CN111275090B - 一种gnss超快速钟差预报方法 - Google Patents
一种gnss超快速钟差预报方法 Download PDFInfo
- Publication number
- CN111275090B CN111275090B CN202010049690.5A CN202010049690A CN111275090B CN 111275090 B CN111275090 B CN 111275090B CN 202010049690 A CN202010049690 A CN 202010049690A CN 111275090 B CN111275090 B CN 111275090B
- Authority
- CN
- China
- Prior art keywords
- clock
- value
- forecasting
- clock error
- adopting
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Active
Links
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/213—Feature extraction, e.g. by transforming the feature space; Summarisation; Mappings, e.g. subspace methods
- G06F18/2135—Feature extraction, e.g. by transforming the feature space; Summarisation; Mappings, e.g. subspace methods based on approximation criteria, e.g. principal component analysis
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/20—Image preprocessing
- G06V10/30—Noise filtering
Abstract
本发明提供一种GNSS超快速钟差预报方法,其改善了现有GNSS钟差预报方法钟差实时预报精度较低和稳定性较差的现状,其包括以下步骤实现:对钟差数据进行预处理;对钟差数据进行主成分分析;对主要成分和总的残差序列分别进行建模预报;得到最终预报值;本发明可广泛应用于卫星导航技术领域。
Description
技术领域
本发明涉及卫星导航技术领域,尤其是涉及一种GNSS超快速钟差预报方法。
背景技术
全球导航卫星系统(GNSS)实时导航定位中,卫星钟差产品的精度会直接影响高精度导航定位授时的服务能力,为进一步提高钟差预报的精度,以改善当前钟差实时预报精度较低现状,国内外学者做了大量预报方法的研究,在现有的钟差预报方法中,由于星载原子中时频特征较为复杂,很容易受到外界环境对它的影响,单一模型大部分只是照顾到了钟差的部分特性,使得单一预报模型仍有不足之处,比如二次多项式模型主要针对的是钟差中的趋势项,未考虑到周期项和随机项对预报的影响;模型指数系数对灰色模型预报精度的影响较大;谱分析模型虽然考虑到了钟差中的周期项,但是较长的钟差序列才能较为准确的确定钟差中的周期,拟合预报的时候也需要较长的钟差数据建模才能发挥出该模型的优势;对于小波神经网络模型来说,确定网络拓扑结构存在困难;对于卫星钟差这种异常复杂的非平稳、非线性随机序列,单一的模型很难准确表达和有效预报,组合模型虽然比单一模型能更多地考虑到随机项对预报的影响,但是大多数组合模型只是简单的组合,没有根据各单一模型的特性进行组合,没有更好的发挥组合模型的优势,预报精度和稳定性还有比较大的提升空间。
由此可知,现有模型大多未顾及钟差特性中的随机性以及系统噪声误差对钟差预报模型建模的影响,这是造成当前大多钟差预报模型钟差实时预报精度较低和稳定性较差的原因之一,钟差实时预报精度和稳定性还可以进一步提高。
发明内容
本发明就是针对现有GNSS钟差预报方法实时预报精度较低和稳定性较差的技术问题,提供一种预报精度较高和稳定性较好的GNSS超快速钟差预报方法。
为此,本发明提供的GNSS超快速钟差预报方法,通过以下步骤实现:
步骤1:对钟差数据进行预处理;
步骤2:对钟差数据进行主成分分析;
步骤3:对主要成分和总的残差序列分别进行建模预报;
步骤4:得到最终预报值。
优选的,钟差数据的预处理:把钟差数据转换为频率数据后采用中位数法剔除粗差,并采用线性插值法补齐。
优选的,钟差数据的预处理:采用多项式模型预报并设置阀值判断钟差数据是否存在钟跳,若存在钟跳,对钟差数据进行分段处理。
优选的,钟差数据的主成分分析:钟差数据主要由趋势项、周期项、噪声构成,采用主成分分析对钟差进行分解,分离出大部分的噪声项,只留下钟差中的趋势项和周期项,趋势项和周期项作为主要成分,噪声作为次要成分A。
优选的,对主要成分和总的残差序列分别进行建模预报:主要成分采用抗差谱分析模型进行建模预报得到预报值C,同时得到主要成分的拟合残差B,该拟合残差同样对钟差预报有一定的影响,对钟差分解后得到的次要成分A拟合残差进行相加,组成新的残差序列A+B,然后采用机器学习算法进行建模预报,得到预报值D。
