一种新的北斗卫星钟差预处理方法

为了提高卫星钟差预报的精度,针对钟差数据中量级较小的误差,提出了一种基于中位数的小波阈值法钟差数据预处理策略。首先,利用小波阈值方法将钟差数据进行分解,得到分解后的高频系数和低频系数。然后,利用中位数法处理各层影响阈值设置的高频系数,通过处理后的高频系数计算阈值,从而提高小波阈值法剔除小异常值的能力。最后,用北斗二号卫星钟差数据进行了验证,结果表明,利用所提方法处理后的钟差数据建模,小波神经网络（wavelet neural network,WNN）模型预报的精度提高约14.1%,预报稳定性提高约19.7%。该方法可以有效剔除钟差历史观测序列中量级较小的误差,改善钟差数据质量,从而提高模型钟差预报的精度。     

BDS卫星钟差数据异常值类型识别的卷积神经网络方法

北斗卫星导航系统(BeiDou navigation satellite system,BDS)卫星钟差数据中存在多种不同类型的异常值,直接影响钟差预报的质量和性能分析的可靠性。钟差数据预处理是进行钟差预报和分析的前提条件,其中,对异常值的识别是钟差数据预处理的关键。提出一种面向BDS卫星钟差数据异常值识别的卷积神经网络方法。首先将数值型钟差数据转换为灰度二值图格式的数据;然后根据钟差的图形化特征差异进行分类,制作异常值识别的训练集和测试集;最后利用卷积神经网络方法训练钟差数据异常值识别模型,实现钟差数据异常值的精确识别。利用BDS钟差数据进行实验验证,结果表明,所提方法能够精确高效地识别BDS钟差各种类型的异常值,提高了BDS钟差数据预处理的质量和效率。     

改进中位数方法的BDS卫星钟差数据预处理策略

针对卫星钟差数据中会经常出现粗差等数据异常的问题,该文提出了一种基于改进的中位数(MAD)方法的北斗卫星钟差数据预处理策略。该策略首先对长时间段卫星钟差数据的非空数据进行提取,然后将提取的非空数据转换为对应的频率数据,用改进的MAD方法进行处理,在此基础上再对长时间段的卫星钟差数据基于每天的数据采用改进的MAD方法进行再次预处理。通过对北斗卫星1a钟差数据的预处理,从钟差序列本身及其对应的频率序列和钟差的拟合残差3个方面对所提预处理策略进行了验证。实验表明,此策略能够有效地识别并处理北斗卫星钟差数据中的异常值。     

改进中位数方法的BDS卫星钟差数据预处理策略

针对卫星钟差数据中会经常出现粗差等数据异常的问题,该文提出了一种基于改进的中位数(MAD)方法的北斗卫星钟差数据预处理策略。该策略首先对长时间段卫星钟差数据的非空数据进行提取,然后将提取的非空数据转换为对应的频率数据,用改进的MAD方法进行处理,在此基础上再对长时间段的卫星钟差数据基于每天的数据采用改进的MAD方法进行再次预处理。通过对北斗卫星一年钟差数据的预处理,从钟差序列本身及其对应的频率序列和钟差的拟合残差3个方面对所提预处理策略进行了验证。实验表明,此策略能够有效地识别并处理北斗卫星钟差数据中的异常值。     

改进中位数方法的BDS卫星钟差数据预处理策略

针对卫星钟差数据中会经常出现粗差等数据异常的问题,该文提出了一种基于改进的中位数(MAD)方法的北斗卫星钟差数据预处理策略。该策略首先对长时间段卫星钟差数据的非空数据进行提取,然后将提取的非空数据转换为对应的频率数据,用改进的MAD方法进行处理,在此基础上再对长时间段的卫星钟差数据基于每天的数据采用改进的MAD方法进行再次预处理。通过对北斗卫星一年钟差数据的预处理,从钟差序列本身及其对应的频率序列和钟差的拟合残差3个方面对所提预处理策略进行了验证。实验表明,此策略能够有效地识别并处理北斗卫星钟差数据中的异常值。     

卫星钟差预报模型的分析与比较

为了分析二次多项式模型(QP)、灰色模型(GM(1,1))、时间序列模型(ARIMA)以及小波神经网络模型(WNN)这4种模型钟差预报的效果,采用GPS提供的RTS精密钟差数据作为实验数据,通过不同数量的建模数据对4种常用模型进行建模;并预报接下来的30 min和1 h两个时长的钟差数据.据此对4种模型的钟差预报效果进行分析和比较,总结了各模型预报钟差的优点与不足.     

