基于多种深度学习算法对卫星钟差预报的效果分析与对比研究

针对卫星钟差预报模型的普遍适用性低,以及预报模型中星载原子钟类型和建模特点结合不充分等问题,提出了四种适用于非线性处理的神经网络模型来预报卫星钟差.首先对钟差数据进行预处理;然后通过基于萤火虫算法(firefly algorithm,FA)优化反向传播(back propagation,BP)神经网络(FA-BP neural networks,FA-BPNN)模型、Elman循环神经网络模型、径向基函数(radial basis function,RBF)神经网络模型以及基于卷积神经网络-长短期记忆(convolutional neural networks-long short term memory,CNN-LSTM)网络模型对1 d和7 d的钟差数据量建立模型;再采用武汉大学国际GNSS服务(International GNSS Service,IGS)数据分析中心(WHU)的GPS精密钟差数据进行钟差预报;最后从不同建模数据量及不同批次卫星的同一类型原子钟和不同批次卫星的不同类型原子钟的角度,将预报效果进行分析与对比.结果表明:1)四种模型在建模特点上,1 d的钟差数据量建模精度均比7 d的钟差数据量建模预报精度高.其中,RBF神经网络模型随着钟差建模数据增加时,预报精度影响变大,预报精度从亚纳秒量级变化到几十纳秒量级.2)四种神经网络模型预报精度与卫星在轨运行时长以及星载原子钟类型相关;在轨运行时间长的卫星其预报的性能不一定差,不同批次卫星的不同类型原子钟的预报效果的性能可能一样;其铯原子钟类型卫星在四种神经网络模型预报中精度最好.