В данной работе изложено несколько способов для усовершенствования существующих алгоритмов обработки спутниковых данных. Даны общие понятия спутниковой навигации, описан сигнал GPS и принцип построения нейронных сетей. Проведены два испытания: статический и динамический, с целью выявления проблемы навигации с помощью GNSS приемников в режиме RTK. Впервые разработана модель рекуррентных нейронных сетей в качестве одного из способов усовершенствования алгоритмов прогнозирования точности работы навигационной системы для динамических объектов в режиме RTK. Внедрены и опробованы, разработанные с помощью РНН, усовершенствования в стандартных алгоритмах позиционирования в RTK на действующих устройствах со встроенными датчиками GPS/GNSS. В результате проведенных экспериментов можно сделать вывод: представленные методы в настоящей работе оказались способными прогнозировать данные фазы несущей с очень малыми процентом ошибок. Однако эти очень маленькие процентильные ошибки по-прежнему приводят к большим ошибкам в прогнозах цикла несущей.

This paper describes several ways to improve existing algorithms for processing satellite data. There are given the general concepts of satellite navigation, a GPS signal and the principle of building neural networks. Two tests were carried out: static and dynamic, in order to identify navigation problems using GNSS receivers in RTK mode. For the first time, a model of recurrent neural networks has been developed as one of the ways to improve algorithms for predicting the accuracy of the navigation system for dynamic objects in RTK mode. Improvements in standard RTK positioning algorithms developed with RNN have been implemented and tested on existing devices with integrated GPS/GNSS sensors. As a result of the experiments, we can conclude that the methods presented in this paper were able to predict the carrier phase data with a very small percentage of errors. However, these very small percentile errors still lead to large errors in the carrier cycle predictions.