【GNSS】可靠性度量

可靠性度量

可靠性概念是从研究模型误差的角度而提出来的，在大量的工程实践中，人们往往倾向于注重平差系统的精度，而忽略了系统的可靠性。实际上，可靠性与精度同等重要，且两者并不等价。GPS精密单点定位中，高精度的解算结果并不代表其可靠性也好。根据Baarda （1968）提出的测量系统“可靠性”理论，可靠性指标是衡量一个平差系统是否具有良好的抗御模型误差品质的参数，它可分为内部可靠性和外部可靠性。

内部可靠性

内部可靠性是指在一定显著水平$\alpha$和检验功效$\beta$的条件下，设计的检验统计量能够探测到的最小模型误差（Minimal Detectable Bias，MDB），它表征了系统发现模型误差的能力。根据Baarda的数据探测理论，一组观测值$L_i$的内部可靠性可由其边界值${\epsilon }_i$来表征:
$${\epsilon }_i=k_i{\sigma }_0$$
表示第$i$个模型误差的边界值为$k_i$倍的单位权中误差，而$k_i$取决于非中心化参数$\lambda$和平差系统的结构:
$$k_i={\lambda /(c_i^T{P}_i{Q}_{V_i{V}_i}{P}_i{c}_i)}^{1/2}$$
当P为对角阵，即观测不相关时,$R=P{Q}_{VV}$为平差系统的多余观测分量，$r_i$为矩阵$R$中对角线第i行i列元素。顾及${\sigma }_i={\sigma }_0\surd (Q_{i}i)={\sigma }_0/\surd (P_i)$,可进一步表示为：
$${\epsilon }_i=(\surd \lambda {\sigma }_0)/(P_i\surd (Q_{V_i{V}_i}))=(\surd \lambda {\sigma }_i)/\surd (P_i{Q}_{V_i{V}_i})=\surd (\lambda /r_i){\sigma }_i$$
上式表明，第i个观测量的可发现最小模型误差${\epsilon }_i$与该观测中误差${\sigma }_i$成正比，与$\surd (r_i)$成反比。当观测精度越高或多余观测分量$R_i$越大，系统可发现模型误差的能力越强，可靠性越好。因此，要提高系统的可靠性就要从提高观测精度和增加多余观测分量这两方面着手。

外部可靠性

外部可靠性是指未被检测到的且与MDB数值相同的模型误差对参数（或部分参数）估计的影响（Mininal Detectable Effect，MDE）。${\epsilon }_i$对参数x的影响可表示为：
$$\nabla x_i=(A^T{Q}_y^{-1}A{)}^{-1}{A}^T{Q}_y^{-1}{c}_{yi}{\epsilon }_i$$
式中，KaTeX parse error: Expected 'EOF', got '̂' at position 4: ∇x ̲̂_i是一个有量纲的指标，该向量包含较多的数值。对于精密单点定位而言，它包含了三维坐标、接收机钟差、对流层天顶湿延迟、模糊度等参数，难以对可靠性进行解释。因此，在此基础上构造一个无量纲指标，即偏差-噪声率（Bias to Noise Ratio，BNR）来表征外部可靠性：
$$G_{(}{x}_i)=\surd ((\nabla x_i{)}^T{Q}_x^{-1}(\nabla x_i))$$
该指标描述了所有参数的总体可靠性，其数值越小，表明模型误差对参数估值的影响越小，即外部可靠性越强。

可以证明:
$$G_{(}{x}_i)=\surd ((\nabla x_i{)}^T{Q}_x^{-1}(\nabla x_i))=\surd ({\lambda }_{(}(1-r_i)/r_i))$$
实际应用中，我们可能只关心未被探测的模型误差对参数的某个线性函数的影响，例如，对于精密单点定位，普通用户更加关注未被模型化的误差对位置参数（点位误差）的影响，因此，可将$\nabla x_i$向量分为位置参数和其他参数（如接收机钟差、对流层天顶湿延迟、模糊度等）两部分，即
$${\sigma }_F={\sigma }_0\surd (Q_{FF})={\sigma }_0\surd (f^T{Q}_{xx}f)$$