共查询到20条相似文献，搜索用时 562 毫秒
1.
由于卫星钟存在频率高、敏感性强、极易受到外界影响从而导致观测数据波动大,预测结果精度低的问题,利用幂函数变换法对初始观测数据进行变换预处理,从而提高观测数据的平顺度.由此提出一种基于幂函数变换的GM(1,1)模型,选用北斗卫星导航系统(BDS)卫星钟差进行插值和预报,并且进行了精度验证.实验结果表明:Lagrange插值方法可以满足高精度BDS的钟差的插值需要;利用幂函数变换的GM(1,1)模型相比传统模型精度有效提高了,而且当改进模型和传统模型预报值越接近实际值,则幂函数改进的GM(1,1)模型精度更高,适用性更强,对BDS卫星钟差预报具有实际参考价值. 相似文献
2.
含误差预报校正的GM(1,1)卫星钟差预报新方法 总被引：2，自引：0，他引：2
为了提高卫星钟差预报精度,该文提出用AR(p)模型对GM(1,1)建模过程中的模型残差进行建模预报,以此来提高GM(1,1)模型预报卫星钟差的精度。首先,剔除卫星钟差数据中的异常值,采用拉格朗日插值法将缺失的数据补齐;然后,用GM(1,1)模型对卫星钟差进行预报,对GM(1,1)的模型残差作平稳化处理后,采用AR(p)模型对处理后的残差序列进行预报;最后,将GM(1,1)和AR(p)模型的预报结果对应相加即得到钟差的最终预报值。此外,该文采用IGS公布的事后精密卫星钟差进行预报试验,并将该文结果与卫星钟差预报中常用的二次多项式和修正指数曲线法模型预报结果进行对比分析。结果表明,该方法可以对GPS卫星钟差进行高精度的中短期预报。 相似文献
3.
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
4.
5.
针对卫星钟差呈趋势项和随机项变化的特点,提出了基于GM(1,1)与自回归求和移动平均的组合预报模型。该模型首先采用GM(1,1)模型预报钟差的趋势项部分,然后利用ARIMA模型对GM(1,1)的模型残差序列进行建模和预报,最后将GM(1,1)和ARIMA模型的预报结果对应相加即得到钟差的最终预报值。此外,采用IGS公布的精密卫星钟差进行预报试验,通过与卫星钟差预报中常用的二次多项式模型和修正指数曲线法模型预报结果的对比分析,结果表明:该方法可以对GPS卫星钟差进行高精度的中短期预报。用12 h钟差建模时,预报未来6、12、24和48 h的平均预报精度分别为0.71、1.17、1.93和4.38 ns,相比于二次多项式模型的平均预报精度分别提高了29.70%、43.75%、67.62%和76.21%;相比于修正指数曲线法模型的平均预报精度分别提高了18.39%、33.90%、61.40%和70.49%。 相似文献
6.
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
7.
8.
针对提高导航卫星钟差预报精度的研究不足的现状,文章结合灰色预报模型和最小二乘向量机预报模型的特点,研究建立灰色系统与最小二乘向量机的结合预报模型:引入惯性权值和加速度因子随优化代数变化的改进粒子群算法,以提高算法的优化能力;并用其对模型惩罚因子和核函数参数选取过程进行优化;选取具有代表性的卫星钟差数据,建立改进粒子群优化的GM-LSSVM模型进行短期钟差预报分析,并与传统的GM(1,1)预报模型和BP神经网络预报模型进行精度比较。仿真结果表明,优化后的模型预报精度优于GM(1,1)预报模型和BP神经网络模型。 相似文献
9.
为了提高卫星钟差预报的精度,针对小波神经网络(WNN)模型未能根据实际情况选取合适的小波函数的问题,本文提出一种基于"Shannon熵-能量比"的优选小波函数的小波神经网络钟差预报模型。首先利用小波函数对钟差一次差分数据进行连续小波变换,得到变换后的小波系数。然后分别计算小波系数的能量值和Shannon熵值,将"Shannon熵-能量比"(SEE)作为最优小波函数选择的评价指标,以指导选择最适合的小波函数作为WNN模型的激活函数。最后利用优选的WNN模型对卫星钟差进行预报,对预报的结果进行对比分析。结果表明:该评价指标能够根据卫星钟差实际情况准确指导WNN模型选择合适的小波函数,提高WNN模型的预报精度和适用性,使该模型可以实现卫星钟差较高精度的预报。 相似文献
10.