优选的,得到最终预报值:两个预报值C和D进行相加得到新的预报序列后,利用二次多项式模型和钟差的最后四个历元预报的初始值和预报序列C+D中的初始值之间的差值对预报序列进行整体平移得到预报值E;采用二次多项式模型和钟差数据的最后四个历元求得新的斜率值,进而求的新的斜率值和整体拟合得到的斜率值的加权平均值,利用新的斜率加权平均值和整体拟合得到的斜率值的差值对所得的预报序列E进行斜率偏差修正,得到最终的预报值F。
本发明提出的GNSS超快速钟差预报方法,不但顾及了随机性误差,而且减弱了随机性误差对建模的影响,通过对预报序列进行起点偏差修正和斜率偏差修正,延缓了预报误差的累积,采用各导航定位系统的超快速和精密钟差产品进行了实验,其在预报精度方面有了比较大的提高,稳定性也有了一定程度的提高,并且能够控制异常误差或者数据预处理后部分偏差较大的钟差数据对预报精度的影响。
附图说明
图1为本发明的流程示意图。
具体实施方式
下面参照附图详细说明本发明的具体实施方式。
如图1所示,本发明提供一种GNSS超快速钟差预报方法,其通过以下步骤实现:
步骤1:对钟差数据进行预处理
由于外界环境的影响,钟差数据不可避免的存在粗差,粗差的存在会严重影响预报的精度,因此要剔除粗差,把钟差数据转换为频率数据后采用中位数法剔除粗差,并采用线性插值法补齐,此外采用多项式模型预报并设置阀值判断钟差数据是否存在钟跳,若存在钟跳,对钟差数据进行分段处理。
步骤2:对钟差数据进行主成分分析
因为钟差数据主要由趋势项、周期项、噪声构成,利用谱分析模型进行建模时噪声对建模有一定的影响,为了减弱噪声对钟差建模的影响,所以考虑采用主成分分析对钟差进行分解,分离出大部分的噪声项,几乎只留下钟差中的趋势项和周期项,趋势项和周期项作为主要成分,噪声作为次要成分A。
步骤3:对主要成分和总的残差序列分别进行建模预报
主要成分采用抗差谱分析模型进行建模预报得到预报值C,同时也可以得到主要成分的拟合残差B,该拟合残差同样对钟差预报有一定的影响,对步骤2中分解后得到的次要成分A和拟合残差B进行相加,组成新的残差序列A+B,然后采用机器学习算法进行建模预报,得到预报值D。
步骤4:得到最终预报值
将步骤3中得到的两个预报值C和D进行相加得到新的预报序列后,利用二次多项式模型和钟差的最后四个历元预报的初始值和预报序列C+D中的初始值之间的差值对预报序列进行整体平移得到预报值E;采用二次多项式模型和钟差数据的最后四个历元求得新的斜率值,进而求的新的斜率值和整体拟合得到的斜率值的加权平均值,利用新的斜率加权平均值和整体拟合得到的斜率值的差值对所得的预报序列E进行斜率偏差修正,得到最终的预报值F。
本发明的技术方案把主成分分析分解预报、抗差谱分析模型、机器学习算法、起点偏差修正、斜率偏差修正关键方法结合了起来,最终预报效果有了明显提升。
惟以上所述者,仅为本发明的具体实施例而已,当不能以此限定本发明实施的范围,故其等同组件的置换,或依本发明专利保护范围所作的等同变化与修改,皆应仍属本发明权利要求书涵盖之范畴。
Claims (3)
1.一种GNSS超快速钟差预报方法,其特征在于,通过以下步骤实现:
步骤1:对钟差数据进行预处理;
步骤2:对钟差数据进行主成分分析;
钟差数据由趋势项、周期项、噪声构成,采用主成分分析对钟差进行分解,分离出大部分的噪声项,只留下钟差中的趋势项和周期项,趋势项和周期项作为主要成分,噪声作为次要成分A;
步骤3:对主要成分和总的残差序列分别进行建模预报;
主要成分采用抗差谱分析模型进行建模预报得到预报值C,同时得到主要成分的拟合残差B,该拟合残差同样对钟差预报有一定的影响,对钟差分解后得到的次要成分A拟合残差进行相加,组成新的残差序列A+B,然后采用机器学习算法进行建模预报,得到预报值D;
步骤4:得到最终预报值;
两个预报值C和D进行相加得到新的预报序列后,利用二次多项式模型和钟差的最后四个历元预报的初始值和预报序列C+D中的初始值之间的差值对预报序列进行整体平移得到预报值E;采用二次多项式模型和钟差数据的最后四个历元求得新的斜率值,进而求得新的斜率值和整体拟合得到的斜率值的加权平均值,利用新的斜率加权平均值和整体拟合得到的斜率值的差值对所得的预报序列E进行斜率偏差修正,得到最终的预报值F。
2.根据权利要求1所述的GNSS超快速钟差预报方法,其特征在于所述步骤1通过以下方式实现,具体为:把钟差数据转换为频率数据后采用中位数法剔除粗差,并采用线性插值法补齐。
3.根据权利要求2所述的GNSS超快速钟差预报方法,其特征在于所述步骤1通过以下方式实现,具体为:采用多项式模型预报并设置阀值判断钟差数据是否存在钟跳,若存在钟跳,对钟差数据进行分段处理。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010049690.5A CN111275090B (zh) | 2020-01-16 | 2020-01-16 | 一种gnss超快速钟差预报方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010049690.5A CN111275090B (zh) | 2020-01-16 | 2020-01-16 | 一种gnss超快速钟差预报方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN111275090A CN111275090A (zh) | 2020-06-12 |
