利用端点延拓提高LS + NN模型的UT1-UTC预报精度

现有UT1-UTC预报模式在进行周期项与残差项拟合分离时,通常没有考虑最小二乘拟合序列的端部效应,预报精度难以取得较大提高。针对最小二乘拟合存在的端部效应,首先采用灰色模型在UT1-UTC序列的两端进行数据延拓,形成一个新序列,然后对新序列进行最小二乘拟合,最后再联合最小二乘和神经网络(LS+NN)模型对UT1-UTC原始序列进行外推。结果表明,对UT1-UTC序列进行端点数据延拓再进行最小二乘拟合,能够有效地改善最小二乘拟合序列的端部效应;相对于常规LS+NN模型,端部效应改善的LS+NN模型的UT1-UTC预报精度有一定提高,尤其对中长期预报精度提高更为明显。     

顾及最小二乘拟合端点效应的日长变化预报

针对日长(Length Of Day,LOD)变化预报中最小二乘(Least Squares,LS)拟合存在端点效应的问题,采用时间序列分析方法对日长变化序列进行端点延拓,形成一个新序列,然后用新序列建立最小二乘模型,最后再结合最小二乘模型和自回归(Autoregressive,AR)模型对原始日长变化序列进行预报。实验结果表明,在日长变化序列两端增加统计延拓数据,能有效减小最小二乘拟合序列的端点畸变,从而提高日长变化的预报精度,尤其对中长期预报精度提高明显。     

利用经验模态分解提高极移预报精度（英文）

经验模态分解(Empirical Mode Decomposition,EMD)是一种数据驱动的自适应非线性、非平稳信号分解方法。为提高极移预报精度,将经验模态分解应用于极移预报中。首先利用经验模态分解方法对极移序列进行分解,获得极移的高频分量和低频分量;然后采用最小二乘(Least Squares,LS)外推模型对极移低频分量进行拟合,获得最小二乘拟合残差;其次采用自回归(Autoregressive,AR)模型对极移高频分量和最小二乘拟合残差之和进行建模预报;最后将最小二乘模型和自回归模型外推值相加获得极移预报值。将经验模态分解和LS+AR组合模型预报结果与LS+AR模型预报以及地球定向参数预报比较竞赛(Earth Orientation Parameters Prediction Comparison Campaign,EOP PCC)的预报结果进行比较,结果表明,将经验模态分解应用于极移预报中,可以明显改善极移预报精度。     

基于极限学习机的极移中长期预报

传统的极移预报多是基于最小二乘外推和自回归等线性模型,但极移包含了复杂的非线性成分,线性模型的预报效果往往不甚理想。将一种新型神经网络极限学习机(Extreme Learning Machine, ELM)用于极移中长期预报。首先利用最小二乘外推模型对极移序列进行拟合,获得趋势项外推值,然后采用极限学习机对最小二乘拟合残差进行预报,最终的极移预报值为趋势项外推值与残差预报值之和。将极限学习机的预报结果同反向传播(Back Propagation, BP)神经网络与地球定向参数预报比较活动(Earth Orientation Parameters Prediction Comparison Campaign, EOP PCC)的预报结果进行对比,结果表明,极限学习机用于极移中长期预报是高效可行的。     

基于混沌时间序列的Volterra自适应滤波极移预报方法

针对极移复杂的时变特性, 根据混沌相空间坐标延迟重构理论, 提出一种基于Volterra自适应滤波的极移预报方法. 首先, 利用最小二乘拟合算法分离极移序列中的线性趋势项、钱德勒项和周年项, 获得线性极移、钱德勒极移和周年极移的外推值; 其次, 通过C-C关联积分法对最小二乘拟合残差序列进行相空间重构, 并利用小数据量法计算残差序列的最大Lyapunov指数验证其混沌特性, 在此基础上, 构建Volterra自适应滤波器对残差序列进行预测; 最后, 将线性极移、钱德勒极移和周年极移的外推值以及最小二乘拟合残差的预测值相加获得极移最终预报值. 利用国际地球自转服务局(International Earth Rotation and Reference Systems Service, IERS)提供的极移数据进行1--60d跨度预报, 并将预报结果分别与国际地球定向参数预报比较竞赛(Earth Orientation Parameters Prediction Comparison Campaign, EOP PCC)结果和IERS A公报发布的极移预报产品进行对比, 结果表明: 对于1--30d的短期预报, 该方法的预报精度与EOP PCC最优预报方法相当, 当预报跨度超过30d时, 该方法的预报精度低于EOP PCC最优预报方法, 优于参与EOP PCC的其他方法; 与IERS A公报相比, 该方法的短期预报效果较好, 当预报跨度增加时预报精度低于IERS A公报. 预报结果表明该方法更适合于极移短期预报.     

