The GNSS integer ambiguities: estimation and validation

More documents

Recommendations

Info

• Validatie van de geheeltallige oplossing gebaseerd op foute aannames, doordat de fixed meerduidigheden onterecht als deterministisch beschouwd worden; • Er wordt geen poging gedaan de meerduidigheden te bepalen omdat de success rate te laag is, terwijl er toch een kans bestaat dat de juiste geheeltallige oplossing gevonden zou worden. Voorbeelden van integer validatietoetsen die in de literatuur zijn voorgesteld zijn de ratio-toets, de projectortoets en de verschiltoets. Sommige van deze integer validatie toetsen zijn zodanig gedefinieerd dat de foutieve aanname van deterministische fixed meerduidigheden wordt vermeden. Deze toetsen ontberen echter een goede theoretische basis. Bovendien worden vaak vaste kritieke waarden gebruikt die gebaseerd zijn op ervaring. Maar dat betekent dat in veel situaties de toetsen ofwel te conservatief ofwel te optimistisch zullen zijn. In dit proefschrift is het onderzoek beschreven naar twee methodes om het geschetste probleem op te lossen. De eerste methode betreft het gebruik van een nieuwe schatter, de zogenaamde best integer equivariant (BIE) schatter. Deze schatter maakt wel gebruik van de voorwaarde van geheeltallige meerduidigheden, maar niet op de optimale manier. De schatter is ’best’ in de zin dat de mean-squared error (MSE) geminimaliseerd wordt. De BIE meerduidigheidsschatter is gelijk aan een gewogen som over alle integer vectoren, waarbij de gewichten afhankelijk zijn van de kansdichtheidsfunctie van de float meerduidigheden. De BIE schatter kan daarom beschouwd worden als een compromis tussen de float en fixed oplossing; deze worden benaderd in de extreme gevallen van respectievelijk oneindig slechte of oneindig goede precisie. Nadelen van BIE schatting zijn dat een exacte probabilistische evaluatie van de oplossing nog steeds niet mogelijk is, en dat de procedure nogal complex is en veel rekentijd vergt. Bovendien is aangetoond dat de BIE schatter slechts in een beperkt aantal gevallen tot duidelijk betere resultaten leidt dan de float of de fixed oplossing. Daarom is ook onderzoek gedaan naar een andere nieuwe klasse van schatters: de klasse van integer aperture (IA) schatters. Hierbij zijn schatting en validatie geïntegreerd, doordat a priori drie kansen worden onderscheiden: de kans op correct fixen (success rate), de kans op foutief fixen (fail rate), en de kans op niet fixen (undecided rate). Rondom elke integer wordt een gelijkvormig acceptatiegebied (aperture pull-in region) gedefinieerd, waarbij de grootte bepaald wordt door de keuze van een maximaal toelaatbare fail rate. Met betrekking tot de vorm zijn verschillende keuzes mogelijk. Voorbeelden zijn ellipsoïdes en geschaalde pull-in regions (bootstrapping of integer least-squares). Verder is aangetoond dat ook de acceptatiegebieden behorend bij de ratio-toetsen, de projectortoets en de verschiltoets voorbeelden zijn van aperture pull-in regions. Tot slot is de optimale IA schatter gedefinieerd zodanig dat voor een vaste fail rate de success rate wordt gemaximaliseerd. IA schatting heeft belangrijke voordelen. Ten eerste is het een overall aanpak voor het integer schattings- en validatieprobleem, die tevens een exacte probabilistische evaluatie van de uiteindelijke oplossing mogelijk maakt. Verder wordt het acceptatiegebied vast- xii Samenvatting (in Dutch)
gelegd door de keuze van de maximaal toelaatbare fail rate, precies wat een gebruiker wil. Dit betekent dat het acceptatiegebied afhangt van het model, en dus de precisie, waarmee op dat moment gewerkt wordt. Met de traditionele methodes is dat meestal niet het geval en zijn de toetsen ofwel te conservatief of te optimistisch. In het eerste geval leidt dat tot onnodig lange ’times to first fix’, in het tweede geval zal de fail rate onacceptabel hoog zijn. Tot slot is aangetoond dat de populaire ratio toets en de verschiltoets bijna net zo goed presteren als de optimale IA schatter indien de kritieke waarde wordt bepaald door de maximaal toelaatbare fail rate. Er is nu dus een theoretische basis beschikbaar voor het gebruik van deze toetsen, zodanig dat ook een correcte keuze van de kritieke waarde mogelijk is. Ook de IA kleinstekwadraten schatter, gebaseerd op het gebruik van geschaalde integer least-squares pull-in regions, presteert goed. Deze schatter is identiek aan de integer least-squares schatter in combinatie met de integer hypothese toetsing zoals hiervoor beschreven, maar met als voordeel dat het acceptatiegebied bepaald wordt door de keuze van de fail rate en niet van de kans op vals alarm. Samenvatting (in Dutch) xiii
Page 1: The GNSS integer ambiguities: estim