实时GPS卫星钟差的可靠性预报是GPS实现实时精密单点定位的关键技术之一。传统的GM(1,1)模型不能及时更新新息数据,致使计算结果精度较差。本文首先介绍了常用的几个钟差模型,并利用新陈代谢GM(1,1)模型,与常用的二次多项式模型进行了对比。通过自编程序,依据某一IGS跟踪站实测的精密卫星星历数据,进行了实时的GPS卫星钟差预报,并与IGS事后精密钟差进行了比较。实验结果表明,基于该新陈代谢GM(1,1)模型估计的卫星钟差与IGS发布的最终精密钟差具有较好的有效性和一致性,这为实时GPS动态精密单点定位提供较高精度的卫星钟差产品。 相似文献
11.
12.
《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
13.
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... 相似文献
14.
为解决传统模型因使用卫星钟差一次差分序列而导致预报精度差的问题，进一步提升预报精度，提出一种优化残差组合对卫星钟差一次差分序列进行预报的方法.该方法首先根据北斗卫星钟差序列的特点，利用四分位法(IQR)代替中位数法对一次差分序列进行预处理，然后利用自回归滑动平均模型(ARMA)将经过预处理后的卫星钟差一次差分序列分成趋势项和残差随机项，接着利用极限学习机(ELM)模型对残差部分进行建模预测，最后将ARMA模型的预测结果和ELM神经网络的残差预测结果求和后进行差分还原.结果表明：当卫星钟差呈非线性时，组合模型的预报精度比传统模型提升了38.2%，在北斗卫星钟差短期预报中具有一定的可行性. 相似文献
15.
神经网络在卫星钟差短期预报中的应用研究 总被引：2，自引：0，他引：2
本文针对卫星钟差的特点,提出了基于神经网络的卫星钟差短期预报模型,给出了基于径向基函数(RBF)网络进行卫星钟差预测的基本思想、预测模型和实施步骤,并对比分析了神经网络模型与灰色系统理论模型的区别.为验证本文提出的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,并与灰色系统模型进行对比分析.仿真结... 相似文献
16.
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. 相似文献
17.
18.
针对导航卫星钟差预报精度不高的问题,该文引入了GM-LSSVM钟差预报模型,采用全局寻优能力较强的遗传算法对模型的参数选取过程进行优化,避免模型陷入局部最优,从而改善了组合模型中惩罚因子和核函数参数选择的盲目性。最后选取国际GPS服务组织提供的卫星钟差数据,分别建立GM(1,1)模型、LSSVM模型、GM-LSSVM模型和遗传算法优化的GM-LSSVM模型进行短期钟差预报分析和仿真实验。仿真结果表明,优化后的模型预报精度小于1.3ns,精度比前3种模型提高了45%~60%,符合钟差预报的要求。 相似文献
19.
基于MEA-BP神经网络的卫星钟差预报 总被引：1，自引：0，他引：1
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。 相似文献
20.
为了确保建筑物在建设过程中的安全,需要准确掌握建筑物基坑及周边的变形情况。针对建筑物基坑沉降变形预测问题,本文对单一的GM(1.1)模型与BP神经网络模型进行优化并构建组合预测模型。优化组合模型一方面解决了单一预测模型稳定性差、预测精度低的问题,另一方面提高了预测模型的适用性。将本文提出的组合预测模型应用于某在建建筑物基坑沉降变形预测中,结果表明,相较于单一的GM(1.1)模型与BP神经网络模型,本文提出的优化组合预测模型的预测精度与稳定性更高,证明了组合预测模型在建筑物基坑类沉降预测中的可靠性。 相似文献