经验模式分解在极移超短期预报中的应用

经验模式分解(Empirical Mode Decomposition,简称EMD)是一种数据驱动的自适应非线性时变信号分解方法,可以把数据分解成具有物理意义的模式函数分量.采用EMD对极移序列进行分解,去除序列中的高频信号,然后基于最小二乘外推(Least Squares Extrapolation,简称LSE)和广义回归神经网络(General Regression Neural Network,简称GRNN)的组合模型对去除高频信号的极移序列进行1～10d的超短期预报.实验结果表明:将该模型应用到极移超短期预报具有可行性,预报精度有明显改善.     

一种改正LS+AR模型提高短期极移预报精度的方法

最小二乘(Least Squares,LS)与自回归(Auto Regressive,AR)联合(LS+AR)模型在极移预报(polar motion,PM)中存在以下问题:最小二乘拟合的内部残差值较好而LS外推的残差值较大;LS拟合残差序列是非线性的,故根据预报历元前的残差序列建立的AR模型可能并不适用于待预报的残差序列,存在不匹配预报的情况.针对这两个问题,通过以下方法进行解决:首先对LS拟合数据两端点附加约束条件使其固定到LS拟合曲线上,因此在两端点附近的拟合值与观测值十分接近;然后选取与LS外推残差序列变化趋势接近的内推残差序列作为AR模型的建模对象,进行残差预报.通过实例表明该方法能够有效地提高LS+AR模型在短期极移预报的精度.此外,通过与RLS(Robustified Least Squares)+AR、RLS+ARIMA(Auto Regressive Integrated Moving Average)和LS+ANN(Artificial Neural Network)模型的预报结果对比,证明了该方法在极移预报中的可行性.实例证明了所提出的方法在短期预报中可以取得良好的预报结果,尤其在1–10d超短期的极移预报上可以获得与国际最好预报精度相当的预报结果.     

最小二乘和自回归模型方法联合预报天极偏差序列

为更好地实现天极偏差序列的预报,采用了最小二乘(least-squares,LS)拟合外推与自回归模型(autoregressive,AR)联合预报方法 (LS+AR),并对预报精度进行评估。结果表明,LS+AR模型对CPO序列1～5 d的短期预报有较高的精度,而对5～90 d的预报,dx方向大约为110μas,dy方向大约为130μas。而国际上常用的Lambert模型的预报精度比较平稳,其中dx方向在120μas左右,dy方向在220μas左右。结果表明,LS+AR模型的预报精度总体上优于Lambert模型。     

一九八三年以来地球自转速率的变化及(UT1—UTC)预报

自1983年以来,我们承担了BPM短波时号UT1-UTC控制发播的任务。几年来,控制发播和预报UT1-UTC的精度不断提高,满足了用户的要求。在此项工作中,我们还发现这几年地球自转速率在不断加快。     

一种改进钟差二次多项式模型的导航卫星钟差预报方法

为了更好地反映钟差特性并提高其预报精度,建立一种能够同时考虑星载原子钟物理特性、钟差周期性变化与随机性变化特点的钟差预报模型.首先采用附有周期项的二次多项式模型进行拟合提取卫星钟差(Satellite Clock Bias,SCB)的趋势项与周期项,然后根据拟合残差的特点采用时间序列ARIMA(Auto-Regressive Integrated Moving Average)模型对残差进行建模;最后将两种模型的预报结果结合得到最终钟差预报值.使用IGS(International GNSS Service)精密钟差数据进行预报试验,将新方法与二次多项式模型、灰色模型及ARIMA模型进行对比,证明了新方法能够更高精度地预报卫星钟差,且可以一定程度上改善ARIMA存在模型识别与定阶不准的不足.     

