基于长短时记忆神经网络的Multi-GNSS卫星钟差建模预报

针对卫星钟差预报中二次多项式模型存在易受噪声干扰、预报精度不高的问题,构建一种基于长短时记忆神经网络的multi-GNSS卫星钟差预报模型,并分析不同卫星系统、不同钟类型基于不同建模方案的模型精度。为验证该模型的有效性和可行性,利用LSTM模型、QP模型、QP-LSTM模型分别基于12 h和24 h钟差序列进行建模,预报1 h、3 h、6 h、12 h钟差。结果表明,LSTM模型建模24 h、预报1 h精度最高。multi-GNSS卫星钟差LSTM预报模型中Galileo系统精度最高,其次为BDS-2系统和GPS系统,GLONASS系统精度最低,精度分别为0.018 ns、0.069 ns、0.133 ns、0.242 ns。不同原子钟预报精度不同,氢原子钟预报精度优于铷原子钟、铯原子钟。LSTM神经网络模型预报精度相较于QP-LSTM模型提升27%,相较于QP模型提升36%。

一种LSTM神经网络在卫星钟频率快速变化期间钟差预报的应用

为克服多项式模型在卫星频率快速变化期间精度衰减快的问题,提出一种基于LSTM神经网络的钟差预报模型。与多项式模型的对比实验结果显示,在卫星钟平稳运行期间,两种模型的结果几乎一致;在卫星钟输出频率发生快速变化时,LSTM神经网络模型的预报精度较多项式模型提高显著,仍能提供较高精度的钟差预报结果。

卫星钟差预报的Kalman算法及其性能分析

钟差预报是卫星导航系统应用中的一项关键技术。Kalman算法作为一种最优预测算法,在原子钟时间尺度、GPS钟差预报中得到了广泛的使用。但是,GPS钟差预报的Kalman模型中通常只考虑了钟差的确定性部分,将随机性部分简单作为白噪声处理。对随机性部分采用幂律谱模型,分析了Kalman算法用于卫星导航系统钟差预报的性能和适用条件。论文首次详细讨论了钟差变化中的确定性部分和随机性部分对钟差预报误差的影响;文中还完善了前人文献中利用阿伦方差计算Kalman预报噪声方差阵的推导;最后利用IGS数据,比较和分析了四种情况下Kalman预报、递推最小二乘和灰色系统GM(1,1)预报精度。结果表明在数据充足的情况下,对于一天内的短期预报,Kalman算法精度最高,预报结果与IGS事后精密钟差的标准差小于10ps。

卫星导航定位系统时间同步技术

卫星导航定位系统测距的基础是测时,而定轨和定位的前提是各观测量的时间同步,因此,时间同步是卫星导航定位系统建设的关键。卫星导航定位系统中时间同步技术包括卫星与地面(星-地)和地面站间(地-地)的时间同步,主要时间同步方法有用于星-地时间同步的双向时间频率传递法(TWSTFT)、倒定位法等,以及用于地-地时间同步的TWSTFT、卫星共视法、搬运钟法等。本文重点介绍TWSTFT和卫星共视法进行时间同步的基本原理、精度分析和卫星导航定位系统的钟差预报。

基于IGU星历的实时卫星钟差加密方法研究

主要介绍了利用IGS提供的超快速观测星历和预报星历进行5 min和30 s实时卫星钟差获取的方法,并对利用这两种星历文件获取的卫星钟差与IGS提供的最终星历做比较,最后得出结论:基于IGS的超快速观测星历采用线性模型预报实时卫星钟差的精度高于基于IGS超快速预报星历采用三次样条函数直接内插获得的实时卫星钟差的精度,可以达到3 ns,能够满足一般实时单点定位的精度要求。

