面向小样本GNSS信号处理的过采样AdaBoost周跳探测方法

李忠琪¹，项艳¹，裴凌^1,3，万丽华²，王超²

（1. 上海交通大学 自动化与感知学院，上海200240；2. 上海华测导航技术股份有限公司，上海201700; 3. 上海北斗导航创新研究院，上海 201702） 

摘要：在传统的卫星信号处理中，周跳探测依赖于主观阈值进行判断，易受GNSS观测信号的采样率和电离层变化的影响。为解决这一挑战，本研究提出了一种基于过采样训练的AdaBoost机器学习周跳检测方法（Oversampling Adaboost Cycle Slip Detection，OACD）。该方法融合了Geometry-Free（GF）组合、Melbourne-Wubbena（MW）组合、信噪比和高度角等特征，并利用AdaBoost算法应对小样本周跳数据的挑战。实验结果表明，AdaBoost模型在训练集上达到了100%的判断准确率，并在不同采样率下表现出较低的虚警率。该模型在电离层活动频繁的南部地区显著降低了20%的虚警率，在电离层较为平静的北部地区降低了3%的虚警率。此外，该模型展示了空间泛化能力，在建模区域内及距离区域250公里外的站点中，虚警率均降低至2%。研究表明，OACD方法在周跳检测中具有一定优势，能够减少误报，为提高GNSS定位的精度和可靠性提供了一种新的技术途径。

关键词：全球卫星导航系统，周跳探测，机器学习，AdaBoost模型，虚警率

扫二维码浏览全文

Cite this article

Li, Z., Xiang, Y., Pei, L. et al. Oversampling AdaBoost Cycle Slip Detection Method for Small Sample Data in GNSS Signal Processing. J. Shanghai Jiaotong Univ. (Sci.) (2025). https://doi.org/10.1007/s12204-025-2866-9