增强型 Loran 定时准确性：基于机器学习的气象与地形数据
信号处理
2025-06-24 v1
摘要
全球导航卫星系统 (GNSS) 因信号干扰而暴露于风险，这增加了补充定位、导航和定时 (PNT) 系统的需求。为此，韩国决定部署增强型 Loran (eLoran) 系统作为补充 PNT 解决方案。类似于 GNSS，eLoran 提供高度准确的定时信息，这对于电信、金融系统和电力分配等应用至关重要。然而，GNSS 和 eLoran 的主要误差来源不同。对于 eLoran，主要误差来源是陆地上的信号传播延迟，称为附加次因素 (ASF)。这种延迟受信号路径上地下导电性和天气条件的影响，难以预测和缓解。本文我们使用时间间隔计数器测量 GPS 与 eLoran 之间的时间差 (TD)，并分析 eLoran/GPS TD 与 11 个气象因素之间的相关性。准确估计 eLoran/GPS TD 可能使 eLoran 达到与 GPS 相当的定时准确性。我们提出两种用于 eLoran/GPS TD 的估计模型，并与现有的 TD 估计方法进行比较。所提议的 WLR-AGRNN 模型通过加权线性回归 (WLR) 捕捉气象因素与 eLoran/GPS TD 之间的线性关系，并通过各向异性通用回归神经网络 (AGRNN) 对专家网络输出之间的非线性关系建模。该模型纳入地形海拔，以合适地为气象数据加权，因为海拔影响信号传播延迟。基于四个月数据的实验结果表明，WLR-AGRNN 模型优于其他模型，突显其在提高 eLoran/GPS TD 估计准确性方面的有效性。
引用
@article{arxiv.2506.15235,
title = {Enhancing eLoran Timing Accuracy via Machine Learning with Meteorological and Terrain Data},
author = {Taewon Kang and Seunghyeon Park and Pyo-Woong Son and Jiwon Seo},
journal= {arXiv preprint arXiv:2506.15235},
year = {2025}
}
备注
Submitted to IEEE Access