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.     

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。     

基于GM(1,1)和MECM组合模型的GPS卫星钟差中短期预报

针对卫星钟差呈现趋势项和随机项变化的特点,提出了基于GM(1,1)(灰色预报模型)和修正指数曲线法(Modified Exponential Curve Method,MECM)的组合预报模型.该模型首先采用GM(1,1)预报钟差的趋势项,然后利用MECM模型对GM(1,1)残差序列进行建模和预报,最后将GM(1,1)和MECM模型的预报结果相加得到钟差的最终预报值.此外,采用IGS(International Global Navigation Satellite System Service)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和MECM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.使用12 h钟差建模时,预报6 h、12 h、18 h和24 h的平均预报精度分别为0.43 ns、0.63 ns、0.74 ns和0.79 ns,相比于二次多项式的平均预报精度分别提高了57.43%、69.71%、80.47%和86.74%,相比于MECM模型的平均预报精度分别提高了50.57%、64.41%、76.80%和84.20%;使用24 h钟差建模时,预报6 h、12 h、18h和24 h的平均预报精度分别为0.57 ns、0.61 ns、1.02 ns和1.48 ns,相比于二次多项式的平均预报精度分别提高了32.94%、55.47%、55.07%和53.16%,相比于MECM模型的平均预报精度分别提高了92.98%、66.30%、65.42%和63.99%.     

基于一次差的灰色模型在卫星钟差预报中的应用

根据星载原子钟钟差的特点,提出一种基于一次差的灰色GM(1,1)钟差预报方法.该方法首先对相邻历元的钟差作一次差,然后以一次差后的值建立灰色模型预报一次差的值,最后将预报的一次差还原即得到钟差预报值.以IGS(International GNSS Service)提供的采样率为5 min的精密钟差为实验数据,通过对不同长度的建模数据和不同预报步长进行对比分析.结果表明:该方法的预报精度较传统的灰色模型有了较大提高,特别是对于PRN01原子钟,其预报效果最好;采用一次差原理可有效改善和提高模型预报的精度和稳定性,应用于钟差较长时间预报是可行的,可靠性较强.     

遗传算法优化的BP神经网络卫星钟差预报

针对BP (Back Propagation)神经网络模型预测卫星钟差中权值和阈值的最优化问题, 提出了基于遗传算法优化的BP神经网络卫星钟差短期预报模型, 给出了遗传算法优化BP神经网络的基本思想、具体方法和实施步骤. 为验证该优化模型的有效性和可行性, 利用北斗卫星导航系统(BeiDou navigation satellite system, BDS)卫星钟差数据进行钟差预报精度分析, 并将其与灰色模型(GM(1,1))和BP神经网络模型预报的结果比较分析. 结果表明: 该模型在短期钟差预报中具有较好的精度, 优于GM(1,1)模型和BP神经网络模型.     

基于Takagi-Sugeno模糊神经网络模型的卫星钟差预报方法

卫星钟差预报精度的不断提升是精密导航的关键问题.为了进一步提高钟差的预报精度和更好地反映钟差的变化特性,提出一种基于Takagi-Sugeno模糊神经网络(Fuzzy Neural Network,FNN)的钟差预报方法.该方法首先根据钟差数据的特点对钟差进行预处理,然后以预处理后的数据建立一种高精度预报钟差的Takagi-Sugeno模糊神经网络算法.采用IGS(International Global Navigation Satellite System Service)不同采样间隔的精密钟差数据进行了短期预报试验,并与ARIMA(Auto-Regressive Integrated Moving Average)模型、GM(1,1)模型及QP(Quadratic Polynomial)模型进行了对比试验,分析结果表明:对不同类型原子钟,该方法用于钟差短期预报是可行的、有效的,其获得的卫星钟差预报结果明显优于常规方法.     