基于BDS-2/BDS-3联合处理的北斗超快速钟差预报优化策略

针对北斗卫星导航系统(BDS)钟差预报产品无法满足高精度快速服务需求的现状,提出了一种基于BDS-2/BDS-3联合估计的超快速卫星钟差预报优化策略。区别于传统两步法预报模型,利用稀疏建模方法一步求解所有模型项,并通过BDS-2/BDS-3星间相关性实现了模型系数解的增强;为进一步降低模型残差的影响,基于残差序列时空相关性,利用半变异函数重构了模型估计的权阵。为验证提出的钟差预报模型,设计了12套对比方案,实验结果表明:基于稀疏建模的钟差模型参数一步估计可略微提高钟差预报精度;通过引入星间相关性对随机模型进行精化,钟差序列一步建模可分别将BDS-2与BDS-3卫星钟差18h预报精度提升28.6%与27.2%;基于半变异函数建模的模型残差相关性提取,可实现BDS-2与BDS-3预报钟差精度8.0%与11.1%的提升。因此,提出的优化策略对当前北斗超快速卫星钟差预报产品精化具有重要意义。

卫星出/入境期的钟差参数两步法拟合算法

卫星出境数小时后的入境钟差预报参数,是基于24小时历史数据拟合的二次项系数。在传统导航钟参数拟合算法的基础上,根据卫星钟的频偏和频漂参数在不同拟合时段的变化特性,分别选取最佳拟合时段,提出长短期数据结合的两步法拟合算法。基于实测数据的拟合预报实验表明,两步法的预报效果优于直接法。

顾及卫星间相关性的Kalman短期钟差预报

针对卫星钟受轨道影响而产生的卫星间相关性,提出顾及卫星间相关性的卡尔曼(Kalman)滤波多系统卫星钟差短期预报方法,对连续27天的德国地学研究中心(GFZ)事后多GNSS(全球卫星导航系统)精密钟差(GBM)频率稳定性、周期特性进行分析,并利用阿伦(Allan)方差和哈达玛(Hadamard)方差求取该预报模型随机噪声。1、3 h的预报实验结果表明,该预报模型精度相对于顾及卫星间相关性的附加周期项二次多项式、附加周期项二次多项式、Kalman滤波模型分别提升了8.95%,46.66%,7.35%。

基于偏最小二乘算法的BDS-2/BDS-3卫星钟差短期预报

针对机器学习算法在卫星钟差短期预报应用中训练数据量最佳确定、算法有效性评估研究较少的问题,以武汉大学IGS数据中心连续15d33颗事后BDS-2/BDS-3精密卫星钟差产品为例,基于钟差相位数据的偏最小二乘(PLS)、基于钟差相位数据一次差分的偏最小二乘(DPLS)、长短期记忆网络(LSTM)模型进行了BDS-2/BDS-3卫星钟差短期预报。实验结果表明:首先,选择第15天数据为测试样本,前14天距第15天最近的连续n d数据为训练样本时,n为8时,PLS模型预报性能达到最优;n为1、3、8时DPLS预报性能达到相对最优;n为11时LSTM预报性能最优;PLS、DPLS模型的预报效率较优,而LSTM预报效率较差,最大预报耗时分别为0.25s、0.90s、198.65min;随着测试样本的增加,LSTM模型的预报耗时显著增加,而其他两个模型预报耗时基本没有变化;其次,连续14d的短期预报(当前1天为训练样本,后1天为测试样本)结果表明,DPLS较PLS与LSTM模型,6h预报时长下,均方根误差(RMS)分别提升了31.26%、39.66%,极差(Range)分别改善了26.34%、40.30%,24h预报时长下,RMS分别提升了33.48%、42.68%,Range分别改善了29.77%、42.95%。

BDS星载原子钟周期项特性及预报研究

采用频谱分析方法对BDS星载原子钟的周期项变化规律进行分析,继而构建了附有周期项的精密钟差预报模型。在此基础上,对预报模型的短期预报效果和不同类型卫星的预报精度差异进行分析。结果表明,不同类型的卫星均表现出较为显著的12h和24h的周期项变化规律,但其对应的能量幅值存在差异;与传统的二次多项式预报模型相比,结合周期项改正的钟差预报模型能够提高预报精度,6h的预报精度约为2ns,24h的预报精度约为10ns。

