（7月最新版！）深度剖析测绘程序设计大赛试题：GNSS 多星多频数据预处理与质量检测

刚找到门的小白

2792人浏览 · 2025-07-09 14:37:59

刚找到门的小白 · 2025-07-09 14:37:59 发布

前言

hello呀我的老铁们，本篇是小编第三次针对GNSS这道赛题的，经过更深入理解学习之后的成果分享。小编选择保留前两篇而不是在其基础上重新编辑，是因为前两篇都有其各自的特色，一个详细介绍了本赛题的核心处理逻辑，一个对本赛题的实现方案进行了简化革新。而且，这三篇，也是小编的一个升级打怪之路的印证。（下面的链接，就是这两篇的内容，大家感兴趣也欢迎移步，大家的支持，就是小编的创作动力！）👇 已于6.6更新）深度剖析测绘程序设计大赛试题：GNSS 多星多频数据预处理与质量检测（2025国赛选题二）简易实现测绘程序设计大赛试题：GNSS 多星多频数据预处理与质量检测（2025国赛选题二）

本篇与前两篇的不同之处，一方面是小编的水准，一方面是小编对本赛题的理解程度，还有也是最重要的一方面，就是本篇将针对本赛题的三大核心处理模块中，各个模块所涉及到的常用常见算法（非一种），进行全面介绍和实现，以保证若抽到本题，无论他们用什么算法来实现，各位都能够淡定应对。

为了照顾不曾了解或者没有太多时间去再看这前两篇文章的家人，本次全文依旧从选题介绍出发，首先介绍2025六大选题方向，给出本赛题的题目要求；然后针对本题进行全面详细的分析；在第三部分给出C#实现方案；最后一部分，对本篇进行总结，也是小编的废话区哈哈。

OK话不多说，就让我们开始！

一、2025国赛选题

（一）2025六大选题

//源自官方文件

（二）本题要求

单 / 双 / 三频相位周跳探测、伪距多路径误差估算、相位平滑伪距。

二、本题超详析⭐

//这一部分的结构如下：首先从数据、参数含义和我们要实现什么功能三方面，向大家介绍整体情况；然后按照以下顺序对本题进行剖析：周跳探测原理与算法详析--多路径探测原理与算法详析--相位平滑伪距原理与算法详析。（算法部分，小编会尽可能用简单通俗的方式来展开，但可能会在一些部分因为小编水平的局限而出现错误，家人们多多批评指教，有好的想法和思路欢迎在评论区讨论，小编会认真评估并予以答复！）（而且要写在最前面，比赛前会下发试题册，按照往年套路，试题册中一定会给出各个算法的各步处理的公式的，到时候直接硬带也OK的，不理解各个参数的原理，that is no matter!）

（一）整体介绍

数据（基于RINEX 格式）
- 头部分（Header）：记录测站和观测的基本信息。文件开头到END OF HEADER的内容，主要告诉我们 “谁、在什么时间、用什么设备、观测了哪些卫星”：（关于数据的介绍就是基于已经同本文绑定的.txt数据，家人有需自取。）
- 数据部分：每个卫星的具体观测值：头部分之后是实际观测数据，按卫星分组（比如G01、G02、C01），每组包含该卫星在不同时间的观测值。
重点参数含义
- L1/L2：L1 和 L2 频段的载波相位观测值（单位：周，整数 + 小数部分，精度极高，是 GNSS 定位的核心数据）。
- P1/P2：L1 和 L2 频段的伪距观测值（单位：米，是卫星到接收机的距离观测值，噪声较大但无整周模糊度）。
- SNR1/SNR2：L1 和 L2 频段的信噪比（单位：dB-Hz，反映信号强度，值越高信号越稳定）。
功能任务
- 读取原始数据
- 周跳检测：找载波相位里的 “计数中断”，避免错误数据影响定位。
- 多路径检测：识别 “信号回声” 导致的误差，标记不可靠数据。
- 相位平滑伪距：用高精度的相位修正低精度的伪距，得到更优的观测值。
- 质量检测：这部分见名知意，就是借助一些手段或评估指标，基于原始数据和我们处理后的精准值，来判断这次接收机获取到的数据的质量。

