BDS精密卫星钟差建模与预报

针对BDS卫星钟差的短期预报问题,该文采用二次多项式模型、灰色模型和线性组合模型来对BDS中3种不同类型卫星10d的精密钟差进行建模与短期的预报。拟合时长增加,预报精度也会逐步增高并趋于稳定。预报精度会随着预报时长的增加而降低,当预报时长为50min以内时,预报精度为亚纳秒级。3种模型的钟差预报精度均在1ns以内,其中二次多项式模型的预报精度优于灰色模型,线性组合模型预报精度介于二者之间。利用3种模型的钟差预报结果进行精密单点定位实验,所得的平均定位精度在E、N方向上误差最大不超过3cm,U方向上误差最大不超过5cm。验证了利用二次多项式模型、灰色模型和组合模型在卫星钟差的短期预报中是可行的。     

BDS卫星钟差半参数平差模型异常数据探测与处理

针对北斗卫星钟差数据中出现钟跳、粗差等异常数据频次较高的问题,将半参数平差模型引入BDS的钟差数据的处理过程中。首先,在考虑系统误差的同时,改进了常用的钟差模型;其次,综合考虑异常数据和系统误差,利用补偿最小二乘原理和极值求解方法,详细推导了分离异常数据前后参数和非参数估计值与相应观测值改正数的关系表达式,实现了异常数据的定值、参数求解和系统误差分离。在此基础上,引入Cook距离,给出了利用参数分量和非参数分量的Cook距离及混合Cook距离,去判断异常值的位置,并给出了一些参数的选取方法及相应的处理措施,实现了卫星钟差异常数据的定位和定值以及部分系统误差的分离。最后,采用武汉大学GNSS中心提供的采样间隔为5 min的北斗卫星精密钟差数据,将本文方法与常用方法进行了试验对比。试验结果表明,本文方法能够有效地识别并处理卫星钟差数据中的异常值,有效克服了基于经验阈值钟差异常数据探测方法的不足,且该方法对于量级较小的异常钟差数据也有很好的探测效果,一定程度丰富了现有的BDS钟差数据质量控制方法。     

AR序列异常值探测的Bayes方法在卫星钟差预报中的应用

AR模型中若含有异常值,会使传统的建模、估计及检验方法陷人困境,从而不能准确地预测和控制。本文在无信息先验条件下,结合观测信息,计算了基于均值漂移模型和方差膨胀模型异常值事件发生的后验概率,提出了无信息先验下自回归模型中异常值探测的Bayes方法并对异常值进行了估算。该方法能将异常值准确地探测和估算出来,借此修正模型,可提高预测的准确性。最后,做了钟差实测数据计算,比较了模型修正前后预报的情况,验证了该方法的有效性。     

钟差预报AR模型异常值探测的Bayes方法

主要研究了时间序列AR模型的异常值探测问题.首先在一定的限制条件下,将AR模型的异常值探测问题转化为线性回归模型的异常值探测问题;并在正态-Gamma先验条件下,计算了基于均值漂移模型和方差膨胀模型异常值事件发生的后验概率.然后运用Bayes方法对异常值进行了估算.最后通过卫星钟差实测数据计算,比较了模型修正前后预报的...     

钟差预报AR模型异常值探测的Bayes方法

主要研究了时间序列AR模型的异常值探测问题。首先在一定的限制条件下,将AR模型的异常值探测问题转化为线性回归模型的异常值探测问题;并在正态-Gamma先验条件下,计算了基于均值漂移模型和方差膨胀模型异常值事件发生的后验概率。然后运用Bayes方法对异常值进行了估算。最后通过卫星钟差实测数据计算,比较了模型修正前后预报的情况,验证了新方法的有效性。     

AR模型中AO类异常值探测及其在GPS卫星钟差预报中的应用

基于EM算法,提出一种AR模型中AO类异常值(additive outlier)探测的算法。该算法可同时进行AR模型拟合与AO类异常值探测,并可有效地解决成片AO类异常值探测时所产生的掩盖和淹没问题。最后,将本文算法应用于GPS卫星钟差预报之中。本文算法可以准确探测出钟差历史观测序列中的AO类异常值,并可对卫星钟差进行精确预报。     

