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。     

星地时间同步钟差异常处理的Bayesian方法

由于星地时间观测受大气层和地球表面环境影响,时间观测序列容易出现粗差,原子钟性能也可能出现相应异常扰动,需要对粗差进行分析处理。对此,本文引入基于识别变量的自回归(auto-regressive,AR)模型异常值探测的Bayesian方法对星地时间同步钟差序列中的异常值进行探测,进一步基于迭代似然比检验法中的异常值描述模型,将异常值估值问题转化为简单的线性模型最小二乘估计问题,以期对钟差序列中的异常值进行修复。实验表明本文的方法能够准确的探测出异常值的位置并精确的估计出异常值的大小。     

卫星钟差异常值探测的抗掩盖与淹没型算法

北斗卫星导航系统(BDS)卫星钟差异常值处理过程中,由于成片异常值的存在,往往会产生掩盖与淹没现象,致使异常值探测效率不高甚至失败。基于求和自回归移动平均模型,分析了时间序列中成片加性AO(Additive Outlier)异常值探测时易产生掩盖与淹没现象的原因;考虑了差分及逆差分对异常值探测的影响,提出了成片AO类异常值探测的抗掩盖与淹没新算法。通过仿真算例,验证了新算法对于序列中成片AO类异常值探测的准确性和有效性。将算法应用于BDS卫星钟差异常值探测和钟差预报中,较好地克服了数据中掩盖和淹没现象产生的影响,对于进一步提高卫星钟差的预报精度具有重要作用。     

BDS卫星钟差半参数平差模型异常数据探测与处理

针对北斗卫星钟差数据中出现钟跳、粗差等异常数据频次较高的问题,将半参数平差模型引入BDS的钟差数据的处理过程中。首先,在考虑系统误差的同时,改进了常用的钟差模型;其次,综合考虑异常数据和系统误差,利用补偿最小二乘原理和极值求解方法,详细推导了分离异常数据前后参数和非参数估计值与相应观测值改正数的关系表达式,实现了异常数据的定值、参数求解和系统误差分离。在此基础上,引入Cook距离,给出了利用参数分量和非参数分量的Cook距离及混合Cook距离,去判断异常值的位置,并给出了一些参数的选取方法及相应的处理措施,实现了卫星钟差异常数据的定位和定值以及部分系统误差的分离。最后,采用武汉大学GNSS中心提供的采样间隔为5 min的北斗卫星精密钟差数据,将本文方法与常用方法进行了试验对比。试验结果表明,本文方法能够有效地识别并处理卫星钟差数据中的异常值,有效克服了基于经验阈值钟差异常数据探测方法的不足,且该方法对于量级较小的异常钟差数据也有很好的探测效果,一定程度丰富了现有的BDS钟差数据质量控制方法。     

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。     

基于ARIMA模型的卫星钟差异常值探测的模型选择方法

由于各种不确定因素的干扰,人们获取的卫星钟差数据中经常会出现异常扰动,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,影响了导航定位结果的精准度。对此,以求和自回归移动平均模型为基础,建立了钟差时间序列异常值探测模型;基于Bayes统计原理,将异常值的定位和定值问题转化为模型选择问题;通过模型后验概率的近似计算,构建了模型选择的度量标准,避免了复杂的迭代计算问题。通过全球定位系统和北斗导航卫星系统不同卫星钟差数据的仿真试验,验证了所提出的方法对于卫星钟差序列中异常影响的定位和定值的正确性和有效性。     

基于BDS观测网的卫星钟差完备性监测

卫星钟差质量直接影响到高精度用户的定位结果,因此需对钟差实时监测,即为卫星钟差完备性监测。它是导航系统完备性理论体系中重要的组成部分。本文基于BDS伪距观测值,利用多个BDS/GPS基准站计算卫星钟差并分析各卫星与不同基准站的观测值的残差,若某一卫星的观测值残差与其他卫星残差差异超过限值,应给出示警信息,实现BDS卫星钟差的完备性监测。基于上述理论,基于BDS网观测数据进行BDS卫星钟差完备性监测,并分析BDS卫星钟差的监测结果。该方法初步实现了BDS卫星钟差完备性监测,为后续BDS完备性监理论研究提供了一定的技术支持。     

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。     

幂函数变换的GM(1,1)模型在BDS卫星钟差预报中的应用研究

由于卫星钟存在频率高、敏感性强、极易受到外界影响从而导致观测数据波动大,预测结果精度低的问题,利用幂函数变换法对初始观测数据进行变换预处理,从而提高观测数据的平顺度.由此提出一种基于幂函数变换的GM(1,1)模型,选用北斗卫星导航系统(BDS)卫星钟差进行插值和预报,并且进行了精度验证.实验结果表明:Lagrange插值方法可以满足高精度BDS的钟差的插值需要;利用幂函数变换的GM(1,1)模型相比传统模型精度有效提高了,而且当改进模型和传统模型预报值越接近实际值,则幂函数改进的GM(1,1)模型精度更高,适用性更强,对BDS卫星钟差预报具有实际参考价值.     

钟差预报AR模型异常值探测的Bayes方法

主要研究了时间序列AR模型的异常值探测问题。首先在一定的限制条件下,将AR模型的异常值探测问题转化为线性回归模型的异常值探测问题;并在正态-Gamma先验条件下,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。然后运用Bayes方法对异常值进行了估算。最后通过卫星钟差实测数据计算,比较了模型修正前后预报的情况,验证了新方法的有效性。