基于星间链路体制的北斗卫星时间同步可行性分析

BD-3试验星上搭载了Ka频段星间链路(ISL)设备,可进行Ka波段对地观测。推导了星间链路时分观测体制双向时间同步的数学模型;以ISL星地观测数据为样本分析ISL体制时间同步的可行性,并与L波段观测结果比对。结果表明,ISL体制钟速拟合参数与L波段结果一致性较好,7d和3d弧段拟合精度在1ns以内,1d和1h弧段拟合精度均在0.2ns以内,较L波段拟合精度有所提高,其中1d为最优拟合时长;利用7d的实测星地钟差进行向后1d的钟差预报,结果显示,ISL星地钟差1d预报误差为2ns,较L波段预报精度略有提高;最后采用星地星间联合钟差观测,2d内观测残差为0.52ns,验证了ISL钟差观测的可行性。

基于多项式模型的改进卫星钟差预报方法

根据卫星钟固有的特性,提出了一种通用的卫星钟差预报方法。该方法在多项式模型的基础上,对多项式模型的选择、周期项修正、残差建模等方面进行了改进。首先利用拟合数据的残差标准差指标进行多项式模型的自适应选择,继而利用频谱分析的方法对钟差序列的周期项进行了建模,最后利用AR模型对消除趋势项的随机项进行建模。试验结果表明,改进的钟差预报模型能够显著地提高钟差的预报精度,对于稳定度较差的卫星的预报效果尤为显著。改进模型的卫星钟预报6h预报精度总体优于1ns,24h预报精度优于2ns.

卫星钟差稀疏自回归预报模型的研究

精密卫星时钟产品是进行高精度定位应用的重要基础,不断提高卫星时钟误差的预测精度是十分必要的。使用具有周期项的多项式预报模型对卫星钟差中的系统确定性误差进行预测,已广泛应用于精密单点定位技术。此模型在进行卫星钟差预报时,无法对时钟的随机性误差进行预测。使用稀疏化理论对自回归模型参数进行稀疏,降低模型非必要参数的影响,修正模型预报误差。结果表明:该方法能够有效提高卫星钟差短期预报的精度。

基于EM算法优化相关向量机的BDS-3超快速钟差预报

提出一种基于EM算法优化相关向量机(RVM)的BDS-3超快速钟差预报算法。首先,利用组合MAD法预处理钟差数据,并进行一次差分计算;然后,利用钟差一次差分数据对RVM模型进行训练,通过EM算法迭代求取模型的超参数;最后,利用优化后的RVM模型进行数据预测,将钟差一次差分预测值还原,得到钟差预报值。采用iGMAS中心提供的实测BDS-3超快速钟差数据进行预报实验,并将本文模型与QP模型、SA模型及iGMAS超快速钟差预报产品(ISU-P)结果进行对比分析。结果表明,对于6 h、12 h和24 h预报,本文模型预报BDS-3卫星钟差数据的平均精度均优于0.61 ns;与ISU-P、QP模型和SA模型相比,本文模型预报24 h时精度分别提升64.1%、50.0%和49.2%。

利用结构自适应极端学习机预报导航卫星钟差

针对卫星钟差难以用精确模型来进行预报的问题,将极端学习机（extreme learning machine,ELM）神经网络用于导航卫星钟差预报。针对ELM网络隐层结构难以确定的问题,提出了基于自适应共振理论（adaptive resonance theory,ART）网络思想的ELM网络结构设计算法。该算法将ART网络的聚类特性用于ELM网络结构设计中,通过对输入向量与已存模式的相似度比较将输入向量进行分类,自适应地确定隐层节点规模。使用GPS卫星钟差数据进行30d的预报实验,结果表明,此方法的钟差预报精度明显优于二次多项式模型和灰色系统模型。

星地测量数据部分丢失对卫星钟差预报精度的影响

本文研究了不同的测量数据丢失概率对卫星钟差预报精度的影响,给出了卫星钟差的3阶白噪声状态方程和基于星地无线电双向时间比对的测量方程,得到了类似于Kalman滤波器的递归形式和修正Riccati方程;随着时间的推进,修正Riccati方程的预测误差逐渐减小,直至达到稳态;并根据修正Riccati方程,采用数值分析方法得到了典型参数情况下卫星钟差预报精度与测量数据有效率的关系曲线。