基于MEA-BP神经网络的卫星钟差预报

卫星钟差是影响导航定位精度的重要因素之一,建立高精度的钟差预报模型对高精度定位有重要意义。针对常用模型卫星钟差在短期预报中随时间增加误差积累,以及传统BP神经网络不稳定,容易出现过拟合等问题,本文提出一种基于思维进化算法(MEA)优化的BP神经网络钟差预报模型和算法。首先对原始钟差数据进行一次差处理;然后利用思维进化算法对BP神经网络的初始权值和阈值进行优化,给出该模型进行钟差预报的具体步骤;选用IGS站提供的多天GPS精密钟差产品数据进行试验分析,使用GPS一天中前12 h数据建模,进行2、3、6和12 h的钟差预报。结果表明:利用MEA-BP模型得到的上述4种时段的预报精度分别优于0.36、0.38、0.62和1.56 ns,预报误差曲线变化起伏较小,说明新模型的预报性能优于3种传统模型,新模型在钟差预报短期预报中的实用性及稳定性是较佳的。     

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.     

改进中位数方法的BDS卫星钟差数据预处理策略

针对卫星钟差数据中会经常出现粗差等数据异常的问题,该文提出了一种基于改进的中位数(MAD)方法的北斗卫星钟差数据预处理策略。该策略首先对长时间段卫星钟差数据的非空数据进行提取,然后将提取的非空数据转换为对应的频率数据,用改进的MAD方法进行处理,在此基础上再对长时间段的卫星钟差数据基于每天的数据采用改进的MAD方法进行再次预处理。通过对北斗卫星1a钟差数据的预处理,从钟差序列本身及其对应的频率序列和钟差的拟合残差3个方面对所提预处理策略进行了验证。实验表明,此策略能够有效地识别并处理北斗卫星钟差数据中的异常值。     

利用遗传小波神经网络预报导航卫星钟差

针对卫星钟差难以用精确模型来进行预报问题首先通过遗传算法优化适合非线性时间序列预报的小波神经网络的网络参数得到预报性能更好的遗传小波神经网络gwnn 然后根据钟差数据的特点对钟差进行预处理建立了一种能够高精度近实时预报钟差的gwnn钟差预报算法 使用gps卫星钟差进行一天内的预报实验证明了本方法的有效性 结果表明通过本方法得到的预报钟差较igs超快预报钟差在精度上有了较大的改善     

卫星钟差预报的T-S模糊神经网络法

结合钟差数据的特点,提出了一种基于变化率的T-S模糊神经网络(TSFNN)钟差预报模型。首先计算相邻历元间钟差的变化率值并对其进行建模;然后利用TSFNN模型预报钟差变化率值,再将预报的变化率值还原,得到钟差预报值;最后,通过算例将本文所建模型与IGU-P产品、二次多项式模型(QP)及灰色模型(GM(1,1))进行试验对比。结果表明:在使用变化率方法后,TSFNN模型预报的精度和稳定性分别提高了69.8%和76.3%,而且与IGU-P钟差产品相比,预报的精度高出约10倍,同时模型预报的效果优于两种常用模型。因此,该模型可以实现卫星钟差较高精度的预报。     

不同类型识别变量的自回归模型异常值探测的Bayes方法

讨论基于自回归模型(AR模型)的时间序列数据中异常值探测的Bayes方法。该方法针对自回归模型引入不同类型的识别变量,通过比较这些识别变量的后验概率值与事先给定的阈值来进行异常值定位;基于Gibbs抽样算法,提出识别变量后验概率值的计算方法和异常值的估算方法;进行了大量的模拟试验并把该方法应用于卫星钟差实测数据的异常值探测,结果表明,该方法对于解决时间序列数据中在同一时刻或不同时刻出现加性异常值或革新异常值的探测问题是可行的和有效的。     

径向基函数神经网络在卫星钟差预报中的应用

卫星钟差预报在全球卫星导航系统(GNSS)中起着重要作用.将径向基函数(RBF)神经网络应用于卫星钟差预报中.为避免网络过学习状态的发生,充分利用有限的训练样本数据,采用交叉验证法(CV)训练网络.以GPS为例进行短期(24 h)预报实验,并与灰色系统模型进行对比分析.结果表明:交叉验证法可以明显提高网络的泛化能力,RBF神经网络模型的预报精度以及稳定性均优于灰色系统模型.     

