基于LSTM的GPS卫星钟差预测算法

针对GPS卫星钟差的超快速预报部分的精度不能满足特定要求等问题,提出基于长短时记忆(LSTM)算法的钟差预测算法。首先对钟差数据进行基于改进中位数的异常值探测,之后利用部分时间序列数据用LSTM进行训练,并对之后的钟差进行预测;最后将基于LSTM算法的预测结果与多项式模型和灰色模型的预测结果进行对比。结果表明,基于LSTM算法的钟差预测结果更优。

径向基函数神经网络在GPS卫星钟差预报中的应用

GPS卫星钟在空中很容易受到诸多因素的影响,导致其钟差行为很难用线性模型、二次多项式模型、灰色模型等现有模型进行描述和实现可靠的高精度预报。本文利用径向基函数神经网络对4颗GPS卫星钟差连续进行了5min、1h和1d的预报,分别取得了均方根误差优于0.8ns、0.6ns和1ns的预报精度,证明了文中径向基网络结构在钟差预报方面的可靠性。

GPS卫星钟差及观测数据采样间隔对LEO卫星定轨精度影响

针对GPS卫星钟差及观测数据间隔对LEO卫星运动学和约化动力学定轨的影响问题进行了分析,并使用CODE(the Center for Orbit Determination in Europe)30s、5s间隔GPS卫星钟差分别进行了30s和10s间隔观测数据的LEO卫星定轨实验。结果表明,使用5s间隔卫星钟差(10s间隔观测数据)相比30s间隔卫星钟差(30s间隔观测数据)进行GRACE卫星精密定轨,约化动力学定轨精度提高了16%,运动学定轨精度提高了8.8%;使用30s间隔卫星钟差和10s间隔观测数据的定轨精度最低;对于30s间隔观测数据,使用30s或5s间隔卫星钟差的定轨精度基本一致。