优选小波函数的小波神经网络预报GPS卫星钟差

为了提高卫星钟差预报的精度,针对小波神经网络(WNN)模型未能根据实际情况选取合适的小波函数的问题,本文提出一种基于"Shannon熵-能量比"的优选小波函数的小波神经网络钟差预报模型。首先利用小波函数对钟差一次差分数据进行连续小波变换,得到变换后的小波系数。然后分别计算小波系数的能量值和Shannon熵值,将"Shannon熵-能量比"(SEE)作为最优小波函数选择的评价指标,以指导选择最适合的小波函数作为WNN模型的激活函数。最后利用优选的WNN模型对卫星钟差进行预报,对预报的结果进行对比分析。结果表明:该评价指标能够根据卫星钟差实际情况准确指导WNN模型选择合适的小波函数,提高WNN模型的预报精度和适用性,使该模型可以实现卫星钟差较高精度的预报。     

利用中位数的GPS卫星钟跳探测方法

GPS卫星钟跳是导航卫星钟差数据处理中的一种常见的数据异常。针对由钟差数据量较大引起的粗差探测效率低下,影响用户定位精度的问题,该文对基于中位数的粗差探测方法进行研究;并在分析钟差数据特性的基础上将此方法进行扩展,使其不仅能够探测卫星钟差数据中的粗差,还能探测卫星钟跳。实验结果表明,该文方法能够较好地进行粗差探测和钟跳探测。     

卫星钟差预报的小波神经网络算法研究

卫星导航系统中星载原子钟的钟差预报在优化导航电文中的钟差参数、满足实时动态精密单点定位的需求和提供卫星自主导航所需的先验信息方面具有重要的作用。根据星载原子钟钟差的特点,提出一种基于一次差方法的小波神经网络钟差预报算法:首先对钟差相邻历元间作一次差后的差值进行建模,根据时间序列预报一次差的值,然后再将预报的一次差还原,得到钟差预报值。该方法使得预报钟差的小波神经网络不但模型结构简单,而且预报精度高。最后,通过算例将本文所建模型与常用的二次多项式模型和灰色模型进行对比,结果表明:一次差方法可以使给定结构的小波神经网络的钟差预报精度得到显著提高,而且所建模型的预报效果优于两种常规模型。     

卫星钟差预报的小波神经网络算法研究

卫星导航系统中星载原子钟的钟差预报在优化导航电文中的钟差参数、满足实时动态精密单点定位的需求和提供卫星自主导航所需的先验信息方面具有重要的作用.根据星载原子钟钟差的特点,提出一种基于一次差方法的小波神经网络钟差预报算法:首先对钟差相邻历元间作一次差后的差值进行建模,根据时间序列预报一次差的值,然后再将预报的一次差还原,得到钟差预报值.该方法使得预报钟差的小波神经网络不但模型结构简单,而且预报精度高.最后,通过算例将本文所建模型与常用的二次多项式模型和灰色模型进行对比,结果表明:一次差方法可以使给定结构的小波神经网络的钟差预报精度得到显著提高,而且所建模型的预报效果优于两种常规模型.     

最小二乘支持向量机回归的卫星钟差非线性组合预报

针对应用单一方法预报卫星钟差的局限性,文章提出了基于最小二乘支持向量机回归的卫星钟差非线性组合预报方法:首先根据历史钟差数据建立二次多项式模型和灰色模型,然后利用这些模型进行钟差预报,最后采用最小二乘支持向量机回归算法对两种模型的预报结果进行非线性组合,以获得最终预报值;对比了RBF核函数、线性核函数和多项式核函数对组合预报性能的影响,并将本文组合预报方法与经典权组合方法进行比较。结果表明,本文方法优于经典权法,且线性核函数更适合组合预报。     

含误差预报校正的GM(1,1)卫星钟差预报新方法

为了提高卫星钟差预报精度,该文提出用AR(p)模型对GM(1,1)建模过程中的模型残差进行建模预报,以此来提高GM(1,1)模型预报卫星钟差的精度。首先,剔除卫星钟差数据中的异常值,采用拉格朗日插值法将缺失的数据补齐;然后,用GM(1,1)模型对卫星钟差进行预报,对GM(1,1)的模型残差作平稳化处理后,采用AR(p)模型对处理后的残差序列进行预报;最后,将GM(1,1)和AR(p)模型的预报结果对应相加即得到钟差的最终预报值。此外,该文采用IGS公布的事后精密卫星钟差进行预报试验,并将该文结果与卫星钟差预报中常用的二次多项式和修正指数曲线法模型预报结果进行对比分析。结果表明,该方法可以对GPS卫星钟差进行高精度的中短期预报。     

基于小波变换和神经网络的卫星钟差预报分析

目前IGS提供的实时钟差精度不够,事后精密钟差也有13d的延迟,有必要对钟差预报进行研究。文中利用小波神经网络模型进行钟差预报,首先利用小波对原始钟差序列进行分解、降噪,然后利用神经网络进行建模并预报,将得到的结果同灰色模型和二次多项式模型的结果进行对比分析,得出小波神经网络模型可以更好地进行钟差预报的结论。     

基于ARMA模型的BDS卫星钟差异常值探测及其短期预报

星载原子钟在运行过程中会受到恶劣空间环境与设备老化等因素的影响,使得卫星钟差数据中经常存在异常值,其中AO(additive outlier)类异常值是钟差序列中常见的一类异常值。结合最大期望算法与自回归滑动平均(autoregressive moving average,ARMA)模型,提出一种AO类异常值探测算法。该算法可以准确探测孤立AO类异常值与成片AO类异常值,有效克服了其他算法经常出现的淹没与掩盖现象。在成功探测钟差序列AO类异常值的同时,该算法可以估计得到精确的ARMA模型,进而能准确地进行卫星钟差预报。利用仿真数据与北斗卫星钟差实测数据进行计算分析,结果表明,所提算法可以精确探测出钟差序列AO类异常值,并且具有很好的卫星钟差预报效果。     

