AI检验非差模糊度固定的PRIDE PPP-AR 3.2发布了

2025年10月20日，中国科学院精密测量院PRIDE团队发布了支持AI模型检验非差模糊度固定的PRIDE PPP-AR 3.2版本（https://github.com/PrideLab/PRIDE-PPPAR）。该XGBoost机器学习模型通过R-Ratio、Difference Test、Project Test、W-Ratio、ADOP、惩罚因子λ等多维指标来进行非差模糊度固定的正确性检验，配合LAMBDA方法处理小于6小时时段的数据，支持单系统以及多系统动静态解算。在使用近四年不同于训练集测站的数据集测试中，该机器学习模型相比经典Ratio检验均表现出更好的性能，检验的准确率提高5-10个百分点（如下图所示）。

测试结果

1. 模块介绍

核心升级模块arsig模块：arsig模块是PRIDE PPP-AR v3.2的核心升级模块，负责星间单差模糊度固定，新增AI模型整数检验功能。

基础功能：采用星间单差方式消除接收机端硬件延迟，分别处理宽巷与窄巷模糊度。宽巷模糊度统一通过取整法固定；窄巷模糊度则根据数据处理时长选择不同固定策略。

时长适配策略：处理时长 > 6小时采用取整法；≤6小时默认通过LAMBDA方法进行整数模糊度备选解搜索，再用XGBoost模型检验固定结果，并决定保留固定解或者维持浮点解。

PRIDE PPP-AR 3.2的数据处理流程与之前版本框架一致，主要在LAMBDA搜索后的“模糊度固定环节”新增AI模型检验步骤，具体流程如下图所示：

当进入模糊度固定环节时，若用户选择不进行模糊度固定，直接输出浮点解；若进行固定，调用arsig模块按以下流程执行：

（1）读取基础数据与配置：读取amb文件neq文件、配置文件等，获取与模糊度相关的配置选项，同时读取非差模糊度实数解。

（2）宽巷模糊度处理：计算星间单差宽巷模糊度估值，然后通过取整法固定星间单差宽巷模糊度。

（3）窄巷模糊度初始计算：计算星间单差窄巷模糊度估值。

（4）窄巷模糊度固定策略选择：

取整法：直接通过取整法固定星间单差窄巷模糊度，随后统计宽巷和窄巷均能固定的独立模糊度，输出至“cst_”文件。

LAMBDA+AI验证法：映射非差协因数矩阵至星间单差协因数矩阵，再使用LAMBDA方法固定。计算Ratio值、ADOP值等指标并输入XGBoost模型验证，若未通过验证则执行部分模糊度固定策略，验证通过后统计独立模糊度并输出至"cst_"文件，最终结合强约束输出固定解。

2.关键参数配置

（1）模糊度固定方法参数（-x <num> 或 --fix-method <num>）

该参数用于指定模糊度固定的具体方法，提供3个可选项，默认根据处理时长自动适配：

1）取整法：直接通过取整方式固定模糊度，适用于数据处理时长较长的场景。

2）LAMBDA+Ratio验证法：用LAMBDA方法搜索，通过Ratio值（默认验证值为3）检验固定结果。

3）LAMBDA+AI验证法：用LAMBDA方法搜索，通过XGBoost模型验证固定结果。

默认规则：处理时长小于6小时时，自动采用3）LAMBDA+AI验证法，2）Ratio检验作为可选项保留到3.2版本，但用户需要指定才能打开这个选项；处理时长≥6小时时，自动采用1）取整法。

（2）配置文件AI模糊度验证开关（AI Ambiguity validation）

该配置用于控制是否启用AI检验功能，与“--fix-method”参数联动：

取值为“YES”：启用XGBoost模型检验模糊度固定结果，对应“--fix-method 3”。

取值为“NO”：不启用AI检验，采用Ratio值检验固定结果，对应“--fix-method 2”；Ratio 检验阈值由“Critical search”配置选项决定。

参考文献

Guo, J., Geng, J. Integer ambiguity validation through machine learning for precise point positioning. Satell Navig 6, 14 (2025). https://doi.org/10.1186/s43020-025-00167-8