EEMD分解的超快速北斗卫星钟差预报

为提高北斗卫星钟差预报精度,本文提出采用多项式和集合经验模态分解相结合的模型进行北斗卫星钟差的预报,并采用GPS数据验证算法的正确性。在剔除卫星钟差中的趋势项部分后,利用经验模态分解法对残差分解得到不同频率的时间序列。对各时间序列用不同模型进行预报并进行线性组合,最终的钟差预报值由趋势项和各时间序列的预报值复合而成。试验表明:该模型对北斗卫星钟差预报取得了较好的结果,与ISU-P相比,精度提升幅度在7.3%~43.0%之间。     

一种北斗卫星钟差短期预报组合方法

针对北斗卫星钟差预报研究较少的情况,基于灰色模型与BP神经网络模型,构建一种全新的组合预测模型. 该组合钟差预测模型通过最优权方法有效结合两种单一模型的优点,实现北斗钟差的短期预报. 最后,以北斗三种型号卫星所携带的原子钟数据为例,计算出每种单一模型的权重,通过构建最优权预报模型实现了钟差的短期预报,预报结果优于两种单一模型,证明了该组合预报模型在钟差短期预测方面有效性与适用性.      

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。     

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.     

顾及钟差随机项的GPS卫星钟差预报

针对卫星钟差呈趋势项和随机项变化的特点,提出了基于GM(1,1)与自回归求和移动平均的组合预报模型。该模型首先采用GM(1,1)模型预报钟差的趋势项部分,然后利用ARIMA模型对GM(1,1)的模型残差序列进行建模和预报,最后将GM(1,1)和ARIMA模型的预报结果对应相加即得到钟差的最终预报值。此外,采用IGS公布的精密卫星钟差进行预报试验,通过与卫星钟差预报中常用的二次多项式模型和修正指数曲线法模型预报结果的对比分析,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。用12 h钟差建模时,预报未来6、12、24和48 h的平均预报精度分别为0.71、1.17、1.93和4.38 ns,相比于二次多项式模型的平均预报精度分别提高了29.70%、43.75%、67.62%和76.21%;相比于修正指数曲线法模型的平均预报精度分别提高了18.39%、33.90%、61.40%和70.49%。     

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。     

利用改进灰色模型的钟差预报算法及其精度分析

灰色模型在钟差长期预报中虽具有一定的优势,但是预测的精度还有进一步提高的可能。在本文中,采用经过数据预处理和残差修正对一阶灰色模型进行了改进,再对GPS卫星钟差进行不同时间尺度上的预报。算例利用IGS提供的精密钟差产品,建立了一个基于改进灰色模型的预报算法,改进灰色模型的预报精度较传统的二次项模型有了很大的提高,且预报结果的收敛性也获得了一定程度的改善。     

一种组合模型在卫星钟差长期预报中的应用研究

近年来,卫星钟差长期预报普遍采用灰色模型,该模型的预报精度虽较传统的二次多项式模型有所提高,但仍不理想。本文在其基础上提出了一种新的组合模型:首先利用灰色模型估计的残差建立二次多项式模型,预报以后历元的残差,然后和灰色模型的预报结果相加;并分析了利用不同历元个数的残差建模所得组合模型的精度,将组合模型与灰色模型、二次多项式模型的预报精度进行了比较。结果表明:组合模型相对于灰色模型的预报精度能提高一个数量级左右,验证了本文提出的组合模型的可行性和有效性。     

顾及周期项的北斗卫星钟差建模与预报

以三种卫星轨道的北斗卫星精密钟差为数据源,在采用频谱分析诊断出钟差拟合残差的周期特性基础上,分析了不同类型轨道卫星钟差的周期性特征;为实现钟差拟合残差的周期拟合,讨论了不同阶数三角级数对建模精度的影响,继而采用顾及周期项的二次多项式模型进行钟差的建模与预报,分析比较了不同轨道类型卫星钟差的预报精度情况。     

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。     

北斗广播电文钟差模型精度评估及改善策略

星载原子钟是北斗卫星导航系统(BDS)的核心设备,其钟差模型是北斗广播电文的重要组成部分,模型精度直接影响BDS的服务性能.本文采用星地双向时频传递(TWSTF)钟差测量为参考,评估了BDS广播电文钟差模型精度,结果表明BDS广播电文钟差模型精度优于2 ns(数据龄期小于12 h).针对BDS广播电文钟差参数解算问题,结合BDS地面段的钟差模型解算策略,本文提出进一步提升精度的多种策略.对于1h时长的短期预报,本文提出加权线性模型与混合区间线性模型的钟差拟合预报方法,短期预报精度可提高20％ 以上;对于预报时长大于6 h的中长期预报,本文采用谱分析钟差时间序列,并根据谱分析结果构造预报模型,与简单的二次多项式模型预报相比,预报6 h精度提高13％,预报12 h平均提高了21％;对于IGSO/MEO卫星,本文提出将TWSTF的设备时延值作为参数估算,使钟差模型在设备切换后精度提高18％.最后,利用本文提出的改进策略对2017年1月—6月的钟差数据重新处理,获得了新的广播电文钟差模型时间序列.利用新的广播电文钟差模型进行北斗监测接收机定位,结果表明,N、E、U 3个方向精度分别提高14.22％、29.39％、14.91％,显著提升了BDS广播电文钟差服务性能.     

基于最优权组合方法的北斗卫星钟差预报

基于北斗卫星全球服务开通运行,北斗精密定位与导航中钟差预报至关重要.本文深入研究灰色模型与神经网络模型钟差预报之后,通过最优权组合方法将二者有效的结合,最优权组合模型融合二者预报模型的优点,实现北斗钟差精准预报.最后,以北斗钟差数据为例,通过北斗三种卫星携带的原子钟,建立最优权组合钟差预报模型,确定组合模型中单模型的权...     

