IGS卫星钟差产品采样间隔对PPP精度的影响

使用IGS 5 min、30 s以及CODE最新发布的5 s间隔的精密卫星钟差产品分别进行了静态和动态精密单点定位(PPP)试验。结果表明,使用三种不同采样间隔的精密卫星钟差对静态PPP定位结果的影响很小,均能满足mm至cm级的静态定位精度,采样率更高的精密卫星钟差改正对静态定位结果无显著改善;对动态PPP定位,三种采样间隔的精密卫星钟差均能满足cm至dm级的定位精度,使用30 s间隔的精密卫星钟差较使用5 min间隔的精密卫星钟差,其定位精度提高了30%~50%,而使用5 s间隔的精密卫星钟差同使用30 s间隔的精密卫星钟差获得的定位精度基本一致。     

基于ARIMA模型的卫星钟差短期预报研究

卫星钟差的精度直接影响导航定位的性能。本文针对不同类型的星载原子钟,采用ARIMA时间序列模型分别对1 d的IGS 5 min、30 s采样间隔的精密卫星钟差产品进行建模,并作6 h、一天的短期预报。结果表明,铷钟的预报精度达到了亚纳秒级,铯钟的预报精度处于纳秒级,并且原始钟差产品的采样间隔对卫星钟差预报精度有一定的影响。     

GPS卫星钟差及观测数据采样间隔对LEO卫星定轨精度影响

针对GPS卫星钟差及观测数据间隔对LEO卫星运动学和约化动力学定轨的影响问题进行了分析,并使用CODE（the Center for Orbit Determination in Europe）30 s、5 s间隔GPS卫星钟差分别进行了30 s和10 s间隔观测数据的LEO卫星定轨实验。结果表明,使用5 s间隔卫星钟差（10 s间隔观测数据）相比30 s间隔卫星钟差（30 s间隔观测数据）进行GRACE卫星精密定轨,约化动力学定轨精度提高了16%,运动学定轨精度提高了8.8%;使用30 s间隔卫星钟差和10 s间隔观测数据的定轨精度最低;对于30 s间隔观测数据,使用30 s或5 s间隔卫星钟差的定轨精度基本一致。     

数据预处理对最小二乘支持向量机预报钟差的影响

分析在基于最小二乘支持向量机的卫星钟差预报中样本数据预处理的必要性,列举了归一化、标准化和相邻历元一次差3种数据预处理方法。然后结合实例,对比分析不同数据预处理方法对基于最小二乘支持向量机的钟差预报精度的影响,得出不同方法对钟差预报精度的影响不同,其中,基于一次差方法的预报精度最高。最后,将基于一次差方法的最小二乘支持向量机预报模型与常用的二次多项式模型和灰色系统模型进行比较,结果表明,最小二乘支持向量机模型的预报效果明显优于两种常规模型。     

IGS卫星钟差产品采样间隔对PPP收敛速度的影响分析

比较和分析了使用IGS5min、IGS30s以及CODE30s、CODE5s4种精密卫星钟差产品对精密单点定位(precise point positioning,PPP)精度及其收敛性的影响。在达到同等精度水平时,使用30s和5s采样率的钟差产品,其收敛时间要明显短于5min的精密钟差产品。     

钟差预报模型的分析和比较

针对常用的几种钟差预报模型进行了研究,对其计算模型进行了详细的推导,并给出了模型参数的计算过程,以BLOCK IIR M卫星钟为例对几种钟差预报模型进行了比较分析,结果显示利用多项式模型、切比雪夫多项式模型进行预报时,随着采用的观测数据量的增大,无论短周期还是中、长周期预报,预报效果不一定会好,灰色系统模型只需要采用少量的观测数据来建模,减少了数据量,提高了建模速度,而且预报卫星钟差时精度有显著的提高,对于观测数据少,预报周期长的卫星具有明显优势。      

星地测量数据部分丢失对卫星钟差预报精度的影响

本文研究了不同的测量数据丢失概率对卫星钟差预报精度的影响,给出了卫星钟差的3阶白噪声状态方程和基于星地无线电双向时间比对的测量方程,得到了类似于Kalman滤波器的递归形式和修正Riccati方程;随着时间的推进,修正Riccati方程的预测误差逐渐减小,直至达到稳态;并根据修正Riccati方程,采用数值分析方法得到了典型参数情况下卫星钟差预报精度与测量数据有效率的关系曲线。     

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。     

异常值对钟差预报模型的影响分析

为了分析异常值对钟差预报模型的影响程度,首先,通过对钟差数据进行绘图分析来识别钟差数据中的异常值;其次,利用中位数法(MAD)和一种基于中位数的小波阈值法钟差数据预处理策略(WMAD)分别对钟差数据中的异常值进行处理;最后,利用处理前、后的钟差数据建模预报钟差,并分析各模型预报的效果。结果表明:较小的异常值对二次多项式和灰色模型2种模型预报的效果影响不大,但会影响时间序列、卡尔曼滤波及小波神经网络3种模型的预报精度。     

