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.     

线性加权组合Kalman滤波在钟差预报中的应用

建立原子钟运行模型,实时预报钟差,在时频工作以及卫星导航定位中有着非常重要的意义.目前,Kalman滤波是一类重要的钟差预测模型.为了充分利用各种Kalman滤波模型的特点,提出了线性加权组合Kalman滤波模型.因此详细讨论了如何对每种Kalman滤波模型赋权,并且给出了两种简单而又实用的赋权方法.最后,以IGS(International GNSS Service)精密铷钟数据为例,运用该模型计算了预报误差.结果表明,线性加权组合Kalman滤波模型有利于提高钟差预报的准确性和可靠性.     

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.     

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.     

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.     

自适应Kalman滤波用于实时求解原子钟运行参数

实时准确掌握原子钟运行情况,对卫星导航和守时工作来说有着重要意义.针对标准Kalman滤波实时求解原子钟运行参数存在的问题,提出了运用基于预报残差的自适应Kalman滤波模型实时求解钟参数.该模型在标准Kalman滤波模型基础上,构造了一个自适应因子,使得当原子钟在调频或调相后能较快地给出准确可靠的运行参数估值.最后结合导航和守时工作的3个算例,验证了该方法的有效性.     

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.     

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.     

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.     

Prediction of Clock Errors of Atomic Clocks Based on Modified Linear Combination Model†

The prediction of the clock errors of atomic clocks plays an important role in the work on time and frequency. Each of the prediction models often used at present has its own merits and shortages. A combination of the predicted results obtained by means of these models can be used to synthesize the characteristics of various kinds of prediction models. In the light of the problem which occurs when the linear combination model is used to make the prediction of clock errors, the concept of learning weight is proposed and the modified combination prediction model is made by taking advantage of various kinds of pieces of accuracy information. For verifying the efficiency of this method the clock error sequences of the IGS (International GNSS Service) of 4 GPS satellites are selected and the predicted results of the quadratic polynomial and grey model are combined. The result shows that the modified model can further improve the stability and accuracy based on the guarantee of the reliability.     

Long-term Clock Bias Prediction Based on An ARMA Model

The long-term and reliable prediction of satellite clock bias (SCB) is an important prerequisite for realizing the satellite autonomous navigation and orbit determination. Considering the shortcomings of the quadratic polynomial model (PM) and gray system model (GM) in the long-term prediction of SCB, a new prediction method of SCB based on an ARMA (Auto-Regressive Moving Average) model is proposed to represent the variation characteristics of SCB more accurately. In this paper, a careful precision analysis of the 90-day SCB prediction is made to verify the feasibility and validity of this proposed method by using the IGS (International GNSS Service) clock data. According to the variation characteristics of each satellite clock, the pattern recognition, modeling and prediction of SCB are conducted, and the detailed comparison is made with the other three models at the same time. The results show that adopting the ARMA model can effectively improve the accuracy of long-term SCB prediction.     

光钟与氢钟联合的时间尺度算法研究

光钟的频率稳定度和不确定度达到了10^-18量级, 使其有望成为下一代的时间频率标准, 并可能用来重新定义国际单位“秒”. 时间尺度作为准确、连续标记时间流逝过程的基准, 是高精度时间产生的基础. 时间尺度的产生需要依赖连续稳定运行的原子钟, 而光钟作为实验室原型设备, 一般不能连续运行, 因此光钟参与时间尺度计算是个难点问题. 提出将Vondrak-Cepek组合滤波算法应用在光钟与氢钟联合计算的时间尺度, 以解决间歇运行的光钟参与时间尺度计算的难点问题. 首先利用氢钟的时差数据, 采用ALGOS算法计算获得连续稳定的氢钟时间尺度. 其次利用Vondrak-Cepek组合滤波算法将氢钟时间尺度与光钟的数据综合, 获得光钟参与计算的联合时间尺度. 最终试验结果证明, Vondrak-Cepek组合滤波算法有效提升光钟与氢钟联合时间尺度的性能,该时间尺度与协调世界时(Coordinated Universal Time, UTC)的时间偏差达到亚纳秒量级.     

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.     

Research on the Method of Noise Error Estimation of Atomic Clockstwo

The simulation methods of different kinds of noises of atomic clocks are given. The frequency flicker noise of atomic clocks is studied by using the Markov process theory. The method for estimating the maximum interval error of the frequency white noise is studied by using the Wiener process theory. Based on the operation of 9 cesium atomic clocks in the laboratory of time and frequency primary standards of NTSC (National Time Service Center), the noise factors of power-law spectrum models are estimated, and the simulations are carried out according to the corresponding noise models. Finally, the maximum interval error estimates of the frequency white noises generated by the 9 cesium atomic clocks are acquired.     

一种新的守时型原子钟综合时间尺度方法研究

在这篇文章中, 提出了一种基于改进的指数平滑和Vondrak_Cepek联合平滑的氢铯综合时间尺度产生方法. 以最小误差方法为理论基础, 动态估计氢原子钟频率漂移参数, 提升氢原子钟钟差预测准确度; 基于改进的二次指数平滑产生氢原子钟组时间尺度、加权平均方法产生铯原子钟时间尺度, 同时设计Vondrak_Cepek滤波器以结合两类时间尺度长短期稳定度优势, 提升综合时间尺度性能. 实验结果表明, 所提方法产生的氢铯综合时间尺度时稳可达1.60x10^-15,天稳可达3x10^-15,优于ALGOS、AT1和Kalman滤波3种经典方法产生的时间 尺度性能.     

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.