共查询到19条相似文献，搜索用时 671 毫秒
1.
为了提高卫星钟差预报的精度,针对钟差数据中量级较小的误差,提出了一种基于中位数的小波阈值法钟差数据预处理策略。首先,利用小波阈值方法将钟差数据进行分解,得到分解后的高频系数和低频系数。然后,利用中位数法处理各层影响阈值设置的高频系数,通过处理后的高频系数计算阈值,从而提高小波阈值法剔除小异常值的能力。最后,用北斗二号卫星钟差数据进行了验证,结果表明,利用所提方法处理后的钟差数据建模,小波神经网络（wavelet neural network,WNN）模型预报的精度提高约14.1%,预报稳定性提高约19.7%。该方法可以有效剔除钟差历史观测序列中量级较小的误差,改善钟差数据质量,从而提高模型钟差预报的精度。 相似文献
2.
卫星钟差单差的小波神网络预报 总被引：2，自引：0，他引：2
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。 相似文献
3.
卫星钟差预报的小波神经网络算法研究 总被引：3，自引：3，他引：0
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. 相似文献
4.
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。 相似文献
5.
为了提高卫星钟差预报的精度与稳定性,本文综合幂函数变换的GM(1.1)模型与Elman神经网络模型的优势,提出了一种组合卫星钟差预报模型。该组合预报模型实现卫星钟差预报的流程为：首先,使用钟差数据对幂函数变换的GM(1.1)模型进行建模并进行钟差预报;其次,将幂函数变换的GM(1.1)模型预报残值作为Elman神经网络模型训练样本进行模型训练与残差值预报;最后,将幂函数变换的GM(1.1)模型预报值与Elman神经网络模型残差预报值相加得到组合预报值。使用IGS提供的精密钟差数据进行实验,结果表明,本文提出的组合预报模型较单一的预报模型的预报精度与稳定性均有较大程度的提高,本文的研究对于高精度卫星钟差预报模型的建立具有重要参考价值。 相似文献
6.
针对卫星钟差呈现出非线性、非平稳变化的特性,提出了一种基于双树复小波和广义回归神经网络的卫星钟差预报方法。该方法充分利用双树复小波变换的完全重构、近似平移不变性和较好的方向选择性等优良特性,首先把钟差时间序列分解成具有不同频率特征的分量,然后根据各分量的特点构建高频和低频广义回归神经网络进行预报,最后将各分量的预报结果进行叠加得到最终的预报值。以IGS提供的钟差数据为例进行试验,并与单一的灰色模型、最小二乘支持向量机和广义回归神经网络的预报结果进行对比分析。结果表明,该方法具有较高的预报精度,对于较长时间的钟差预报也能保证较好的预报效果,应用于卫星钟差预报可行、有效。 相似文献
7.
利用遗传小波神经网络预报导航卫星钟差 总被引：2，自引：0，他引：2
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。 相似文献
8.
9.
10.
《武汉大学学报(信息科学版)》2016,(3)
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。 相似文献
11.
Improving prediction performance of GPS satellite clock bias based on wavelet neural network 总被引：2，自引：0，他引：2
As one of the IGS ultra-rapid predicted (IGU-P) products, the orbit precision has been remarkably improved since late 2007. However, because satellite atomic clocks in space show complicated time–frequency characteristics and are easily influenced by many external factors such as temperature and environment, the IGU-P clock products have not shown sufficient high-quality prediction performance. An improved prediction model is proposed in order to enhance the prediction performance of satellite clock bias (SCB) by employing a wavelet neural network (WNN) model based on the data characteristic of SCB. Specifically, two SCB values of adjacent epoch subtract each other to get the corresponding single difference sequence of SCB, and then, the sequence is preprocessed through using the preprocessing method designed for the single difference sequence. The subsequent step is to model the WNN based on the preprocessed sequence. After the WNN model is determined, the next single difference values at the back of the modeling sequence are predicted. Lastly, the predicted single difference values are restored to the corresponding predicted SCB values. The simulation results have shown that the proposed prediction principle based on the single difference sequence of SCB can make the WNN model simple in architecture and the predicting precision higher than that of the general SCB prediction modeling. The designed preprocessing method specific to the single difference of SCB is able to further improve the prediction performance of the WNN model by reducing the effect from outliers. The proposed SCB prediction model outperforms the IGU-P solutions at least on a daily basis. Specifically, the average prediction precisions for 6, 12 and 24 h based on the proposed model have improved by about 13.53, 31.56 and 49.46 % compared with the IGU-P clock products, and the corresponding average prediction stabilities for 12 and 24 h have increased by about 13.89 and 27.22 %, while the average prediction stability of 6 h is nearly equal. 相似文献
12.
