面向无线传感网络的同步时钟技术研究

考虑到传统的时钟同步技术在信息交互过程中产生的延迟具有不确定性,为了消除其对时钟同步的影响,提出了面向无线传感网络的同步时钟技术研究。通过对任意一个网络节点在真实物理时间的本地时间进行变换处理,构建无线传感网络的线性时钟模型,根据高斯分布所具有的加减特性,计算两个连续同步轮次的动态响应时间差值,在离散形式下,构建无线传感网络观测模型。通过计算无线传感网络时钟差值的均值,得到无线传感网络节点的时间戳,将无线传感网络节点数据交互误差补偿的目标函数转换成向量的形式,补偿无线传感网络节点数据交互误差,实现无线传感网络的时钟同步处理。实验结果表明,在微秒级延迟下,该技术的同步精度仍较高,可以有效消除网络信息延迟的不确定性对同步时钟的影响。

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。

BDS精密钟差短期预报

针对传统单一预报模型在钟差预报中误差积累随时间的增加而增大问题,提出一种灰度模型GM(1,1)与长短时记忆神经网络模型(LSTM)的组合模型:采用武汉大学国际全球卫星导航系统服务组织(IGS)数据中心下载的北斗卫星导航系统(BDS)3种轨道不同卫星连续2 d的精密钟差数据进行建模,首先用GM(1,1)模型进行预报,然后将GM(1,1)模型的残差利用LSTM神经网络模型进行再次预报;将2种模型的预报结果进行重构,得到最终的预报结果。实验结果表明:GM(1,1)/LSTM组合模型与单一GM(1,1)模型相比,精度提高了60%~89%;GM(1,1)/LSTM组合模型与单一LSTM神经网络相比,精度提升了30%~88%。

基于不同轨道和星钟类型的BDS-3星载钟特性评估

星载原子钟性能的研究对于卫星钟差估计与预报、卫星导航系统的建设与维护等具有重要的意义。采用了德国地学研究中心(GFZ)2021-01-01—2021-12-31多星定轨联合解算的精密钟差产品,基于预处理后的钟差数据,对2021年北斗三号卫星导航系统(BDS-3)星载钟的相位、频率跳变情况进行了统计,探讨了中圆地球轨道(Medium Erth Obit,MEO)卫星铷钟与氢钟的相位、频率序列图特点。使用二次多项式模型分析了BDS-3不同轨道、不同星钟类型卫星钟的频率漂移率和模型噪声等指标的变化规律,基于哈达玛方差从不同时间尺度对BDS-3卫星钟的频率稳定度展开了分析。结果表明,BDS-3卫星钟相位和频率变化相对连续且稳定,其中仅地球静止轨道(Geostationary Orbit,GEO)卫星星钟存在调相行为,MEO卫星和GEO卫星都存在调频行为,且铷钟的调频次数明显多于氢钟。从频漂和模型噪声水平来看,MEO卫星优于其他轨道类型卫星,同铷钟相比,氢钟性能更优。BDS-3星载原子钟的稳定度保持在10^(-15)~10^(-14)量级,MEO卫星星载钟的稳定度最优,其次是倾斜地球同步轨道(Inclined Geosynchronous Orbit,IGSO)卫星,GEO卫星星载钟的稳定度最差。

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.

一种顾及轨道误差的实时GPS钟差估计方法

为了提高实时卫星钟差估计的精度和稳定性,提出了一种顾及轨道误差的实时GPS钟差估计方法。基于超快速轨道产品,分析了轨道标准差与绝对轨道误差的相关性。通过线性插值获得实时轨道误差信息,以优化先验残差的随机模型。基于先验轨道标准差阈值,采用分段方式剔除实时轨道异常卫星对应的观测值。实验结果表明:轨道标准差和轨道误差的相关性高达0.82。与常用的高度角相关的随机模型相比,GPS卫星钟差估计精度最大提高了15.2%,平均提高了8.1%,钟差误差的时间序列更加平稳,所有GPS卫星的平均钟差STD均在0.15ns以内。因此,超快速轨道产品中提供的轨道标准差与绝对轨道误差表现出较强相关。采用顾及轨道误差的实时钟差估计方法可提高GPS卫星钟差估计精度,准确识别并剔除GPS实时轨道异常的卫星,从而提高GPS实时钟差估计的稳定性。

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。

改进粒子群算法优化的卫星钟差组合预报模型

针对现有单一导航卫星钟差预报模型存在预报精度不高的问题,提出了改进粒子群算法优化的组合预报模型。该模型利用差分自回归移动平均模型（ARIMA）和最小二乘向量机（LSSVM）模型的特点,首先建立ARIMA模型预报钟差数据的线性部分,并得到预报残差;然后,根据残差建立LSSVM模型预报非线性部分,最后的预报结果即两个预报结果之和。同时引入随优化代数变化的惯性权值和加速度因子,来提高粒子群（PSO）算法寻优能力,并用其优化组合预报模型中LSSVM部分的惩罚因子和核函数参数选取过程,以提高模型的预报精度。实例与结果分析表明,组合模型较单一模型在预报精度上有30%~50%的提高,为导航卫星高精度短期钟差预报提供了一种新思路。

计算机内部时间长期稳定性分析

介绍了计算机内部时间的原理;设计了利用GPS提供的高精度UTC时间求取计算机内部时间钟差钟速的实验方案;进行了连续90天的实验,积累了175个时段的实验数据;分别利用多项式模型、傅里叶级数模型以及正弦和函数模型,对这些实验数据进行了钟差长期变化的拟合分析。分析表明:计算机内部时间的长期变化规律主要呈线性变化趋势,同时又含有周期性的影响;拟合精度最高的是七阶正弦和函数模型,其拟合残差中误差为0.289秒。