BDS/GPS星载原子钟的短期钟差预报模型研究

针对BDS(BeiDou Navigation Satellite System)/GPS(Global Positioning System)星载原子钟特性和卫星钟差预报模型研究中存在的若干问题,在介绍4种单一模型(多项式模型(QR)、灰色模型(GM)、时间序列模型(ARMA)和广义回归神经网络模型(GRNN))的基础上,引入了经典权组合模型(CM)和修正经典权组合模型(Modified CM).利用武汉大学卫星导航定位技术研究中心的卫星精密钟差产品对BDS/GPS星载原子钟的短期钟差预报模型进行研究,并对比了不同卫星钟和不同模型的预报效果.试验结果表明:单一模型对于BDS卫星钟(C04(GEO Rb)、C07(IGSO Rb)、C14(MEO Rb))的钟差预报精度跳跃性很大;而对于GPS卫星钟(G04(Block IIA Rb)、G09(Block IIA Cs)、G16(Block IIR Rb)、G31(Block II-M Rb)、G27(Block IIF Rb)、G24(Block IIF Cs))的预报精度变化比较平稳;同一种预报模型应用在不同类型的卫星钟序列中,预报精度差异较大.然而,修正经典权组合模型在保证预报可靠性的前提下提高了预报精度,在一定程度上优于其他模型.     

灰色模型修正及其在实时GPS卫星钟差预报中的应用研究

在GPS实时精密单点定位中,卫星钟差的实时可靠预报是实现GPS实时高精度单点定位的关键之一.星载GPS原子钟频率高,非常敏感,极易受到外界及其本身因素的影响,从而很难掌握其复杂细致的变化规律,这些属性符合灰色系统理论的特点.因此,考虑将钟差的变化过程看作一个灰色系统.在探讨二次多项式和灰色模型卫星钟差预报局限性基础上,提出了利用改进的灰色模型实时预报GPS卫星钟差的研究,最后利用3个不同时段的GPS卫星钟差资料进行不同采样间隔钟差预报精度分析、灰色模型指数系数与预报精度的关系、与二次多项式预报精度比较分析,总结不同卫星钟差类型与模型指数系数的一般关系,并与IGS最终钟差星历产品比较,验证本文提出的改进预报模型的可行性和有效性.为实时GPS动态精密单点定位提供较高精度的卫星钟差产品.     

基于ARMA模型的导航卫星钟差长期预报

卫星钟差长期可靠预报是实现卫星自主导航定轨所要解决的重要前提之一.针对多项式模型(PM)、灰色模型(GM)等常用的钟差预报方法存在的预报误差较大的情况,为了有效地进行卫星钟差预报和更好地反映卫星钟差变化特性,将ARMA(Auto-Regressive Moving Average)模型引入到卫星钟差预报中,利用IGS(International GNSS Service)提供的卫星钟差观测数据进行90 d的长期预报,根据各个卫星钟差的变化特性,对其进行模式识别、建模和预报,并与其它3种模型进行了较为细致的比较.计算结果表明,采用ARMA模型可以有效地提高卫星钟差的长期预报精度.     

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。     

二次多项式模型和灰色理论模型在接收机钟差预报中的应用和比较

为了更好地对接收机钟差作科学、准确的预报,基于实验室解算出的接收机钟差数据,分别采用二次多项式模型和灰色理论模型对接收机钟差进行了预报和分析.预报结果及其比较表明,对于需要用少量接收机钟差数据建立预报模型时,灰色理论模型预报不论是单点预报还是多点(30个点)预报,其预报精度都优于二次多项式预报模型,可以在实际工作中应用.     