考虑LS+AR模型基础数据量的极移预报研究

针对目前极移最小二乘(Least Square, LS)+自回归(AutoRegressive, AR)预报模型的单一数据选取方案, 提出分别考虑LS模型数据量和AR残差数据量的组合数据模式, 并对极移预报时单一数据和组合数据预报结果精度进行分析, 探讨模型输入数据量对极移预报精度的影响. 结果表明, 模型输入数据量的变化对极移预报结果影响较大. 采用组合数据预报的方式相比较于单一数据量预报方式精度更高, 特别是针对30--360 d跨度内的中长期预报, 组合数据量的极移预报精度可比单一数据量预报精度有较大改善. 结论证明组合数据在极移预报时具有一定的优势, 可为以后极移预报数据量选取提供一定的借鉴参考意义.     

基于经验模式分解和最小二乘支持向量机的卫星钟差预报

针对卫星钟差(satellite clock bias,SCB)呈现非线性、非平稳变化的特性,提出结合经验模式分解(empirical mode decomposition,EMD)和最小二乘支持向量机(least squares support vector machines,LSSVM)的钟差预报方法.首先对钟差相邻历元间作一次差,并利用经验模式分解将差分序列分解成若干不同频率的平稳分量,分解后的分量突出了差分序列不同的局部特征;然后根据各个分量的变化规律,选择合适的核函数和相关参数构造不同的最小二乘支持向量机模型分别预报;最后将各分量预报值叠加得到一次差预报值,再将其还原得到钟差预报值.实验结果表明,所提方法与常用的二次多项式(quadratic polynomial,QP)模型、灰色系统(grey model,GM)模型和单一的最小二乘支持向量机模型相比,具有较高的预报精度和较强的泛化能力.     

基于有效角动量函数的多参数极移预报

极移的变化与多种激发息息相关,这些激发包括大气表面压力和大气风、海底压力和洋流、陆地水分布以及气候变暖导致的海平面变化,并且可以通过有效角动量函数来估计.在极移预报中,通过刘维尔方程融合有效角动量函数,并利用最小二乘与自回归组合的方法进行拟合及外推,同时,对自回归模型的可调节参数设置更多的选择,在不同的极移预报阶段,对于不同分量的预报匹配更优的参数,有效地提高了极移的预报精度.在441次1–90 d的极移预报实验中,短中期的预报改善更为明显,在1–6 d和7–30 d的极移X预报结果中,分别有56.9%和53.5%优于国际地球自转服务(International Earth Rotation Service, IERS)的预报;在1–6 d和7–30 d的极移Y预报结果中,分别有66.5%和59.7%优于IERS的预报.整体上,极移Y的预报精度比极移X的预报精度有更多的提升,以IERS的地球定向参数(Earth Orientation Parameters, EOP)产品EOP 14C04 (IAU2000A)为参考,极移X预报在第1 d、第5 d的MAE (Mean Absolute...     

基于高斯过程的日长变化预报

由于日长(length-of-day,LOD)变化具有复杂的时变特性,传统线性模型如最小二乘外推模型、时间序列分析模型等的预报效果往往不甚理想,所以将一种新型的机器学习算法—高斯过程(Gaussian processes,GP)方法用于LOD变化预报,并将预报结果同利用反向传播神经网络(back propagation neural networks,BPNN)和广义回归神经网络(general regression neural networks,GRNN)的预报结果以及地球定向参数预报比较竞赛(Earth Orientation Parameters Prediction Comparison Campaign,EOP PCC)的预报结果进行对比.结果表明,GP用于LOD变化预报是高效可行的.     