计算机内部时钟稳定性实验及分析

提出一种利用GPS技术检测计算机内部时钟稳定性的技术方法,建立一套实验方法,设计一组实验方案,对一台计算机内部时钟的稳定性进行了117 d的检测实验,并通过对实验数据的处理分析,得到一组能够客观反映其长期稳定性的实验结果。实验结果分析表明:运用一阶多项式拟合求得实验计算机钟速为0.01 s/h,其精度为0.000 175 s/h,将残差进行三阶正弦和函数拟合,主周期为1 987 h,振幅2.838 s,拟合后剩余残差中误差为0.397 s;拟合后的钟差与平均温度具有明显的二次多项式关系,精度为0.309 6 s;实验还表明计算机晶振时间变化规律大体与温度相反。

基于改进灰色ARMA模型的卫星钟差短期预报研究

导航卫星钟差的精度直接影响导航定位性能。针对卫星钟差由趋势项和随机项组成的特点,提出一种改进灰色模型和ARMA模型的钟差预报组合模型。对传统灰色模型进行改进并建立趋势项预报模型,提取钟差随机项建立ARMA模型,最后将预报结果相加。在算例中采用IGS提供的精密钟差进行预报,仿真结果表明钟差精度较高。

粒子群算法优化的灰色神经网络卫星钟差预报

为了进一步提高导航卫星钟差预报的精度,结合粒子群算法与灰色神经网络的特点,提出一种粒子群算法优化的灰色神经网络模型:利用粒子群算法寻优灰色神经网络的权值与阈值,以提高预报的精度;并选取IGS提供的精密钟差数据,分别采用灰色模型、灰色神经网络模型与本文模型进行对比分析。实验结果表明:该模型预测精度高、稳定性强、模型可靠,能够有效进行卫星精密钟差预报。

实时干涉测量中对流层延迟与钟差精修正建模

由于中国深空干涉测量系统无法采用短时差分标校,使得实时测量精度较差,误差来源主要包括对流层延迟模型误差和钟差模型误差。为了提高实时测量精度,基于最大值最小准则,对对流层天顶延迟进行精确修正;引入邻近估计与线性回归模型,实现了高精度的钟差非线性预报。经任务数据验证,对流层延迟精修正模型预报值与实测值的差异最大值优于0.33m(仰角≥10°);相对EGNOS和"EGNOS+GMF"模型,该误差减小约1个数量级;相对线性预报,非线性预报误差减小约半个数量级。可为我国后续深空探测任务提供高精度对流层延迟和钟差建模及预报。

时钟校准过程中的组合钟差预报模型

时间同步技术在分布式系统中应用广泛,时钟校准是时间同步的前提。针对时间校准过程中所需的时间信号可能出现传递失效等问题,在时间校准过程中引入钟差预报技术。同时为提高钟差预报模型的预报精度,提出一种GM-BP神经网络的钟差预报组合模型,首先利用已测钟差数据建立多个不同维数的GM（1,1）钟差预报模型,并对某时段的钟差进行预报,发挥多个不同GM（1,1）模型的优点;然后利用训练好的BP神经网络对预报结果进行非线性组合,最终的预报结果为BP神经网络非线性组合后的钟差。利用衰减器模拟对流层散射信道,设计对流层散射单向时钟校准试验,利用试验过程中实测的钟差数据进行组合模型精度验证。仿真结果表明,组合模型较单一预报模型,预报误差更加平稳,精度上提高53%~95%。

AR序列异常值探测的Bayes方法在卫星钟差预报中的应用

AR模型中若含有异常值,会使传统的建模、估计及检验方法陷人困境,从而不能准确地预测和控制。本文在无信息先验条件下,结合观测信息,计算了基于均值漂移模型和方差膨胀模型异常值事件发生的后验概率,提出了无信息先验下自回归模型中异常值探测的Bayes方法并对异常值进行了估算。该方法能将异常值准确地探测和估算出来,借此修正模型,可提高预测的准确性。最后,做了钟差实测数据计算,比较了模型修正前后预报的情况,验证了该方法的有效性。

基于最小二乘支持向量机的钟差预报

为提高卫星钟差预报的精度,采用最小二乘支持向量机进行预报。对比不同核函数对LS-SVM预报精度的影响,并将其与二次多项式和灰色系统模型比较。结果表明,最小二乘支持向量机的短期(1天)预报精度明显优于另外两种模型,且线性核函数更适合最小二乘支持向量机的钟差预报。

轨道误差对空间站高精度时间比对的影响分析及修正方法

针对空间站飞行轨道的特点,从理论上分析了空间站轨道误差对单向和共视时间比对的影响,并通过仿真试验对理论分析结果进行校验,研究结果表明轨道误差对空间站时间比对的影响在几百皮秒量级,是影响空间站时间比对精度的主要误差源。提出一种适用于两个地面站间进行高精度时间比对的空间站轨道误差修正方法,通过仿真试验校验了该方法的有效性。试验结果表明,该方法能有效修正空间站轨道误差,实现精度在几十皮秒量级的两地面站间的超高精度时间比对,比对基线可达上千千米。

利用接收机钟差实时滤波提高GNSS精度

建立接收机钟差的高斯马尔可夫模型,通过自相关函数估计接收机钟差的时间常数,利用Allan方差确定模型谱密度参数,将滤波后的接收机钟差返回补偿至GNSS观测方程,重新进行导航解算。实验结果表明,对接收机钟差进行滤波,可有效提高钟差估计精度,提高GNSS的精度。