Page 4 and 5: The GNSS integer ambiguities: estim
Page 7 and 8: Contents Preface v Summary vii Same
Page 9 and 10: 4 Best Integer Equivariant estimati
Page 11: Preface It was in the beginning of
Page 14 and 15: • No attempt is made to fix the a
Page 17: Samenvatting (in Dutch) De GNSS geh
Page 22 and 23: d, δ instrumental delay for code a
Page 25: Acronyms ADOP Ambiguity Dilution Of
Page 28 and 29: in practice, a user has to choose b
Page 31 and 32: GNSS observation model and quality
Page 33 and 34: Table 2.2: Signal and frequency pla
Page 35 and 36: 2.2.2 Phase observations The phase
Page 37 and 38: the propagation delay does not depe
Page 39 and 40: 2.2.9 The geometry-based observatio
Page 41 and 42: 2.3.2 Single difference models If o
Page 43 and 44: and difficult to predict. Therefore
Page 45 and 46: The double difference observation v
Page 47 and 48: (appendix A.1): Qy = C sd pφ ⊗ D
Page 49 and 50: The quality of the solution can the
Page 51: is maximum. The degrees of freedom
Page 54 and 55: * â Figure 3.1: An ambiguity pull-
Page 56 and 57: 2 1.5 1 0.5 0 −0.5 −1 −1.5
Page 58 and 59: estimator is given by: n Sz,B = x
Page 60 and 61: 7 6 5 4 3 2 1 0 −1 −2 −3 −4
Page 62 and 63: Table 3.1: Overview of ambiguity re
Page 64 and 65: 1 0.5 0 −2 −1 0 1 z 2 1 0 −1
Page 66 and 67: and has units of cycles. It was int
Page 68 and 69:
chosen equal to half the number of
Page 70 and 71:
Table 3.2: Two-dimensional example.
Page 72 and 73:
The bias-affected success rate is a
Page 74 and 75:
is close to one. This probability c
Page 76 and 77:
2 0 −2 0.5 0 −0.5 2 0 −2 −4
Page 78 and 79:
error in pdf error in pdf error in
Page 80 and 81:
0.7 0.6 0.5 0.4 0.3 0.2 0.1 0 2 2.2
Page 82 and 83:
acceptable. Moreover, the bounds wi
Page 84 and 85:
Unfortunately, this relatively simp
Page 86 and 87:
always larger than one. This shows
Page 88 and 89:
where χ2 α(m−p, 0) is the criti
Page 90 and 91:
Table 3.5: Overview of all test sta
Page 92 and 93:
with the weight function wz(â) = 1
Page 94 and 95:
IE IEU IU LU Figure 4.1: The set of
Page 96 and 97:
4.2 Approximation of the BIE estima
Page 98 and 99:
4.3 Comparison of the float, fixed,
Page 100 and 101:
variane ratio 1.4 1.2 1 0.8 0.6 0.4
Page 102 and 103:
ambiguity residual 0.5 0.4 0.3 0.2
Page 104 and 105:
Table 4.1: Probabilities P1 = P (|
Page 106 and 107:
Table 4.2: Probabilities Ps = P (ǎ
Page 108 and 109:
Table 4.4: Probabilities that float
Page 110 and 111:
probability probability 1 0.9 0.8 0
Page 113 and 114:
Integer Aperture estimation 5 In se
Page 115 and 116:
can be distinguished: â ∈ Ωa s
Page 117 and 118:
and the hybrid distribution of ā i
Page 119 and 120:
Figure 5.3: 2-D example for EIA est
Page 121 and 122:
as follows: Ωz,R = ΩR ∩ Sz =
Page 123 and 124:
3 2.5 2 1.5 1 0.5 0 −0.5 −1 −
Page 125 and 126:
5.3.3 Difference test is an IA esti
Page 127 and 128:
Figure 5.9: 2-D example for DTIA es
Page 129 and 130:
Figure 5.11: 2-D example for PTIA e
Page 131 and 132:
Figure 5.12: 2-D example for IAB es
Page 133 and 134:
2-D example Figure 5.13 shows in bl
Page 135 and 136:
µ 200 100 10 2 1 1 1.1 1.2 1.3 1.4
Page 137 and 138:
5.6 Optimal Integer Aperture estima
Page 139 and 140:
The optimization problem of (5.49)
Page 141 and 142:
Table 5.1: Comparison of IA estimat
Page 143 and 144:
µ 1.5 1.45 1.4 1.35 1.3 1.25 1.2 1
Page 145 and 146:
In order to show that the fail rate
Page 147 and 148:
success rate percentage identical 0
Page 149 and 150:
probability probability 1 0.9 0.8 0
Page 151 and 152:
5.8.2 OIA estimation versus RTIA an
Page 153 and 154:
µ µ µ 0.7 0.6 0.5 0.4 0.3 0.2 0.
Page 155 and 156:
0.6 0.4 0.2 0 −0.2 −0.4 −0.6
Page 157 and 158:
three vc-matrices which are scaled
Page 159 and 160:
Table 5.3: Comparison of IAB and IA
Page 161 and 162:
success rate if fixed 1 0.95 0.9 0.
Page 163:
Table 5.4: Overview of IA estimator
Page 166 and 167:
IE IA I Figure 6.1: The set of rela
Page 168 and 169:
convex region symmetric with respec
Page 171 and 172:
Mathematics and statistics A A.1 Kr
Page 173 and 174:
The expectation, E{x}, and the disp
Page 175 and 176:
Choose the tolerance ε. Determine
Page 177 and 178:
Simulation and examples B Throughou
Page 179 and 180:
Theory of BIE estimation C In chapt
Page 181 and 182:
The first term on the right-hand si
Page 183:
can be derived: L = {2h(x) T Q
Page 186 and 187:
1. Choose fixed fail rate: Pf = β
Page 189 and 190:
Bibliography Abidin HA (1993). Comp
Page 191 and 192:
Jung J, Enge P, Pervan B (2000). Op
Page 193 and 194:
Teunissen PJG (2003g). Towards a un
Page 195 and 196:
Index adjacent, 33 ADOP, 42 alterna
show all

The GNSS integer ambiguities: estimation and validation

Create successful ePaper yourself

Delete template?

Save as template?