排序方式： 共有5条查询结果，搜索用时 156 毫秒
1
1.
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
2.
为了提高卫星钟差预报的精度,提出基于Vondrák滤波1阶差分的灰色模型算法.首先,对原始钟差数据序列采用Vondrák滤波处理后,得到1组新的钟差数据序列.然后,对相邻历元的钟差数据序列作1阶差分处理.最后,基于Vondrák滤波后的1阶差分的钟差差值数据序列,建立了GPS钟差预报的灰色模型.此外,采用了IGS(International Global Navigation Satellite System Service)公布的精密卫星钟差数据进行了预报试验,通过与卫星钟差预报中常用的2次多项式模型和直接采用原始钟差数据建立灰色预报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.在12 h、16 h、20 h和24 h的平均预报精度分别为0.50 ns、0.85 ns、1.08 ns和1.27 ns,相比于2次多项式模型的平均预报精度分别提高了24.24%、15.84%、12.90%和11.81%;相比于直接采用原始钟差数据建立灰色预报模型的平均预报精度分别提高了56.14%、49.40%、48.82%和47.80%. 相似文献
3.
利用最小一乘法改进的灰色模型的导航卫星钟差预报 总被引：1，自引：0，他引：1
在卫星钟差波动较大的情况下，为了克服基于最小二乘法估计灰色模型参数对卫星钟差预报精度的不足，本文利用最小一乘法对传统灰色模型进行了改进。在建模的过程中，采用以误差绝对值之和最小为优化原则，针对目标函数不可微的特点，运用线性规划的方法对灰色预报模型的模型参数进行了估计。此外，将改进后的预报模型应用到卫星钟差波动较大情况下钟差的预报中，并将预报结果与传统灰色模型的预报结果进行了对比分析。结果表明：在卫星钟差波动较大的情况下，该方法相比传统灰色模型的预报结果有显著改善，为高精度的卫星钟差预报提供了一种新思路。 相似文献
4.
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
5.
针对卫星钟差呈现趋势项和随机项变化的特点,提出了基于GM(1,1)(灰色预报模型)和修正指数曲线法(Modified Exponential Curve Method,MECM)的组合预报模型.该模型首先采用GM(1,1)预报钟差的趋势项,然后利用MECM模型对GM(1,1)残差序列进行建模和预报,最后将GM(1,1)和MECM模型的预报结果相加得到钟差的最终预报值.此外,采用IGS(International Global Navigation Satellite System Service)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和MECM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.使用12 h钟差建模时,预报6 h、12 h、18 h和24 h的平均预报精度分别为0.43 ns、0.63 ns、0.74 ns和0.79 ns,相比于二次多项式的平均预报精度分别提高了57.43%、69.71%、80.47%和86.74%,相比于MECM模型的平均预报精度分别提高了50.57%、64.41%、76.80%和84.20%;使用24 h钟差建模时,预报6 h、12 h、18h和24 h的平均预报精度分别为0.57 ns、0.61 ns、1.02 ns和1.48 ns,相比于二次多项式的平均预报精度分别提高了32.94%、55.47%、55.07%和53.16%,相比于MECM模型的平均预报精度分别提高了92.98%、66.30%、65.42%和63.99%. 相似文献
1