样本输入方式对极端学习机预报日长变化的影响

针对极端学习机(Extreme Learning Machine,ELM)用于日长(Length-Of-Day,LOD)变化预报过程中,样本输入方式对预报结果的影响进行了研究。采用跨度、连续和迭代3种样本输入方式对日长变化进行预报。结果表明,不同的样本输入方式对预报结果有很大影响,样本按跨度输入的预报精度最低;样本采用连续输入方式在短期和中长期预报中预报精度较高,但计算速度较慢,较适合中长期预报;样本按迭代输入方式的短期预报精度稍优于连续输入方式,而中长期预报精度则不如连续输入方式,但具有较高的预报效率。这对于日长变化的实时快速预报有着较高的现实意义。     

利用端部效应改善的最小二乘外推模型进行UT1-UTC预报

现有的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畸变现象(数据处理中称为端部效应),预报精度难以取得较大改善。针对最小二乘拟合存在的端部畸变现象,首先采用时序分析方法在UT1-UTC序列两端进行数据延拓,形成一个新序列,然后用新序列求解最小二乘外推模型系数,最后再联合最小二乘外推模型及神经网络对UT1-UTC序列进行预测。结果表明,在UT1-UTC序列端部增加延拓数据,可以有效地抑制最小二乘拟合序列的端部畸变,相对于常规的最小二乘外推模型,基于端部效应改善的最小二乘(Edge-effect Corrected Least Squares,ECLS)外推模型的UT1-UTC中长期预报精度改善明显。     

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.     

e-VLBI技术及其在卫星定轨中的应用概况

e-VLBI技术继承了VLBI本身具有的极高角分辨率,且其利用高速通讯网络传送观测数据,能够快速得到观测结果,这些优点对于卫星的快速测定轨和提高卫星现有的定轨精度是十分有利的。通过对e-VLBI技术特点的分析及其发展历程的回顾,并结合卫星的差分VLBI观测原理,重点阐述和讨论了e-VLBI技术在我国的应用现状、发展及要求,展望了我国未来e-VLBI的发展前景。     

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.     

基于LS+AR模型的三种方式预报地球自转参数的比较

为研究最小二乘(least squares,LS)模型和自回归(autoregression,AR)模型的组合(LS+AR)方法用于地球自转参数(Earth rotation parameters,ERP)的预报时,不同的预报方式对预报结果的影响,我们采用递推、迭代和间隔这3种预报方式对ERP进行预报。结果表明,这3种方式对日长变化(length of day,LOD)所有跨度预报的精度相当,而递推方式在极移所有跨度的预报上表现出精度优势,间隔方式次之,迭代方式最差。在数据利用率和计算速度方面,递推和迭代方式的数据利用率高,但前者的计算量明显小于后者,而间隔方式的数据利用率低,但计算速度最快。     

X射线脉冲星导航可用目标源研究

脉冲星具有自转非常稳定的特性,在空间自主导航中有重要的应用前景.选择和研究一组适合于脉冲星导航使用的候选目标源非常重要,决定脉冲星导航精度的主要因素有:导航目标源X射线流量强度、目标源的位置精度和旋转参数精度.对可用于导航的一些X射线源进行了讨论研究,并对最适合做导航研究的转动能驱动的X射线脉冲星进行统计分析.     

利用结构自适应极端学习机预报导航卫星钟差

针对卫星钟差难以用精确模型来进行预报的问题,将极端学习机（extreme learning machine,ELM）神经网络用于导航卫星钟差预报。针对ELM网络隐层结构难以确定的问题,提出了基于自适应共振理论（adaptive resonance theory,ART）网络思想的ELM网络结构设计算法。该算法将ART网络的聚类特性用于ELM网络结构设计中,通过对输入向量与已存模式的相似度比较将输入向量进行分类,自适应地确定隐层节点规模。使用GPS卫星钟差数据进行30 d的预报实验,结果表明,此方法的钟差预报精度明显优于二次多项式模型和灰色系统模型。     

X射线毫秒脉冲星J0437-4715的多波段观测研究

基于澳大利亚PARKES天文台射电数据和RXTE (Rossi X-ray Timing Explorer)中ASM (All Sky Monitor)的X射线数据对毫秒脉冲星J0437-4715进行两个波段的研究.对J0437-4715在射电波段的观测运用TEMP02软件对不同终端系统的计时数据进行校准,提高了计时模型精度.用结构函数法,利用RXTE全天候扫描ASM的观测数据,对J0437-4715在X射线波段的光变进行中长期研究,发现它在X射线波段存在一个620 d的光变周期.