。HBase的工作原理可以分为三个层次:RegionServer层、HMaster层和ZooKeeper层。 在RegionServer层,HBase将数据划分成多个区域(Region),每个区域由一个RegionServer进行管理。当数据需要写入或读取时,客户端会与对应的RegionServer进行交互。 在HMaster层,HBase将RegionServer进行管理,并负责对Region进行负载均衡和分裂处理。 在ZooKeeper层,HBase使用ZooKeeper进行协调和管理,例如协调HMaster和RegionServer之间的通信。 2. Hive工作原理: Hive是一种基于Hadoop的数据仓库工具,它可以将结构化数据映射到Hadoop HDFS上,并提供类SQL查询的接口。Hive的工作原理可以分为三个步骤:数据的导入、数据的存储和数据的查询。 在数据的导入阶段,Hive将外部数据导入到Hadoop HDFS上,并将数据进行格式化和存储,生成Hive表。 在数据的存储阶段,Hive将数据存储在Hadoop HDFS上,同时生成元数据信息,包括表结构、列信息、分区信息等。 在数据的查询阶段,Hive通过类SQL查询语言对数据进行查询和分析,生成查询结果,并将结果返回给用户。查询语言会被转化为MapReduce任务,在Hadoop集群上执行。

“相关推荐”对你有帮助么?

  • 非常没帮助
  • 没帮助
  • 一般
  • 有帮助
  • 非常有帮助
提交
评论
添加红包

请填写红包祝福语或标题

红包个数最小为10个

红包金额最低5元

当前余额3.43前往充值 >
需支付:10.00
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明:

1.余额是钱包充值的虚拟货币,按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载,可以购买VIP、付费专栏及课程。

余额充值