基于BiLSTM模型的BDS-3短期钟差预报精度研究

提出了一种改进的北斗钟差预测模型,将传统的单向长短期记忆神经网络(LSTM)扩展为双向长短期记忆网络(BiLSTM),引入了3种自适应匹配超参数的算法提高钟差数据短期预报的精度。首先,对LSTM进行优化,建立BiLSTM模型,介绍了超参数的3种选择方案(粒子群搜索(PSO)、麻雀搜索(SSA)和贝叶斯搜索(BOA)),并给出了相应的适用范围。然后,详细介绍基于超参数优化BiLSTM模型的钟差预报的步骤。最后,利用GFZ卫星钟差数据,从不同轨道类型、5 min采样间隔、15 min采样间隔等方面进行了1、6和12 h的单天和多天预报对比试验,并进行了相应模型的时间复杂度分析。试验结果表明,采用超参数方案优化后的BiLSTM模型在进行1、6和12 h预报时,相较于二次多项式模型、灰色模型、长短期记忆神经网络的模型和BiLSTM模型,平均精度可分别提升86.21%、83.32%、69.99%和55.17%。在3种优化方案中,使用PSO算法对IGSO类型卫星的优化效果较好;使用BOA算法对MEO类型卫星的钟差优化效果较好;使用SSA算法在整体上优化效果最好。虽然经过超参数优化后的BiLSTM模型训练时间相对常用模型较长,但预报速度较快,总体上能够满足实时预报时间要求。

联合SSA与BiLSTM的北斗卫星钟差预报算法

针对现有的卫星钟差预报模型难以捕捉其非线性特性的问题,提出了一种联合麻雀搜索算法(SSA)与双向长短期记忆神经网络(BiLSTM)的北斗卫星钟差预报算法。将BiLSTM应用于钟差预报中,并引入SSA进行网络超参数选择,能够更好地捕捉钟差数据中的特征关系,提高模型预报的准确性。利用德国地球科学研究中心提供的北斗三号精密卫星钟差数据,进行了1 h、3 h、6 h、12 h、24 h和48 h的钟差预报实验;与常用模型从卫星轨道类型和模型普适性方面,进行了单天与多天的预报对比分析。结果表明,相对于多项式模型、小波神经网络、长短期记忆神经网络模型和BiLSTM模型,所提算法的钟差预报平均精度分别提升了75.12%、67.44%、75.18%和48.65%。

基于优化自注意力神经网络的卫星钟差短期预报

为了提高卫星钟差短期预报精度,有效利用钟差数据之间的依赖关系,实现深层隐含特征提取与并行化计算,提出了一种序列到序列的基于优化自注意力机制的神经网络钟差预报模型(Informer)。首先,对自注意力机制进行概率稀疏性优化,合理分配权重,给出详细的稀疏优化方法,降低模型的训练与预报时长;其次,引入麻雀优化算法进行超参数优化,得到神经网络的最优超参数;然后,给出Informer模型钟差预报的具体步骤;最后,将Informer模型与已有模型进行实验对比。实验结果表明:在计算效率方面,LSTM模型、Transformer模型和Informer模型在输入长度低于336个历元时运行时间大致相同;在预报时间方面,Informer模型优势明显;利用12 h的数据建模,与QP、GM以及LSTM模型相比,Informer模型3 h的预报精度分别提高了66.83%、79.78%、71.11%,6 h的预报精度分别提高了50.50%、70.84%、53.54%,12 h的预报精度分别提高了37.91%、60.12%和15.74%,验证了Informer模型在钟差短期预报中具有较高的准确性和稳定性。

鄂尔多斯盆地华池地区延长组7段页岩油储层孔隙结构特征及控制因素

为明确有机质及矿物成分对鄂尔多斯盆地延长组7段(长7段)泥页岩储层孔隙结构的影响,利用氩离子抛光—场发射扫描电镜、低压氮气吸附实验,表征长7段泥页岩储层孔隙结构特征,并结合全岩矿物组分及有机地球化学实验,分析长7段泥页岩孔隙结构的主控因素。结果表明:长7段泥页岩主要发育黏土矿物晶间孔、粒间孔,可见少量有机质孔、溶蚀孔及微裂缝,其氮气吸附等温线均为Ⅱ型等温线,兼具有H3及H4型滞后环特征,表明泥页岩孔隙的中孔较为发育,孔隙形态呈平行片状及墨水瓶状。泥页岩孔隙结构受控于有机质、黏土矿物、石英、长石和黄铁矿,其中黏土矿物相转化在其矿物晶体层间形成大量微孔及中孔,是研究区泥页岩孔隙的主要来源;有机质生成的液态烃和固体沥青及自形单晶黄铁矿充填无机矿物孔隙,一定程度上减少了长7段泥页岩的孔隙空间。研究结果可以为认识长7段泥页岩孔隙结构特征及控制因素提供新的参考。