基于小波降噪的Kalman滤波预报卫星钟差

卫星钟差预报在实时高精度导航定位中具有重要作用,Kalman滤波模型是预报卫星钟差的重要方法之一。为了进一步提高Kalman滤波模型预报卫星钟差的精度,本文提出了基于小波降噪的Kalman滤波模型预报卫星钟差。该模型使用小波降噪后数据,在保留Kalman滤波模型特点的基础上,明显地提高了短期卫星钟差预报精度。     

一种基于灰色神经网络的卫星钟差预报策略

针对钟差预报中灰色神经网络模型种类较多、性质和适用范围尚未具体分析的问题,根据其预报特点,该文提出了一种基于灰色神经网络的自适应钟差预报策略。基于MGEX精密钟差数据进行预报实验,采用不同建模钟差数据量进行相同时间段钟差预报,对3种不同的灰色神经网络模型钟差预报效果进行对比,总结了几种预报模型的性质与适用范围。该文提出的自适应预报策略较好地平衡了几种灰色神经网络模型的特点,提升了钟差预报效果。基于该文策略的实验结果表明:所提策略能够有效利用不同灰色神经网络模型特点,提高钟差预报精度。在1d预报中,该策略较本文提及的其他可靠方法精度提升1%~3%;6h预报中,该策略较较灰色模型等精度提高0.02~0.09ns。     

基于噪声估计的卡尔曼滤波用于GPS卫星钟差预报研究

利用重叠哈达玛方差确定卫星钟噪声随机模型,采用顾及钟差随机噪声模型的卡尔曼滤波进行钟差预报分析,并与最小二乘预报算法相比较,得出以下结论:卡尔曼滤波进行1 d以内的短期预报时,精度达到亚纳秒级,优于最小二乘预报算法,在长期预报或拟合数据量较少时,最小二乘预报精度优于卡尔曼滤波。     

基于哈达玛总方差的卫星钟差参数估计与预报

钟差参数估计与预报是卫星导航系统应用中的一项关键技术。本文研究了基于哈达玛总方差的钟差参数预报方法。随机部分采用幂律谱模型,利用哈达玛总方差计算Kalman噪声参数,进而得到状态噪声和测量噪声协方差阵。最后利用IGS数据,验证了基于哈达玛总方差进行钟差参数估计与预报的适用性。结果表明,短期预报精度可达到亚纳秒级。     

基于Kalman滤波器的卫星钟差预报精度分析

Kalman滤波器稳态条件下的卫星钟差预报精度可作为评估星地时间同步性能的重要依据,研究了基于Kalman滤波器的卫星钟差预报精度问题。在卫星钟差包括3阶白噪声情况下,建立了卫星钟差的状态方程和测量方程,利用离散Riccati方程的非递归代数解,得到了Kalman滤波器的稳态解,进一步得到了卫星钟差预报误差,做了典型参数情况下的数值分析。     

一种改进的卫星钟差实时解算算法研究

卫星钟差是卫星定位的重要误差源,实时卫星钟差更是实时精密单点定位的关键技术.基于超快速预报轨道的非差法卫星钟差实时解算,卫星钟差精度会受伪距噪声的影响.基于滤波的参数估计方法,在固定模糊度后,利用载波相位联合模糊度修复伪距,可以削弱伪距噪声,提高卫星钟差解算精度.在实时卫星钟差解算中还可加快模糊度参数的收敛.     

GPS卫星钟差改正数实时预报算法

实时卫星钟差（satellite clock bias,SCB）的获取是实时精密单点定位（real-time precise point positioning,RTPPP）需要解决的关键问题。给出了国际GNSS服务（International GNSS Service,IGS）所提供的实时服务（real-time service,RTS）钟差产品的修复方法,分析了IGS02、IGS03实时数据流中GPS卫星钟差改正数的稳定性及其精度。同时,从原理上推导证明了钟差一次差分数据符合一次多项式模型,并结合对GPS卫星钟差改正数的分析提出了一种基于一次差分的钟差改正数预报算法,通过与一次多项式模型、二次多项式模型以及灰色模型的预报精度进行对比试验,结果表明,该钟差改正数预报算法预报精度有明显提高,预报30 s的精度达到0.06 ns,可满足实时精密单点定位的要求。     