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。 相似文献
13.
变形监测是安全化工程施工和管理的重要内容，贯穿于项目的设计、施工和运行，对监测的沉降数据进行处理，并预测沉降量，提前对工程作出安全预警，有很重要的实际意义。本文基于GM（1，1）灰色模型、小波分析和神经网络结合的相关理论，借助Matlab软件编程，建立了灰色-小波神经网络变形预测网络模型。结合工程实例，将建立的变形预测网络模型应用于累积沉降量观测数据，结果表明组合模型具有很稳定的预测效果，比单独的GM（1，1）灰色模型预测准确度高，且训练样本越多，预测越符合实际情况。 相似文献
14.
15.
16.
全球定位系统（GPS）时序数据预测的工作中发现，通常时序数据中含有的噪声会干扰数据预测的结果.为了降低时序数据中噪声对预测结果的负面影响，将提升小波阈值降噪技术和长短期记忆（LSTM）神经网络相结合，实现一种GPS时序数据降噪预测模型.该模型在预测之前首先利用提升小波与平滑阈值函数对GPS时序数据中的噪声进行剥离，然后构建多层LSTM神经网络对时序数据进行单步预测.通过实验与多种时间序列预测模型进行对比，结果表明所提出的LSTM预测模型对GPS时间序列的预测具有较强的适用性和较高的准确性. 相似文献
17.
以某市轨道交通1号线地铁站基坑观测数据为例,开展了小波及BP神经网络预测模型的研究。首先采用小波阈值去噪方式对纵向观测线实际观测数据进行去噪处理,依据信噪比最高以及均方根最小判别原则进行判别,实验表明,小波1层分解、软阈值方式、sym4小波基函数、rigrsure阈值原则、scal=sln为最佳组合方式。然后,给出基坑变形小波-BP神经网络组合预测模型。最后对小波去噪前后的数据进行BP神经网络预测模型预测处理并与小波变换神经网络预测模型预测数据进行对比分析,结果表明小波变换神经网络预测模型预测精度最高。 相似文献
18.
改进遗传算法优化灰色神经网络隧道变形预测 总被引：1，自引：0，他引：1
针对目前隧道变形预测方法的不足,该文提出了使用改进型遗传算法优化灰色神经网络的隧道变形预测模型。改进遗传算法策略:在种群繁衍过程中根据个体的适应度进行排序,再将排序后的种群均分为3个部分,按照比例对3个部分进行选择,最后从适应度较大的部分中随机选取个体在重新补充到种群中。改进型遗传算法可以避免陷入局部收敛成功找寻全局最优解,提高收敛速度。该文利用实际隧道监测数据进行实验,验证改进型遗传算法优化灰色神经网络的隧道变形预测模型。实验证明,改进型遗传算法优化灰色神经的隧道变形预测模型在进行隧道拱顶下沉量预测时有着更高的精度、更好的稳定性。 相似文献
19.
Most studies have the achieved rapid and accurate determination of soil organic carbon (SOC) using laboratory spectroscopy; however, it remains difficult to map the spatial distribution of SOC. To predict and map SOC at a regional scale, we obtained fourteen hyperspectral images from the Gaofen-5 (GF-5) satellite and decomposed and reconstructed the original reflectance (OR) and the first derivative reflectance (FDR) using discrete wavelet transform (DWT) at different scales. At these different scales, as inputs, we selected the 3 optimal bands with the highest weight coefficient using principal component analysis and chose the normalized difference index (NDI), ratio index (RI) and difference index (DI) with the strongest correlation with the SOC content using a contour map method. These inputs were then used to build regional-scale SOC prediction models using random forest (RF), support vector machine (SVM) and back-propagation neural network (BPNN) algorithms. The results indicated that: 1) at a low decomposition scale, DWT can effectively eliminate the noise in satellite hyperspectral data, and the FDR combined with DWT can improve the SOC prediction accuracy significantly; 2) the method of selecting inputs using principal component analysis and a contour map can eliminate the redundancy of hyperspectral data while retaining the physical meaning of the inputs. For the model with the highest prediction accuracy, the inputs were all derived from the wavelength range of SOC variations; 3) the differences in prediction accuracy among the different prediction models are small; and 4) the SOC prediction accuracy using hyperspectral satellite data is greatly improved compared with that of previous SOC prediction studies using multispectral satellite data. This study provides a highly robust and accurate method for predicting and mapping regional SOC contents. 相似文献