北斗卫星钟差异常值处理的似然比方法

北斗卫星导航系统(BDS)星载原子钟由于受到空间环境的影响和各种不确定因素的干扰,导致获取的卫星钟差数据中经常会出现异常扰动,从而降低了卫星钟性能分析的可靠性、破坏了钟差建模和预报的有效性、影响导航定位结果的精准度,需要对BDS卫星钟差数据中存在的异常值进行探测和处理。基于求和自回归移动平均模型建立BDS卫星钟差异常值探测的方差膨胀模型;运用似然比方法对BDS卫星钟差时间序列中的异常值进行探测;推导了Score检验统计量,运用最小二乘法对异常扰动的大小进行估计。试验结果表明,似然比方法能够准确探测BDS卫星钟差数据中异常值的位置,精确估计异常扰动的大小。     

基于MEA-BP神经网络的卫星钟差预报

卫星钟差是影响导航定位精度的重要因素之一,建立高精度的钟差预报模型对高精度定位有重要意义。针对常用模型卫星钟差在短期预报中随时间增加误差积累,以及传统BP神经网络不稳定,容易出现过拟合等问题,本文提出一种基于思维进化算法(MEA)优化的BP神经网络钟差预报模型和算法。首先对原始钟差数据进行一次差处理;然后利用思维进化算法对BP神经网络的初始权值和阈值进行优化,给出该模型进行钟差预报的具体步骤;选用IGS站提供的多天GPS精密钟差产品数据进行试验分析,使用GPS一天中前12 h数据建模,进行2、3、6和12 h的钟差预报。结果表明:利用MEA-BP模型得到的上述4种时段的预报精度分别优于0.36、0.38、0.62和1.56 ns,预报误差曲线变化起伏较小,说明新模型的预报性能优于3种传统模型,新模型在钟差预报短期预报中的实用性及稳定性是较佳的。     

卫星钟差预报的T-S模糊神经网络法

结合钟差数据的特点,提出了一种基于变化率的T-S模糊神经网络(TSFNN)钟差预报模型。首先计算相邻历元间钟差的变化率值并对其进行建模;然后利用TSFNN模型预报钟差变化率值,再将预报的变化率值还原,得到钟差预报值;最后,通过算例将本文所建模型与IGU-P产品、二次多项式模型(QP)及灰色模型(GM(1,1))进行试验对比。结果表明:在使用变化率方法后,TSFNN模型预报的精度和稳定性分别提高了69.8%和76.3%,而且与IGU-P钟差产品相比,预报的精度高出约10倍,同时模型预报的效果优于两种常用模型。因此,该模型可以实现卫星钟差较高精度的预报。     

一种新的钟差预处理方法及在WNN钟差中长期预报中的应用

为了提高导航卫星钟差中长期预报的精度,在提出一种针对钟差一次差分序列的数据预处理方法的基础上,建立了一种钟差中长期预报的小波神经网络模型。该模型首先对建模钟差数据进行一次差分,然后对一次差分序列进行预处理;用预处理后的一次差分序列对小波神经网络建模并进行中长期预报,最后将预报结果还原得到相应的钟差预报值。使用全球定位系统(GPS)卫星的铷钟数据进行中长期预报,并与常用的二次多项式模型、灰色模型、Kalman滤波模型进行对比,结果表明,本文方法能有效减小导航卫星星载铷钟钟差的中长期预报误差。     

利用遗传小波神经网络预报导航卫星钟差

针对卫星钟差难以用精确模型来进行预报问题,首先通过遗传算法优化适合非线性时间序列预报的小波神经网络的网络参数,得到预报性能更好的遗传小波神经网络(GWNN);然后根据钟差数据的特点对钟差进行预处理,建立了一种能够高精度、近实时预报钟差的GWNN钟差预报算法。使用GPS卫星钟差进行一天内的预报实验证明了本方法的有效性。结果表明,通过本方法得到的预报钟差较IGS超快预报钟差在精度上有了较大的改善。     

基于广义延拓逼近法的QZSS卫星钟差内插精度分析

卫星钟差数据插值是高精度定位数据处理中的重要环节,其插值结果直接影响定位精度,但常用的插值或拟合方法具有不同缺点. 本文尝试将广义延拓逼近法应用于准天顶卫星系统(QZSS)卫星钟差数据的处理中,介绍了Lagrange插值法、切比雪夫拟合法和广义延拓逼近法的原理,以及滑动式与非滑动式的区别;然后使用QZSS钟差数据探讨三种方法的参数(组)取值与插值结果精度的关系;最后比较三种方法在各自最优参数(组)取值情况下对QZSS卫星钟差的插值精度. 结果表明:选取合理的参数组合,广义延拓逼近法完全适用于QZSS卫星钟差的插值,且插值精度明显高于其他两种方法.