一种新的钟差预处理方法及在WNN钟差中长期预报中的应用

为了提高导航卫星钟差中长期预报的精度,在提出一种针对钟差一次差分序列的数据预处理方法的基础上,建立了一种钟差中长期预报的小波神经网络模型。该模型首先对建模钟差数据进行一次差分,然后对一次差分序列进行预处理;用预处理后的一次差分序列对小波神经网络建模并进行中长期预报,最后将预报结果还原得到相应的钟差预报值。使用全球定位系统(GPS)卫星的铷钟数据进行中长期预报,并与常用的二次多项式模型、灰色模型、Kalman滤波模型进行对比,结果表明,本文方法能有效减小导航卫星星载铷钟钟差的中长期预报误差。     

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。     

模拟退火算法的灰色模型钟差预报

针对传统灰色模型的预报效果不好的问题,文章提出了一种基于模拟退火算法的灰色模型钟差预报方法,采用模拟退火算法代替最小二乘求解灰色模型参数,较好地优化了灰色模型的参数估值。算例结果表明,基于模拟退火算法的灰色模型较传统的灰色模型,不仅能提高钟差的短期预报精度,而且对钟差的长期预报精度也有一定的改善。     

基于多种深度学习算法对卫星钟差预报的效果分析与对比研究

针对卫星钟差预报模型的普遍适用性低,以及预报模型中星载原子钟类型和建模特点结合不充分等问题,提出了四种适用于非线性处理的神经网络模型来预报卫星钟差.首先对钟差数据进行预处理;然后通过基于萤火虫算法(firefly algorithm, FA)优化反向传播(back propagation,BP)神经网络(FA-BP neural networks,FA-BPNN)模型、Elman循环神经网络模型、径向基函数(radial basis function,RBF)神经网络模型以及基于卷积神经网络-长短期记忆(convolutional neural networks-long short term memory,CNN-LSTM)网络模型对1 d和7 d的钟差数据量建立模型;再采用武汉大学国际GNSS服务(International GNSS Service,IGS)数据分析中心(WHU)的GPS精密钟差数据进行钟差预报;最后从不同建模数据量及不同批次卫星的同一类型原子钟和不同批次卫星的不同类型原子钟的角度,将预报效果进行分析与对比.结果表明：1)四种模型在建模特点上,1 d的钟差数据量建...     

粒子群算法优化的神经网络短期钟差预报

针对导航卫星钟差短期预报精度上的不足,该文提出了一种基于粒子群算法优化的BP神经网络钟差预报模型,通过粒子群算法来对BP神经网络的权值和阈值进行优化,利用IGS的钟差数据进行实验,并与灰色GM(1,1)模型、二次多项式模型和BP神经网络模型的预报结果进行对比分析。结果表明,粒子群优化算法的BP神经网络模型钟差预报效果良好,3h预报精度能够达到0.3ns,体现了本文钟差预报模型的实用性。     

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。     

基于GM(1,1)灰色模型卫星钟差短期预报的精度分析

为了提高GPS快速单点定位的精度,必须及时获得高精度的精密星历。基于卫星钟差变化的灰色特性,建立GPS卫星钟差GM(1,1)灰色模型,对卫星钟差进行短期预报。计算结果表明,灰色模型GM(1,1)用于卫星钟差短期预报,只需要使用少数几个历元的已知卫星钟差进行建模,不仅减少建模数据量,提高建模速度,而且预报精度较高,可以满足GPS快速单点定位的实际需要;并对卫星搭载的原子钟精度进行分析,得出基于灰色模型GM(1,1)分析的Rb钟的精度和稳定性要优于Cs钟。     

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.     

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。     

顾及钟差变化率的GPS卫星钟差预报法

提出了一种基于钟差变化率拟合建模的卫星钟差预报方法。以附加周期项的线性或二次多项式作为基础模型对钟差变化率序列进行拟合,最优估计卫星钟差的趋势项系数,然后直接使用精密定轨得到的相应时刻的卫星钟差计算预报初始时刻的基准项系数,来建立卫星钟差的预报模型。以IGS发布的快速星历(IGR)的卫星钟差为试验数据,对GPS星座中各种型号的所有卫星钟差进行预报。结果表明:本文方法3、6、12与24h的预报精度分别可达0.43、0.58、0.90与1.47ns,相比于传统的基于钟差拟合的预报方法,精度分别提高69.3%、61.8%、50.5%与37.2%;与IGS发布的超快速星历(IGU)的预报钟差相比,钟差精度分别提高15.7%、23.7%、27.4%与34.4%。     

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