GPS Stochastic Modelling: Signal Quality Measures and ARMA Processes

سیستم های ماهواره ای ناوبری جهانی (GNSS)، مانند GPS، به ابزاری کارآمد، قابل اعتماد و استاندارد برای طیف گسترده ای از کاربردها تبدیل شده اند. با این حال، هنگام پردازش داده‌های GNSS، مدل تصادفی که دقت مشاهدات و همبستگی‌های بین آنها را مشخص می‌کند، معمولاً ساده و ناقص است که منجر به تخمین‌های دقت بیش از حد خوش‌بینانه می‌شود.

این کار مدل تصادفی را با استفاده از اندازه‌گیری‌های نسبت سیگنال به نویز (SNR) و تجزیه و تحلیل سری‌های زمانی باقی‌مانده‌های مشاهده، گسترش می‌دهد. مدل وزن دهی مشاهده مبتنی بر SNR به طور قابل توجهی نتایج تجزیه و تحلیل داده های GPS را بهبود می بخشد، در حالی که همبستگی زمانی نویز مشاهده GPS را می توان به طور موثر با استفاده از فرآیندهای میانگین متحرک اتورگرسیو (ARMA) توصیف کرد. علاوه بر این، این کار شامل یک مرور کلی به روز از اثرات خطای GNSS و شرح جامعی از روش های مختلف ریاضی است.

Global Navigation Satellite Systems (GNSS), such as GPS, have become an efficient, reliable and standard tool for a wide range of applications. However, when processing GNSS data, the stochastic model characterising the precision of observations and the correlations between them is usually simplified and incomplete, leading to overly optimistic accuracy estimates.

This work extends the stochastic model using signal-to-noise ratio (SNR) measurements and time series analysis of observation residuals. The proposed SNR-based observation weighting model significantly improves the results of GPS data analysis, while the temporal correlation of GPS observation noise can be efficiently described by means of autoregressive moving average (ARMA) processes. Furthermore, this work includes an up-to-date overview of the GNSS error effects and a comprehensive description of various mathematical methods.