（二）周跳检测原理与实现算法

1. 什么是 “周跳”？

载波相位观测的本质是 “接收机计数卫星信号的载波周期数”。比如卫星信号的载波频率是 1.5GHz（L1 频段），意味着 1 秒内有 15 亿个周期，接收机需要精确记录 “从信号锁定开始到当前时刻，一共收到了多少个完整周期（整周数）+ 不足一个周期的小数部分”。但如果信号被遮挡（比如过隧道、被大树挡了一下）、接收机短暂断电，或者信号太弱，接收机会 “暂时失忆”——突然漏记或多记了几百甚至几千个整周数，这种整周数的突变就叫 “周跳。

比如文件里G01卫星在 10:10:00 的注释写着 “# G01 周跳 + 1”，意思是这里的 L1 相位整周数突然多了 1 周，属于周跳。

我们进行周跳检测，就是找出存在周跳的数据，要么修正，要么弃用。

2. 周跳处理三大算法（核心处理方法＆步骤）

MW 组合法：把两种观测值（相位和伪距）“组合” 起来，得到一个几乎不受 “整周模糊度” 影响的稳定值。如果这个值突然跳变，就说明发生了周跳。
- 计算 MW 组合值（Nw）
  - 相位转距离:
    - L = 周数 × 波长（固定值）
  - 组合相位和伪距
    - Lw = 相位组合 - 伪距组合（这么一减，相位的 “整周模糊度” 就被抵消了，剩下的是一个稳定的小值）
  - 转成周数 Nw
    - Nw = Lw / 等效波长（就是两个频段波长差）
- 确定 “正常波动范围”
  - 滑动平均值：类似 “平滑曲线”，把 Nw 的小波动平均掉，得到一个稳定的趋势值（比如 5.0）。
  - 滑动方差：衡量 Nw 的波动程度（比如正常波动在 ±0.2 内，方差就小；波动大，方差就大）。
- 判断周跳
  - 用 “3 倍标准差” 作为阈值（标准差是方差的平方根，反映正常波动范围），如果某个时刻的 Nw 与滑动平均值的差超过 3 倍标准差，说明它偏离正常范围太远，就是周跳。
GF 组合法：先消除卫星到接收机的 “几何距离”（这部分是我们要测的，但会干扰周跳检测），剩下的主要是 “电离层误差”。电离层误差（信号穿过大气层时的延迟）随时间缓慢变化（比如几小时内慢慢变），正常情况下应该是平滑曲线；如果突然跳变，就是周跳。
- 相位的 GF 组合（LI）：消除几何距离后的核心变量
  - LI = (L1相位 × L1波长) - (L2相位 × L2波长)（家人们只需要知道，相位距离计算的公式中包含很多误差项，GF的关键就是利用相位差来消除部分干扰项，只保留了正常情况下要么变化缓慢(I1−I2），要么就是常数（λ1N1−λ2N2）的项。不用强行理解，就知道第一步就是计算这玩意儿，在本篇代码部分会给出这块的实现）
- 拟合 LI 的趋势（消除电离层(I1−I2)的缓慢变化）
  - 用多项式（代码中为 2 阶多项式）拟合 LI 随时间的变化趋势，得到 “理论上的 LI 值”（无周跳时的理想值）：fitLI(t)=C0+C1⋅t+C2⋅t2 （其中t是时间索引（0,1,2,...），C0,1,2是多项式系数（由最小二乘拟合得到））
- 计算残差的变化量（核心判断指标）
  - 残差定义为 “实际 LI 与拟合趋势的偏差”：残差(t)=LI(t)−fitLI(t无周跳时，残差应围绕 0 小幅波动；若发生周跳，残差会突变。
  - (一般阈值设置：4 倍等效波长（λI），残差绝对值大于4λ，标记为周跳)
二次差分法：连续计算相位观测值的 “差分的差分”（类似加速度），正常情况下这个值很小，如果突然变大，就是周跳。（这个就简单了，就像看车速表，正常慢慢加速，突然猛踩油门就是问题！）
- 提取载波相位观测值
- 计算二阶差分（代码部分有算法的程序实现）
- 周跳判断（依旧用阈值法）
- 二阶差分法通过计算载波相位的二阶变化量，利用 “正常平稳、周跳突变” 的特性实现周跳检测的，比起GF，步骤真的很简答优雅。