北斗三号卫星钟差短期预报与稳定性分析

针对北斗三号(BDS-3)卫星钟短期预报问题,在分析卫星原子钟频率稳定性的基础上,选用时间序列模型(ARIMA)、灰色模型(GM)、一次多项式(LP)以及二次多项式(QP)四种钟差预报模型对30天的数据进行拟合预报分析. 实验结果表明:1) 相对于北斗二号(BDS-2),BDS-3原子钟具有更高的稳定性. 其中BDS-3氢钟的千秒稳定性、万秒稳定性和日稳定性分别达到了4.2×10?14、1.89×10?14、4.14×10?15;2) BDS-3氢钟和BDS-3新型铷钟的预报稳定性和精度相对于BDS-2铷钟有明显提高,并且BDS-3氢钟在3 h、6 h和12 h下的预报精度分别达到了0.12 ns、0.18 ns和0.30 ns;3) 在四种模型中,时间序列模型的预报精度最高,在3 h、6 h和12 h下精度分别为0.26 ns、0.47 ns和0.96 ns.      

基于ARMA模型的GPS钟差预报改进研究

以导航卫星钟误差预报钟常用的传统预测方法(二次项拟合模型与灰色模型)为基础,依据各自适用的特点,对IGS提供卫星钟差的时间序列进行了分解并建模分析。二次多项式模型参与建模的观测数据多,模型比较稳定,但是模型是关于时间的函数,随着时间的增长,预报误差也会积累,因此适合短期预报。灰色模型仅利用4个数据即可建立模型,因此可以加快建模的速度,模型的精度与时间没有直接关系,因此适合长期预测。传统预测模型二次多项式拟合与灰色模型建模时忽略了钟差中的随机项,利用时间序列模型对随机项进行了时间序列分解分析。     

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。     

一种北斗卫星钟差短期预报新方法

为提高北斗卫星的定位与授时精度，必须准确计算出卫星钟差数值。本文考虑北斗卫星钟差中随机部分误差的影响，尝试建立北斗卫星钟差拟合推估模型，根据拟合推估两步极小解法解算该模型，在求解协方差函数系数中，依据模型残差拟合多项式系数；并与常用的灰理论模型、拟合推估的正常解法钟差预报模型结果进行比对，算例结果表明了两步极小解法及拟合推估模型在北斗卫星钟差短期预报方面的有效性。     

历元差分模型在北斗卫星钟差实时解算中的应用

卫星钟差是影响卫星定位精度的重要误差源之一,而实时精密单点定位又要求卫星钟差实时更新。卫星钟差的解算可通过非差模型或历元差分模型实现,但非差模型涵盖较多的载波相位模糊度参数,相比消掉模糊度参数的历元差分模型,计算效率要慢许多。历元差分模型仅利用载波相位观测量就可获得高精度卫星钟差历元间差,恢复后的卫星钟差仍可达到一定精度水平。利用历元差分模型可实现北斗卫星钟差的实时解算,试验结果表明:通过滤波得到的卫星钟差历元间差精度优于0.02 ns,恢复后的卫星钟差精度优于0.25 ns.      

卫星钟差单差的小波神网络预报

针对现有卫星钟差预报模型对非平稳过程预报的局限性,提出基于卫星钟差一次差值的小波神经网络预报模型。对在轨卫星钟差求取一次差值的基础上,运用小波神经网络模型预报GPS卫星钟差,同时与GM(1,1)模型预报的结果进行比较。得出BlockΠA Cs短期预报的精度能达到0.690ns,14d预报的精度最差时依然优于1ns;其余稳定性良好的卫星钟,一天预报的结果均要优于0.207ns,预报14d卫星钟差的平均精度优于0.183ns,部分卫星钟差预报精度可以达到0.050ns,预报得到的结果可以达到GPS对实时精密单点定位的要求。     

一种建筑沉降叠加预测方法

针对高层建筑的沉降监测与趋势预报问题,结合时间序列分析方法,该文提出一种基于ARMA的趋势项和随机项叠加预测法,把沉降监测时间序列数据分解为趋势项与随机项,分别建立趋势回归函数模型与随机项ARMA模型,叠加进行沉降量的预报,并通过上海外滩某高层建筑的沉降监测实例,研究并比较了该方法与传统的ARIMA差分预测法对建筑沉降预报精度的影响。实验结果表明:基于ARMA的趋势项和随机项叠加预测法在沉降预报中精度优于基于ARIMA的差分预测法。该方法利用趋势回归函数的保持作用,克服了传统的时间序列ARIMA模型在长期预测中精度不高的问题,并且随着预测步长的增加,优势更加明显。     

GPS卫星钟的特性与预报研究

经实验分析发现:GPS卫星钟差的预报精度与卫星的种类密切相关,最近发射的BLOCK ⅡR和BLOCKIIR-M类卫星比以往的BLOCK ⅡA类卫星要更加稳定,其卫星钟差的预报精度明显较高。直接利用IGS超快速产品和线性模型预报后6小时的卫星钟差,精度在0.5纳秒水平;但一些BLOCK ⅡA类卫星是不稳定的,通过对其预报残差的分析发现:同一颗卫星每天在相同时段用相同的模型去预报其卫星钟差,预报所得的残差呈周期性变化,并且这种周期性变化并不完全重合,还具有一定的随机性。依据这一特性本文构建了一个新的预报模型来实时预报GPS卫星钟差。该模型不仅能预报卫星钟差的总体变化趋势,还能预报残差的周期性变化以及随机项的变化,因此精度更高。预报结果均与IGS发布的最终产品相比,实验显示利用该方法实时预报GPS卫星钟差,预报精度可达0.5纳秒水平。