排序方式: 共有5条查询结果,搜索用时 0 毫秒
1
1.
针对目前有关北斗三号系统伪距单点定位研究较少,未对三号系统多个频点的定位性能进行对比分析的现状,本文利用实测数据对三号系统多个频点的定位性能进行了研究,并联合BDS-2、Galileo进行了同频伪距单点定位试验,统计分析了组合定位多个频点的同频定位结果。试验结果表明:目前三号系统单独定位能力有限,不适合单独定位;BDS-3/Galileo同频组合定位可以弥补BDS-3新频点单频定位时卫星个数不足、数据不完整导致的定位精度过差的情况,同时能够提高Galileo的定位精度;BDS-2/3的B3I频点与BDS/Galileo组合的B2b频点的定位精度均与GPS的L1频点的定位精度相当。 相似文献
2.
针对北斗混合系统中不同轨道类型、BDS-2/BDS-3卫星间观测值的差异,提出利用基于北斗UERE的Helmert方差分量估计模型对北斗混合系统定位的随机模型进行优化。对基于等权模型、普通Helmert方差分量估计模型及本文提出的优化模型进行单点定位实验,从定位精度与定位成功率上对3种模型的解算结果进行对比分析。结果表明,相比于等权模型和普通Helmert方差分量估计模型,优化模型能提高在E、N、U方向上的定位精度,同时减少因卫星星座空间几何构型较差而导致的定位精度较低的情况,从而提高定位成功率。 相似文献
3.
本文旨在研究基于地块数据约束的深度学习模型的分类特征表示方法,以识别不同作物在不同时相上光谱差异从而对作物类型进行分类。通过Google Earth Engine平台获取作物生育期内全部Landsat 8影像,利用其质量评定波段完成研究区无云时相及区域上的地块统计,提取地块级别的各波段反射率均值按照时相顺序及波长进行排列,构建波谱、时相二维特征图作为该地块的抽象表示。通过构建相对最优的卷积神经网络CNN(Convolutional Neural Network)结构完成对特征图的分类,从而完成对地块的分类。构建CNN模型并不需要手工特征和预定义功能的需求,可完成提取特征并遵循端到端原则进行分类。将该模型的分类结果与其他最为常用机器学习分类器进行了比较,获得了优于常用遥感分类算法的分类精度。结果表明地块数据的加入可以有效的缩减计算规模并提供了准确的分类边界。所提出得方法在地块特征表示及作物分类中具有突出的应用潜力,应视为基于地块的多时相影像分类任务的优选方法。 相似文献
4.
5.
基于非洲东海岸MAYG站2020年年积日268~366的信噪比(SNR)数据开展GNSS-IR(global navigation satellite system interferometric reflectometry)监测海平面高度研究,并与Dzaoudzi验潮站的实测潮位进行对比。结果显示,BDS-GEO不适用于岸基测高;BDS-MEO的监测精度优于BDS-IGSO和GPS。 相似文献
1