基于BDS观测网的卫星钟差完备性监测

卫星钟差质量直接影响到高精度用户的定位结果,因此需对钟差实时监测,即为卫星钟差完备性监测。它是导航系统完备性理论体系中重要的组成部分。本文基于BDS伪距观测值,利用多个BDS/GPS基准站计算卫星钟差并分析各卫星与不同基准站的观测值的残差,若某一卫星的观测值残差与其他卫星残差差异超过限值,应给出示警信息,实现BDS卫星钟差的完备性监测。基于上述理论,基于BDS网观测数据进行BDS卫星钟差完备性监测,并分析BDS卫星钟差的监测结果。该方法初步实现了BDS卫星钟差完备性监测,为后续BDS完备性监理论研究提供了一定的技术支持。     

基于小波变换和神经网络的卫星钟差预报分析

目前IGS提供的实时钟差精度不够,事后精密钟差也有13d的延迟,有必要对钟差预报进行研究。文中利用小波神经网络模型进行钟差预报,首先利用小波对原始钟差序列进行分解、降噪,然后利用神经网络进行建模并预报,将得到的结果同灰色模型和二次多项式模型的结果进行对比分析,得出小波神经网络模型可以更好地进行钟差预报的结论。     

一种卫星钟差异常实时监测算法

卫星钟差在精密定位中占有重要地位,应当对卫星钟差异常进行实时监测。本文在建立卫星钟差模型的基础上,提出了一种基于递推遗忘因子最小二乘算法(RFFLS)的卫星钟差异常实时监测算法,并利用IGS事后精密钟差产品,对比分析了RFFLS算法与最小二乘算法(LS)、遗忘因子最小二乘算法(FFLS)的卫星钟差预报精度、预报耗时和对卫星钟差异常的监测性能。实验结果表明, RFFLS算法计算时间仅为LS算法和FFLS算法的十分之一,且RFFLS算法钟差异常监测能力最优。该方法简便易行,应用灵活,在实时应用中具有明显优势。     

机动期间的GEO卫星钟差确定方法

分析了多种精密卫星钟差的插值方法,构建了GEO卫星机动模型,并结合插值方法,确定机动期间的GEO卫星钟差,并将结果与i GMAS最终产品进行了比较和分析。结果表明,三次样条插值是用于确定机动期间的GEO卫星钟差的最优方法,其结果精度可达0.01~0.38 ns。     

果蝇优化算法优化灰色神经网络的卫星钟差预报

针对导航卫星短期钟差预报精度不高的问题,文章提出了一种基于果蝇优化算法(FOA)优化灰色神经网络的卫星钟差预报方法.利用FOA较强的全局寻优能力对灰色参数进行迭代动态微调,改善随机初始化所导致网络进化易陷入局部最优的问题,以提高灰色神经网络的预报精度;选取IGS产品中典型的卫星钟差数据,分别采用FOA优化灰色神经网络模型、神经网络模型、灰色系统模型和灰色神经网络模型进行短期钟差预报.仿真结果表明:FOA优化灰色神经网络模型的预报精度优于其他三种模型,性能满足卫星短期高精度钟差预报的要求.     

一种北斗卫星钟差短期预报组合方法

针对北斗卫星钟差预报研究较少的情况,基于灰色模型与BP神经网络模型,构建一种全新的组合预测模型. 该组合钟差预测模型通过最优权方法有效结合两种单一模型的优点,实现北斗钟差的短期预报. 最后,以北斗三种型号卫星所携带的原子钟数据为例,计算出每种单一模型的权重,通过构建最优权预报模型实现了钟差的短期预报,预报结果优于两种单一模型,证明了该组合预报模型在钟差短期预测方面有效性与适用性.      

径向基函数神经网络在GPS卫星钟差预报中的应用

GPS卫星钟在空中很容易受到诸多因素的影响,导致其钟差行为很难用线性模型,二次多项式模型,灰色模型等现有模型进行描述和实现可靠的高精度预报。本文利用径向基函数神经网络对几颗GPS卫星钟差连续进行了五分钟、一小时和一天的预报,分别取得了均方根误差优于0.4ns,0.5ns和1ns的预报精度,证明了文中径向基网络结构在钟差预报方面的可靠性。