基于Vondrák滤波1阶差分灰色模型的卫星钟差预报方法

为了提高卫星钟差预报的精度,提出基于Vondrák滤波1阶差分的灰色模型算法.首先,对原始钟差数据序列采用Vondrák滤波处理后,得到1组新的钟差数据序列.然后,对相邻历元的钟差数据序列作1阶差分处理.最后,基于Vondrák滤波后的1阶差分的钟差差值数据序列,建立了GPS钟差预报的灰色模型.此外,采用了IGS(International Global Navigation Satellite System Service)公布的精密卫星钟差数据进行了预报试验,通过与卫星钟差预报中常用的2次多项式模型和直接采用原始钟差数据建立灰色预报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.在12 h、16 h、20 h和24 h的平均预报精度分别为0.50 ns、0.85 ns、1.08 ns和1.27 ns,相比于2次多项式模型的平均预报精度分别提高了24.24%、15.84%、12.90%和11.81%;相比于直接采用原始钟差数据建立灰色预报模型的平均预报精度分别提高了56.14%、49.40%、48.82%和47.80%.     

泛函网络在导航卫星钟差中长期预报中的应用

为了更好地反映导航卫星钟差特性以及提高导航卫星钟差中长期预报精度,在对卫星原子钟差预报建模时,除考虑卫星原子钟频移、频漂和频漂率等物理性质外,还考虑了卫星钟差的周期性变化和随机性等特点.在传统多项式预报模型基础上,采用泛函网络对卫星钟差的周期项和随机项部分进行建模,利用GPS导航卫星钟差数据进行预报实验,并与传统的多项式模型、灰色系统模型、差分自回归滑动平均(ARIMA)模型以及Kalman滤波方法的预报结果进行比对,结果表明,基于泛函网络建立的混合预报模型能有效减小导航卫星钟差的中长期预报误差.     

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.     

基于小波分析和神经网络的卫星钟差预报性能分析

为了有效地进行卫星钟差预报和更好地反映卫星钟差特性,提出了一种基于小波分析和神经网络的4阶段混合模型来实现卫星钟差的预报,并给出了基于小波分析和径向基函数(Radial Basis Function,RBF)神经网络进行卫星钟差预报的基本思想、预报模型和实施步骤.采用"滑动窗"划分数据,利用神经网络预测小波分解和去噪后的钟差序列各层系数,更精确地把握钟差序列复杂细致的变化规律,从而更好地逼近钟差序列.为验证该混合预报模型的可行性和有效性,利用GPS卫星钟差数据进行钟差预报精度分析,并将其与灰色系统模型和神经网络模型进行比较分析.仿真结果显示,该模型具有较好的预报精度,可为实时GPS动态精密单点定位提供较高精度的卫星钟差.     

广义回归神经网络在日长变化预报中的应用

传统的日长变化预报多是基于线性模型,如最小二乘模型、自回归模型等,但是日长变化包含了复杂的非线性因素,线性模型预报的效果往往不甚理想.所以尝试使用一种非线性神经网络—广义回归神经网络(GRNN)模型进行日长变化预报,并将结果与使用BP (Back Propagation)神经网络模型和其它模型的预报结果进行比较.结果表明,GRNN用于日长变化预报是高效可行的.     

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.     

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.     

附有周期项的预报模型及其在GPS卫星钟差预报中的应用研究

为了有效进行GPS卫星钟差预报和更好地反映卫星钟差特性,除了考虑卫星原子钟频移、频漂和频漂率等物理性质外,还应考虑到卫星钟差的周期性变化特点.在二次多项式模型基础上,增加了周期项因素,构造了新的预报模型.选取部分GPS卫星铯钟(Cs.clock)和铷钟(Rb.clock)钟差资料,根据钟差变化趋势分3种情况,按不同时间长度进行钟差预报分析,并与二次多项式模型的预报结果比较分析,大量数据分析表明:附有周期项的二次多项式模型预报精度优于二次多项式模型,铷钟预报精度略优于铯钟.     

基于修正线性组合模型的原子钟钟差预报

原子钟钟差预报在时频工作中起着重要作用.目前常用的预报模型各有优缺点,为了综合各种预报模型特点,可以考虑组合这些模型预报的结果.针对线性组合模型预报钟差时存在的问题,提出了学习权的概念,以有效地利用各种精度信息,建立了修正组合预报模型.为了验证该方法的有效性,选取了4颗GPS卫星IGS(International GN...