基于灰色模型和最小二乘支持向量机的卫星钟差预报

提出一种联合灰色模型（Grey Model,GM）和最小二乘支持机（Least-Squares Support Vector Machines,LS-SVM）回归算法的卫星钟差智能组合预报方法。首先根据历史钟差数据建立不同的GM（1,1）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不同GM（1,1）模型的预报结果进行非线性组合,以获得最终预报值。该方法在充分利用灰色模型所需原始数据少、建模简单等优点的基础上,结合最小二乘支持向量机所具有的小样本、非线性、泛化能力强等特性,提高了预报可靠性和精度。实例验证了该组合方法的可行性、有效性和实用性。     

预报模型及建模序列长度对钟差短期预报精度影响研究

针对全球定位系统(Global Positioning System, GPS)星载原子钟在钟差预报时与不同模型的适应度不同的问题,采用二次多项式(Quadratic Polynomial, QP)模型、灰色(Grey Model, GM(1,1)模型和灰色+自回归(GM(1,1)+Autoregressive, GM(1,1)+AR)模型对不同类型原子钟的钟差进行预报,着重分析不同类型原子钟的预报精度、不同长度钟差序列建模预报效果以及钟差序列波动对预报结果的影响。实验结果表明:(1)钟差预报精度与建模序列长度有一定关系,二次多项式模型受影响最大,灰色+自回归模型受影响最小;(2)不同卫星原子钟在不同预报模型下最佳建模序列长度不同,铷钟受建模序列长度的影响小于铯钟;(3)二次多项式模型对铯钟预报效果较差,对铷钟预报效果可与灰色模型和灰色+自回归模型相当;(4)钟差序列波动时,建模预报精度降低,不同模型的预报结果受钟差波动幅度大小的影响不同。     

机架模型下指向误差数据的筛选与分析

对地平式望远镜机架模型拟合的指向误差数据进行分析,介绍了指向误差数据的获取方法.采用最小二乘法求解修正系数,结合方位轴和高度轴的位置拟合指向修正量.在显著性水平α=0.05下进行残差分析,剔除偏离过大的点以提高拟合精度.通过计算均方根误差、相关系数、F检验的P值验证了机架模型的有效性.结果说明增加测试数据后,未经残差检...     

北斗系统测站钟差短期预报模型比较及其在单星定轨中的应用

北斗卫星导航系统(BDS)地面跟踪站都配置有高精度的氢原子钟,并基于精密定轨数据处理与主站的时间基准进行同步.在卫星轨道机动以及机动恢复期间,通常采用几何法定轨以及单星定轨确定卫星的轨道.而在这两种定轨模式中,需要提供精确的测站钟差作为输入.为提高定轨的实时性,需要对测站钟差进行预报处理.分析了2次多项式模型、附加周期项模型、灰色模型3种模型对北斗地面跟踪站钟差短期拟合和预报的性能,并将钟差预报结果应用于单星定轨,同时还分析了不同预报钟差用于定轨的精度.试验发现,以上3种模型对6个测站钟差的平均拟合精度分别为0.14 ns、0.05 ns、0.27 ns,预报1 h的平均精度分别为1.17 ns、0.88 ns、1.28 ns,预报2 h的平均精度分别为2.72 ns、2.09 ns、2.53 ns.采用3种模型对测站钟差进行预报并用于单星定轨,采用附加周期项的钟差预报模型轨道3维误差最小,不同模型轨道径向精度差异在3 cm以内.以上结果表明,附加周期项的站钟拟合及预报模型在北斗系统机动期间的轨道恢复数据处理具有最好的效果.     

Wavelet变换端部效应的讨论

本揭示和讨论了小波变换时频谱分析中随频率而变化的端部效应现象；提出和叙述了跳步时间序列分析的模型和方法，用以限制小波变换的端部效应，改进信号检测的分辨率；并通过模拟天资料序列的试验，证实了跳上不时序模型对限制小波变换端部效应的显贡献。     

卫星钟差预报模型中周期项的选取方法及性能分析

针对卫星钟差预报(SCB)中周期项选取方法存在的问题,在分析卫星钟周期波动特性的基础上,给出了正确的周期项选取方法,并与现有方法进行了比较.利用IGS(International GNSS Service)的卫星钟差数据,比较分析了二次多项式加周期项模型与传统模型的预报精度.从理论上分析了周期项对传统模型的改善程度及适用条件.结果表明:按照提出方法得到的周期项更符合实际,将其应用于钟差预报时能获得更高的预报精度,大量仿真实验还表明卫星钟周期性波动相对较大时周期项对传统模型有明显改善.