（三）多路径效应检测原理与实现算法

1. 什么是 “多路径效应”？

卫星信号是无线电波，正常情况下应该 “直线到达接收机”（直射信号）。但如果周围有建筑物、地面、水面，信号会被反射（比如地面反射、大楼反射），形成 “反射信号”—— 这些反射信号会和直射信号一起被接收机接收，导致观测值出现误差，这就是 “多路径效应”。

2. 多路径效应处理三大算法

//这三种算法各有优缺点，在实际中，通常会结合三种方法的结果：比如 “残差大 + SNR 低 + 波动剧烈”，就几乎可以确定有严重的多路径干扰。

看相位和伪距的残差：正常情况下，经过修正的 “相位数据” 和经过修正的 “伪距数据” 应该很接近（差距很小）。但如果有多路径干扰，会让相位测量不准（就算修正了，两者差距还是很大），导致两者的差距突然变大 —— 这个差距就是 “残差”，残差越大，干扰越严重。
- 计算残差：各个频段修正后的相位距离 - 伪距距离（注意保证单位都是m）
  - 对 L1 频段：residualL1 = 修正后的L1相位距离 - L1伪距距离
  - 对 L2 频段：residualL2 = 修正后的L2相位距离 - L2伪距距离
- 如果残差的绝对值超过一个设定的 “阈值”（比如 L1 频段阈值设为 1 米，L2 设为 1.5 米），就认为这个时间点受到了多路径干扰。
看信噪比（SNR）：简单理解为 “有用信号” 和 “无用噪音” 的比例。SNR 越高，信号越清晰（噪音少）；SNR 越低，信号越模糊（噪音多）。多路径会导致信号不稳定，信噪比（SNR1、SNR2）会突然降低（比如从 45 降到 30），所以低 SNR 的观测值可能受多路径影响。
- 多路径干扰本质是 “无用的反射信号”，属于 “噪音”。当 SNR 很低时（有用信号弱），一点点多路径干扰都会显得特别明显，就像在安静的房间里，小声说话也能听清，而在嘈杂的菜市场，大声说话可能都听不清 —— 低 SNR 时，干扰的影响被放大了。
- 步骤很简单：
  - 设定一个 “低信噪比阈值”
  - 如果L1/L2任意一个频段的SNR低于阈值，我们就认为这个时间点的信号可能受到了多路径干扰。
  - （这个就是纯纯的估计了，我们是基于“低SNR ==> 易受干扰”这个知识，所以就简单粗暴的只看它SNR高低，来判断这条数据受到多路径干扰的“可能性”，相比于上一个方法，这个只能说是一种更粗糙的估计）
看残差的波动：多路径干扰不是稳定的（反射信号的强度会随接收机位置、障碍物角度变化），所以它导致的 “残差”（第一个方法里算的那个差距）会忽大忽小，像坐过山车一样 “波动剧烈”，而正常情况下观测的残差应该平稳波动。故以此为指标，若其突然上下跳变（比如从 0.1 米跳到 0.8 米），可能是多路径。
- 滑动窗口：想象一个 “小框”，框住连续的几个数据点（比如 5 个），然后把框慢慢向右移，每次移一个点，逐个分析每个框内的数据。（比如窗口大小 = 5 时，先看第 1-5 个数据，再看第 2-6 个，再看第 3-7 个）
- 标准差：用来衡量数据的 “波动程度”。标准差越大，说明数据忽高忽低越厉害（波动剧烈）；标准差越小，说明数据越稳定。（对每个窗口，计算里面残差的标准差）
- 如果窗口内的标准差超过 “阈值的一半”（因为标准差反映的是整体波动，比单次残差更敏感），就认为这个窗口对应的时间点有干扰。

