基于GM-RBF组合模型的BDS-3卫星钟差短期预报

针对卫星钟差具有趋势项和随机项变化的特征问题,提出了GM-RBF组合模型的方法。该模型首先用GM(1,1)提取预处理后的卫星钟差趋势项部分并进行建模预报,得到相应的残差序列,通过RBF神经网络训练用灰色模型预报所获得的残差序列,然后将GM(1,1)模型的钟差后续预报值与RBF神经网络的残差预报值对应相加可得组合模型的预报结果。为验证组合模型的有效性和可行性,将组合模型预报结果与GM(1,1)模型、ARIMA模型、RBF神经网络模型预报结果进行对比实验。实验结果表明:组合模型预报精度要高于其他单一模型,其在不同时段的平均预报精度可提高46.4%~86.2%。

遗传算法优化组合模型在卫星钟差预报中的应用

为了提高导航卫星钟差预报精度,本文在单一BP神经网络模型基础上引入遗传算法(GA)与自回归(AR)模型,构建新的GA-BP-AR模型。该组合模型充分发挥GA在网络模型参数寻优中的优势及AR模型在残差修正中的优势。首先,通过GA-BP模型对原始钟差进行建模预报;其次,使用AR模型对预报残差进行建模并进行外推预报;最后,将GA-BP模型预报值与AR模型残差预报值相加得到最终钟差预报结果。使用2组卫星钟差数据对本文的组合模型效果进行检验,并将实验结果与单一的模型预报结果进行对比。结果表明,本文提出的组合预报模型的预报精度最高,平均精度在0.3 ns以内,验证了本文提出组合预报模型的优越性与适用性。

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.

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。

ARIMA(0,2,q)模型在卫星钟差预报中的应用

对多项式模型及灰色模型存在的问题进行了分析,提出用ARIMA时间序列模型对卫星钟差建模并作1天的短期预报。卫星钟差数据的时间序列分析显示,在对钟差数据做二次差分之后,其相关性与滑动平均模型(MA)相符合,由此建立了卫星钟差的ARIMA(0,2,q)预报模型。计算结果表明,基于ARIMA(0,2,q)的预报模型预测精度优于二次多项式及灰色模型。

一种新的长期卫星钟差预报方法

提出一种长期卫星钟差预报新方法:以天为尺度,利用二阶多项式模型建模并进行长期卫星钟差预报,用拉格朗日插值多项式对预报值进行内插得出最终的预报结果。计算结果表明,该方法能够大幅度提高长期卫星钟差的预报精度。

ARIMA模型在卫星钟差预报中的应用

为提高GPS精密单点定位的精度(PPP),需要有高精度的卫星钟差预报。针对卫星钟差预报在卫星导航定位中的重要作用,利用时间序列模型与灰色模型对卫星钟差进行1 d和120 d的预报。结果表明,基于时间序列预报模型的预测精度优于灰色模型,更适用于实际应用,Rb钟的精度和稳定性优于Cs钟。

一种新的长期卫星钟差预报方法

在回顾了二次多项式模型用于卫星钟差长期预报特点的基础之上,考虑到钟差中随机项部分的影响,以天为尺度,利用拟合推估法建立钟差预报模型,并根据拟合推估模型的两步极小解法解算该模型,依据模型残差拟合协方差函数系数。所得结果与常用的钟差预报算法结果进行比对,验证了该模型在卫星钟差长期预报方面的有效性。

改进的多项式+周期项模型的卫星钟差预报

针对现有的超快速钟差产品IGU精度较低以及无法满足实时PPP技术的问题,提出了一种改进的多项式+周期项钟差预报模型。该模型采用多项式+周期项非线性函数对钟差数据进行滑动估计,结合迭代法对拟合模型的随机误差进行自然修正,以实现对卫星钟差的预报估计。通过与常见的多项式模型、灰色系统模型和多项式+周期项模型的对比分析,结果表明:改进的多项式+周期项模型更加适用于卫星钟差预报,在1天内,其预报精度RMS可以达到0.57ns,最大偏离程度为1ns,明显优于灰色系统模型和多项式+周期项模型;随着预报时间的增长,多项式模型、灰色系统模型和多项式+周期项模型的预报精度大幅降低,而改进的多项式+周期项模型没有大幅的变化,预报结果比较稳定。

附加误差修正的GM(1,1)模型在卫星钟差预报中应用

提出一种附加误差修正的GM(1,1)模型卫星钟差预报方法:首先采用GM(1,1)模型利用已有观测值建模,然后利用已有的多余观测值得到预报残差,提出一个误差修正模型,最后利用该修正模型对预报结果进行改正。同时,为保证其可靠性,给出一个修正的阈值。计算结果表明,该方法能够大幅度地提高预报精度,尤其是当GM(1,1)模型预报结果有较大系统偏差时。

预报精密星历和钟差对机载PPP的应用比较分析

目前对IGS站快速精密星历和最终精密星历研究的比较多,而对预报精密星历的研究还比较少。本文采用预报精密星历和钟差对机载GPS实测数据进行解算分析,发现其定位结果比广播星历求的导航结果精度高至少一个数量级。因为预报精密星历和钟差可以提前获得,在一些时效性较高的场合很有价值。