基于方差递推法的Kalman滤波在钟差预报中的应用

卫星导航系统中星载原子钟的钟差预报对于导航、定位及授时具有重要的作用。为了提高卫星钟差预报的精度,设计了一种两步确定卫星钟噪声协方差矩阵的Kalman滤波钟差预报模型。该方法首先基于Hadamard总方差确定卫星钟噪声协方差矩阵的初值,然后,使用方差递推法得到滤波过程中卫星钟的噪声协方差矩阵。使用GPS系统的星载铷钟数据进行短期预报,并与常用的二次多项式模型、灰色模型进行对比,结果表明:本文中提出的方法可以实现高精度的卫星钟差预报且预报效果优于两种常用模型,同时,该方法能够在一定程度上弥补预报误差随预报时间增加而不断变大的不足。     

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。     

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。     

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。     

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。     

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     

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。     

卫星钟差单差的小波神网络预报

针对现有卫星钟差预报模型对非平稳过程预报的局限性,提出基于卫星钟差一次差值的小波神经网络预报模型。对在轨卫星钟差求取一次差值的基础上,运用小波神经网络模型预报GPS卫星钟差,同时与GM(1,1)模型预报的结果进行比较。得出BlockΠA Cs短期预报的精度能达到0.690ns,14d预报的精度最差时依然优于1ns;其余稳定性良好的卫星钟,一天预报的结果均要优于0.207ns,预报14d卫星钟差的平均精度优于0.183ns,部分卫星钟差预报精度可以达到0.050ns,预报得到的结果可以达到GPS对实时精密单点定位的要求。     

一种卫星钟自相关的实时钟差预报算法

针对实时精密单点定位(RT-PPP)中实时数据流存在中断、延迟等问题,该文构建了顾及卫星钟自相关的随机模型,提出了一种基于方差分量估计的自适应卡尔曼滤波钟差超短期/短期预报算法,评估了连续27d实测法国空间研究中心(CNES)实时数据流CLK93产品完整率和精度水平,利用哈达玛方差对比分析了该实时产品与德国地学研究中心(GFZ)事后GBM产品的频率稳定性。利用本文算法与传统卡尔曼算法对两类产品进行预报,结果显示:CLK93产品BDS系统(C)、GPS系统(G)、GLONASS系统(R)、Galileo系统(E)30s和1min预报精度分别平均提升了8.50%、8.44%、7.20%、6.96%;GBM产品相应4个系统12h和24h预报精度分别平均提升了3.14%、3.53%、0.96%、10.01%。     

提高卫星导航精度的卡尔曼滤波算法应用研究

采用卫星导航对海上航行的船舶进行速度测量是目前最广泛应用的方法,但是卫星导航接收机由于受外界偶然因素的影响,其显示的速度往往包含噪声,且属于随机的高斯白噪声。针对此问题,提出一种基于卡尔曼滤波理论的计算模型,只考虑上一个时刻和当前时刻的关系,大大地减少数据冗余;应用迭代的方法来处理卡尔曼滤波,以更好地简化计算的过程,并根据深圳某航海公司的实际数据对此计算模型进行仿真验证。实验结果表明,对于数据跳跃十分大且明显的噪声数据,经过滤波后,这些数据变得更加平滑和准确。     

UKF算法及其在GPS卫星轨道短期预报中的应用

分析了GPS卫星预报星历,在比较分析EKF和UKF优缺点的基础上,将UKF引入GPS卫星轨道预报研究中。数值模拟和结果分析表明,UKF方法预报更稳定,能有效地提高轨道预报精度和稳定性。     

基于Kalman滤波的高耸建筑物沉降预测模型研究

为了提高高耸建筑物沉降监测数据的可信性与实时预测的准确性,利用小波分析与Kalman滤波在数据处理方面的优势,采用小波分析先对沉降数据进行去噪,并采用Kalman滤波理论进行预测。通过实验数据的对比分析,结合小波去噪分析与Kalman滤波理论对原始沉降变形量进行沉降预测,能克服只使用单一Kalman滤波方法进行沉降预测中噪声处理的不足,验证了小波分析及结合Kalman滤波理论进行沉降预测的可行性,且预测精度比较高。     

Comparing DGPS corrections prediction using neural network, fuzzy neural network, and Kalman filter

Position information obtained from standard global positioning system (GPS) receivers has time variant errors. For effective use of GPS information in a navigation system, it is essential to model these errors. A new approach is presented for improving positioning accuracy using neural network (NN), fuzzy neural network (FNN), and Kalman filter (KF). These methods predict the position components’ errors that are used as differential GPS (DGPS) corrections in real-time positioning. Method validity is verified with experimental data from an actual data collection, before and after selective availability (SA) error. The result is a highly effective estimation technique for accurate positioning, so that positioning accuracy is drastically improved to less than 0.40 m, independent of SA error. The experimental test results with real data emphasize that the total performance of NN is better than FNN and KF considering the trade-off between accuracy and speed for DGPS corrections prediction.     

大气可降水量预测模型的自适应Kalmam滤波改进

针对现有可降水量预报模型存在预报精度不高等问题,该文提出采用方差分量估计自适应卡尔曼滤波对可降水量数据进行预处理,用以提高径向基神经网络预测模型的预测精度,从而形成高精度预报模型。通过比较不同基站不同时间的数据,分析使用方法的预报精度。实验结果表明:将预测模型应用于全国7个测站进行实验,预测相对精度的平均值可达95%以上,预报残差在10-5左右,残差值小于0.001的占90%以上。在影响因素方面,使用较短时间作为模型原始数据进行预测会得到较好的预测结果。实验证明本预测方法在预报大气可降水量值方面具有较高的精度。