بهینه سازی الگوریتم ایستگاه مرجع مجازی ((VRS با استفاده از مدل های تجربی تابع تغییرنما

الگوریتم شبکه تعیین موقعیت کینماتیک آنی با هدف غلبه بر مشکلات موجود در سیستم سنتی تعیین موقعیت کینماتیک آنی ایجاد شده است. هدف اصلی در این مقاله معرفی الگوریتمی جدید برای شبکه تعیین موقعیت کینماتیک آنی و افزایش دقت بخش درون­یابی تصحیحات می­باشد. در ابتدا، برای خطوط مبنای شبکه الگوریتم پردازش طول بلند باید انجام شود .سپس باقیمانده­های یونسفری و تروپسفری برای هر خط مبنا تفکیک می­شوند. در ادامه به معرفی دو روش درون­یابی با نام­های خطی و کریجنیگ معمولی پرداخته می­شود. باقیمانده­های یونسفری و تروپسفری برای راستای موردنظر درون­یابی ­می­شوند. سپس به معرفی دو الگوریتم کلاسیک و جدید برای شبکه تعیین موقعیت کینماتیک آنی پرداخته می­شود. در الگوریتم کلاسیک، باقیمانده­های درون­یابی شده در قالب تصحیحات با علامت معکوس به مشاهدات تفاضلی مرتبه اول اعمال شده اما در الگوریتم جدید، این تصحیحات به مشاهدات مجازی غیر­تفاضلی اعمال می­شوند. در بخش اول نتایج، به مقایسه عملکرد دو الگوریتم مذکور پرداخته که در آن از دو روش درون­یابی خطی و کریجینگ معمولی استفاده می­شود. در اینجا روش کریجینگ معمولی بر اساس تابع کواریانس محاسبه شده است. نتایج به دست آمده حاکی از برتر بودن الگوریتم جدید شبکه تعیین موقعیت کینماتیک آنی است. همچنین روش کریجینگ معمولی عملکرد بهتری نسبت به روش خطی دارد. در بخش دوم نتایج، با هدف افزایش دقت بخش درون­یابی تصحیحات در الگوریتم جدید از روش کریجینگ معمولی بر اساس تابع تغییر­نما استفاده می­شود. برای محاسبه این تابع از سه مدل تجربی کروی، نمایی و گوسی استفاده می­شود. با انجام ارزیابی­ آماری، مدل گوسی به عنوان بهترین مدل تجربی انتخاب می­شود. با استفاده از تصحیحات درون­یابی مدل گوسی، الگوریتم جدید شبکه تعیین موقعیت کینماتیک آنی مجددا محاسبه می­شود. نتایج بخش دوم نشان می­دهد که استفاده از تابع تغییرنما به جای تابع کواریانس می­تواند دقت برآورد مولفه­های شمالی، شرقی و ارتفاعی را در راستای موردنظر به اندازه 50، 73 و 24 درصد بیشتر بهبود دهد.