（四）伪距平滑处理原理与实现算法

1.相位平滑伪距

用相位的高精度 “修正” 伪距的低精度。（就是给带噪音的数据” 做美容，让它们变得更光滑、更可靠。）

2. 平滑处理三大算法

指数平滑法（简化版本卡尔曼滤波法）：给历史数据分配不同的权重，越近的数据权重越大。
- ```
当前平滑值 = 上一次平滑值 × α + 当前原始值 × (1-α)
```
  - α就是权重系数，0-1，越大表示历史数据权重越高，平滑效果越好，但是对新变化反应就不敏感。
  - 两个细节：
    - 周跳处理：如果当前数据有周跳（突变），直接把平滑值设为当前原始值（因为周跳会让历史数据 “失效”）。
    - 初始值：第一个数据点的平滑值就是它自己（因为没有历史数据）。
滑动窗口平均法：拿股票来说，想象你在看股票走势图，曲线波动很大，很难看出趋势。这时你可以用一个 “小窗口”。
- ```
当前平滑值 = 窗口内所有有效数据的平均值
```
- 滑动，就是说你这个窗口会按照时间“移动”。平均，就是说每一次你的取值，就是这个窗口中值的平均值。
考虑周跳修复的平滑处理：载波相位数据有个特殊问题：周跳会导致相位值突然跳变（比如从 1000 周突然变成 995 周）。如果直接用前面两种方法平滑，会把这个 “错误跳变” 也平滑进去，导致后续所有数据都错。所以，遇到周跳时，要先 “修复” 这个跳变，再继续平滑。就像你在画一条平滑的曲线，突然遇到一个断点，你得先把断点 “接好”，再继续画。
- ```
当前平滑值 = 上一次平滑值 × α + 当前原始值 × (1-α)
```
- 和指数平滑法公式是一样的，但是请注意区别：如果当前点有周跳，直接把平滑值设为当前原始值（相当于 “重启” 平滑过程）。如果无周跳，正常平滑。
- 这个方法是针对相位的平滑，目的在于，为多路径效应提供一个更精准的相位数据，注意与前两种方法的平滑对象做区分。（其实放到多路径效应板块更容易理解，但是因为这三类都是实现的平滑处理，所以还是决定放一起。）

三、C#完整实现

（一）窗体设计

和地图图幅处理那篇的风格一样，小编可能在之后的试题研究文章中都会沿用这个风格哈哈。

（二）数据结构设计

//小编知道可以直接上代码，但是因为行数真的真的真的太多了哈哈，图片还是要更好一些的。

（三）数据管理器设计

（四）周跳检测实现

二次差分

（五）多路径效应检测实现

相位伪距残差

信噪比

残差波动

（六）相位平滑伪距实现

指数

滑动窗口平均

考虑周跳修复

四、唠唠叨叨

哈哈，这篇文章确实有些长，看到这里真的辛苦家人们！
本篇其实预计在昨天就是可以完成的，但是因为昨天下午受到了一些紧急通知需要我去处理，晚上处理好之后又接到了家里那边的一些小意外，昨天真的是小编最难熬的一天哈哈，是在今天凌晨两三点才感觉有点困哈哈。上午依旧在处理意外，一整个上午都是在路上，在打电话，在和各种人沟通哈哈哈，小编真的是一边崩溃一边告诉自己必须绷住，不是崩溃的时候哈哈。
今天中午处理好了能控制的那部分，然后我知道这件事已经耽搁不短了，这过去的一些时间，受到了很多家人们给我的私信，给我的鼓励和支持，给我的莫大的信任，我不能辜负大家，我早点做完，大家就能早点有一个参考，一些我自己发现不了的问题我们也能一起探讨，一起进步。
行文至此，小编想说的，依旧是感谢各位过去一路的陪伴和支持，由于小编水平和能力有限，以上介绍到的所有内容，如有差错还望大家批评指教。
感谢大家的支持！