幂函数变换的GM(1,1)模型在BDS卫星钟差预报中的应用研究

由于卫星钟存在频率高、敏感性强、极易受到外界影响从而导致观测数据波动大,预测结果精度低的问题,利用幂函数变换法对初始观测数据进行变换预处理,从而提高观测数据的平顺度.由此提出一种基于幂函数变换的GM(1,1)模型,选用北斗卫星导航系统(BDS)卫星钟差进行插值和预报,并且进行了精度验证.实验结果表明:Lagrange插值方法可以满足高精度BDS的钟差的插值需要;利用幂函数变换的GM(1,1)模型相比传统模型精度有效提高了,而且当改进模型和传统模型预报值越接近实际值,则幂函数改进的GM(1,1)模型精度更高,适用性更强,对BDS卫星钟差预报具有实际参考价值.

基于改进GM(1,1)模型的导弹贮存可靠性预测方法

针对导弹系统技术复杂、贮存样本量受限、测试数据波动性较大等特点,结合装备的具体情况提出了基于改进GM(1,1)模型的导弹贮存可靠性预测方法。该方法首先利用"对数-幂函数变换"对导弹的历史可靠性数据进行处理,提高数据光滑度,然后依据GM(1,1)模型计算得到可靠性预测值和残差,再利用残差建立残差修正模型,得到残差修正值,减少残差对结果的影响,最后利用残差修正值修正可靠性预测值并还原,求得可靠性最终预测值。实例表明,该改进模型对导弹系统可靠性变化的描述比传统模型更加准确有效,预测结果精度更高,为导弹贮存可靠性预测分析提供了一种有效的改进方法,其算法设计推广性强,可作为其他装备寿命预估的重要工具。

卫星钟差组合预报模型研究及其应用

为了提高卫星钟差预报的精度与稳定性,本文综合幂函数变换的GM(1.1)模型与Elman神经网络模型的优势,提出了一种组合卫星钟差预报模型。该组合预报模型实现卫星钟差预报的流程为:首先,使用钟差数据对幂函数变换的GM(1.1)模型进行建模并进行钟差预报;其次,将幂函数变换的GM(1.1)模型预报残值作为Elman神经网络模型训练样本进行模型训练与残差值预报;最后,将幂函数变换的GM(1.1)模型预报值与Elman神经网络模型残差预报值相加得到组合预报值。使用IGS提供的精密钟差数据进行实验,结果表明,本文提出的组合预报模型较单一的预报模型的预报精度与稳定性均有较大程度的提高,本文的研究对于高精度卫星钟差预报模型的建立具有重要参考价值。

GPS卫星钟差组合预报模型研究

为了提高卫星钟差预报的稳定性与精度,本文结合幂函数变换GM(1.1)模型与BP(Back Propagation)神经网络模型在卫星钟差预报中的优势,提出了一种卫星钟差组合预报模型。该组合预报模型首先使用幂函数变换GM(1.1)模型对卫星钟差进行建模,获取预报残差值;其次,将幂函数变换GM(1.1)模型的预报残差值作为BP神经网络模型的输入值进行BP神经网络模型构建;最后,将两种模型预报结果进行重构得到最终预报结果。为了对本文提出的组合预报模型的有效性与优越性进行检验,使用IGS站提供的两颗卫星高精度钟差数据进行模型验证,使用均方根误差RMSE作为衡量模型预报性能的评价指标,结果表明,相比于幂函数变换GM(1.1)模型预报结果与BP神经网络模型预报结果,本文组合预报模型对PRN03、PRN08卫星钟差的均方根误差均有所降低,预报精度更高,表现出了更好的钟差预报性能,可为实际卫星钟差预报、提高单点定位精度提供借鉴与参考。

基于幂函数变换的GM(1,1)模型在地铁施工沉降监测中的应用

针对传统的GM(1,1)模型对原始观测数据的光滑度要求较高且预测结果精度较低的问题,该文选用幂函数变换的方法对原始观测数据进行预处理,提高原始观测数据的光滑度。在此基础上,该文提出了一种基于幂函数变换的GM(1,1)模型,并通过地铁施工沉降监测实例对两种模型预测结果精度进行验证。结果表明:与GM(1,1)模型相比,基于幂函数变换的GM(1,1)模型预测误差降低幅度为65.73%,绝对误差降低幅度为50.06%,相对误差降低幅度为46.34%,中误差降低幅度为39.05%,在很大程度上提高了模型的预测精度,减小了预测误差,对地铁施工过程中的安全稳定性评价具有一定的参考价值。

累加生成的改进和GM(1,1,t)灰色模型

根据卷积变换可提高变换序列光滑度的特性和累加生成的机理,对灰色建模中的序列生成方式和GM(1,1)模型加以改进,用线性序列对建模序列作卷积变换,建立带线性时间项的灰色模型GM(1,1,t),实例计算结果表明GM(1,1,t)模型的模拟精度较GM(1,1)模型有较大提高且适用范围更广.