一种遗传算法优化的卫星钟差预报

针对导航卫星钟差预报精度不高的问题,该文引入了GM-LSSVM钟差预报模型,采用全局寻优能力较强的遗传算法对模型的参数选取过程进行优化,避免模型陷入局部最优,从而改善了组合模型中惩罚因子和核函数参数选择的盲目性。最后选取国际GPS服务组织提供的卫星钟差数据,分别建立GM(1,1)模型、LSSVM模型、GM-LSSVM模型和遗传算法优化的GM-LSSVM模型进行短期钟差预报分析和仿真实验。仿真结果表明,优化后的模型预报精度小于1.3ns,精度比前3种模型提高了45%~60%,符合钟差预报的要求。     

卫星钟差预报的小波神经网络算法研究

卫星导航系统中星载原子钟的钟差预报在优化导航电文中的钟差参数、满足实时动态精密单点定位的需求和提供卫星自主导航所需的先验信息方面具有重要的作用.根据星载原子钟钟差的特点,提出一种基于一次差方法的小波神经网络钟差预报算法:首先对钟差相邻历元间作一次差后的差值进行建模,根据时间序列预报一次差的值,然后再将预报的一次差还原,得到钟差预报值.该方法使得预报钟差的小波神经网络不但模型结构简单,而且预报精度高.最后,通过算例将本文所建模型与常用的二次多项式模型和灰色模型进行对比,结果表明:一次差方法可以使给定结构的小波神经网络的钟差预报精度得到显著提高,而且所建模型的预报效果优于两种常规模型.     

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%。     

BDS卫星实时钟差估计

随着无人驾驶等高新技术的快速发展，实时精密单点定位在GNSS领域中受到越来越多的关注。研究实时卫星钟差的获取和实时定位精度具有较大的现实意义，本文为研究耦合BDS卫星轨道、钟差产品对定位精度的影响，采用不同精度的轨道产品实时获取卫星钟差。分析了卫星钟差误差与轨道误差之间的相关性及钟差对轨道误差的吸收能力，发现卫星钟差能够吸收95%以上的轨道径向误差和部分切线误差，在一定程度上弥补了轨道误差引起的定位误差。采用耦合的卫星轨道、钟差产品，单BDS系统定位精度可达到分米级的定位结果。     

实时卫星钟差基准精化方法

在基于精密单点定位(PPP)的授时方法中,卫星钟差产品的高精度时间基准至关重要.针对实时卫星钟差产品时间基准不够稳定的问题,本文采用一组具有原子钟外部输入的国际全球卫星导航系统(GNSS)服务(IGS)跟踪站建立了顾及原子钟变化特性的基准精化方法.该方法首先采用阿伦方差对不同的IGS跟踪站外接原子钟进行稳定度分析,挑选出一组稳定度高的原子钟用以精化时间基准.在此基础上,利用阿伦方差分析各台原子钟的噪声参数特征,并确定不同原子钟之间的权比关系.最终,建立时间基准改正量的随机模型,并计算出精化后的时间基准.通过实例验证表明:与IGS事后精密钟差产品定义的时间基准比较,改正后的实时钟差基准单天内的标准差(STD)优于0.1 ns,相比于改正前最高提升了93%.同时,基准改正后的天内万秒稳达到10^-15量级,实现了一个量级的提高.此外,通过相对钟差精度的分析,表明钟差基准修正不影响PPP的定位精度.     

几种精密卫星钟差加密方法的比较与分析

卫星钟差是影响GPS高精度单点定位的一个重要因素,通过分析几种加密GPS精密卫星钟差的方法,将加密结果与GFZ(German Research Centre for Geosciences)提供的数据进行比较,并通过精度分析,得出分段线性插值法是加密GPS精密卫星钟差一种较为可靠的方法。     

基于钟差预测的铯原子钟频率异常检测算法及性能分析

提出一种基于钟差预测的铯原子钟频率异常检测算法.将钟差预测不确定度的解析表达式作为理论依据,以预测误差作为检验统计量,对检验统计量做二元假设检验.在两种情况下,检验统计量都服从正态分布.通过约束虚警概率(PFA),查询正态分布的分布函数,得到对应的检测门限值.根据在异常情况下的检验统计量分布函数和检测门限值,推导给出了...     

多核相关向量机的BDS卫星钟差预报算法

针对BDS卫星钟差数据中非线性特性较为复杂且难以精确预测的问题,提出一种基于多核相关向量机的卫星钟差预报算法.使用武汉大学IGS中心MGEX提供的实测BDS精密钟差数据进行预报试验,并将本文的方法与QP、QP-Period以及LS-SVM模型进行对比.结果 表明:MKF-RVM预报24 h的BDS-2卫星钟差数据的精度...     

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。