CN111275090B true CN111275090B (zh) | 2021-07-16 |
Family
ID=71003485
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010049690.5A Active CN111275090B (zh) | 2020-01-16 | 2020-01-16 | 一种gnss超快速钟差预报方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111275090B (zh) |
Families Citing this family (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113240076B (zh) * | 2021-04-27 | 2023-11-28 | 北京无线电计量测试研究所 | 一种基于聚类和神经网络算法的钟差异常数据检测方法 |
CN113608248B (zh) * | 2021-06-25 | 2023-06-13 | 北京建筑大学 | 北斗5g融合的高精度巡检人员定位方法及相关设备 |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107132558A (zh) * | 2017-06-13 | 2017-09-05 | 武汉大学 | 惯性辅助的多频多模gnss周跳修复方法及系统 |
CN108196279A (zh) * | 2017-12-23 | 2018-06-22 | 航天恒星科技有限公司 | 基于实时数据流的卫星钟差解算及预报方法 |
CN110376620A (zh) * | 2019-07-24 | 2019-10-25 | 广州中海达卫星导航技术股份有限公司 | 实时钟差预报方法、装置和计算机设备 |
Family Cites Families (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102098119B (zh) * | 2011-01-27 | 2013-09-25 | 电子科技大学 | 一种接收机钟差预测方法 |
CN103502843B (zh) * | 2011-03-22 | 2015-05-20 | 天宝导航有限公司 | 具有三角相的gnss信号处理 |
US10488505B2 (en) * | 2014-05-30 | 2019-11-26 | The Boeing Company | Positioning in indoor locations and other GPS-denied environments |
CN104392414A (zh) * | 2014-11-04 | 2015-03-04 | 河海大学 | 一种区域cors坐标时间序列噪声模型的建立方法 |
US20170140645A1 (en) * | 2015-11-06 | 2017-05-18 | The Board Of Regents Of The University Of Oklahoma | Traffic monitoring system |
CN108107455A (zh) * | 2017-10-30 | 2018-06-01 | 千寻位置网络(浙江)有限公司 | 一种基于相位跳变的卫星钟差实时预报方法 |
CN109001771B (zh) * | 2018-06-04 | 2020-10-23 | 北京未来导航科技有限公司 | 导航卫星和低轨卫星实时钟差确定及预报方法和系统 |
CN110632625B (zh) * | 2019-08-19 | 2022-04-26 | 中国矿业大学 | 一种gnss时间序列阶跃探测与修复方法 |
-
2020
- 2020-01-16 CN CN202010049690.5A patent/CN111275090B/zh active Active
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107132558A (zh) * | 2017-06-13 | 2017-09-05 | 武汉大学 | 惯性辅助的多频多模gnss周跳修复方法及系统 |
CN108196279A (zh) * | 2017-12-23 | 2018-06-22 | 航天恒星科技有限公司 | 基于实时数据流的卫星钟差解算及预报方法 |
CN110376620A (zh) * | 2019-07-24 | 2019-10-25 | 广州中海达卫星导航技术股份有限公司 | 实时钟差预报方法、装置和计算机设备 |
Non-Patent Citations (3)
Title |
---|
Spatiotemporal Filtering and Noise Analysis for Regional GNSS Network in Antarctica Using Independent Component Analysis;Li W等;《Remote Sensing》;20190228;第11卷(第4期);第386页 * |
导航卫星快速定轨和预报方法研究;刘伟平;《中国优秀硕士学位论文全文数据库 工程科技II辑》;20120715(第7期);第C031-430页 * |
顾及周期项误差和起点偏差修正的北斗卫星钟差预报;艾青松等;《测绘学报》;20161215;第45卷(第S2期);第132-138页 * |
Also Published As
Publication number | Publication date |
---|---|
CN111275090A (zh) | 2020-06-12 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111046564B (zh) | 两阶段退化产品的剩余寿命预测方法 | |
Ferreira et al. | On the block maxima method in extreme value theory: PWM estimators | |
Öcal et al. | Business cycle non‐linearities in UK consumption and production | |
Jeong et al. | 21 A perspective on application of bootstrap methods in econometrics | |
CN111275090B (zh) | 一种gnss超快速钟差预报方法 | |
CN102306302B (zh) | 基于emd与garch模型的卫星时钟误差预报方法 | |
CN111582551B (zh) | 风电场短期风速预测方法、系统及电子设备 | |
CN110398368B (zh) | 基于fbm的长相关模型的轴承内圈故障剩余寿命预测方法 | |
Heng et al. | Probabilistic and deterministic wind speed forecasting based on non-parametric approaches and wind characteristics information | |
CN109255728B (zh) | 混沌相空间优化重构的光伏发电功率神经网络预测法 | |
CN111723982A (zh) | 基于灰色-马尔可夫链的中长期电力负荷组合预测方法 | |
CN116307215A (zh) | 一种电力系统的负荷预测方法、装置、设备及存储介质 | |
CN113627685B (zh) | 一种考虑风电上网负荷限制的风力发电机功率预测方法 | |
CN109816165B (zh) | 风电超短期功率预测方法及系统 | |
Xing et al. | Comparative study of reformed neural network based short‐term wind power forecasting models | |
CN110555784A (zh) | 基于门控循环神经网络风速修正的风电功率预测方法 | |
Zhou et al. | A novel algorithm system for wind power prediction based on RANSAC data screening and Seq2Seq-Attention-BiGRU model | |
CN112948462A (zh) | 一种基于改进的奇异谱分析和Bp神经网络的超短期风速预测方法 | |
CN110598171B (zh) | 基于Shannon熵-能量比的小波神经网络卫星钟差预报方法 | |
Zhao et al. | On the accelerated scan finite Markov chain imbedding approach | |
CN116701877A (zh) | 一种基于条件扩散模型的风机异常值修复方法 | |
CN116191412A (zh) | 电力负荷预测方法 | |
CN106529805B (zh) | 一种基于发电机重要度的发电系统可靠性评估方法 | |
CN114970711A (zh) | 一种基于Seq2Seq的电力负荷预测模型的构建方法及应用 | |
CN113917500A (zh) | 一种卫星钟差预报方法 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
CB02 | Change of applicant information | ||
CB02 | Change of applicant information |
Address after: 264200 No. 180, Wenhua West Road, Shandong, Weihai Applicant after: SHANDONG University Address before: 250061 Ji'nan City, Shandong Province, No. ten, No. 17923 Applicant before: SHANDONG University |
|
GR01 | Patent grant | ||
GR01 | Patent grant |