CN113155136B - Gnss卫星轨道预报偏差量分析模型的训练方法及装置 - Google Patents

Gnss卫星轨道预报偏差量分析模型的训练方法及装置 Download PDF

Info

Publication number
CN113155136B
CN113155136B CN202011608803.7A CN202011608803A CN113155136B CN 113155136 B CN113155136 B CN 113155136B CN 202011608803 A CN202011608803 A CN 202011608803A CN 113155136 B CN113155136 B CN 113155136B
Authority
CN
China
Prior art keywords
data
orbit
time period
network
satellite
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
Application number
CN202011608803.7A
Other languages
English (en)
Other versions
CN113155136A (zh
Inventor
余龙飞
崔红正
昌胜骐
计国锋
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Qianxun Spatial Intelligence Inc
Original Assignee
Qianxun Spatial Intelligence Inc
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Qianxun Spatial Intelligence Inc filed Critical Qianxun Spatial Intelligence Inc
Priority to CN202011608803.7A priority Critical patent/CN113155136B/zh
Publication of CN113155136A publication Critical patent/CN113155136A/zh
Application granted granted Critical
Publication of CN113155136B publication Critical patent/CN113155136B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01C—MEASURING DISTANCES, LEVELS OR BEARINGS; SURVEYING; NAVIGATION; GYROSCOPIC INSTRUMENTS; PHOTOGRAMMETRY OR VIDEOGRAMMETRY
    • G01C21/00—Navigation; Navigational instruments not provided for in groups G01C1/00 - G01C19/00
    • G01C21/24—Navigation; Navigational instruments not provided for in groups G01C1/00 - G01C19/00 specially adapted for cosmonautical navigation
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01S—RADIO DIRECTION-FINDING; RADIO NAVIGATION; DETERMINING DISTANCE OR VELOCITY BY USE OF RADIO WAVES; LOCATING OR PRESENCE-DETECTING BY USE OF THE REFLECTION OR RERADIATION OF RADIO WAVES; ANALOGOUS ARRANGEMENTS USING OTHER WAVES
    • G01S19/00—Satellite radio beacon positioning systems; Determining position, velocity or attitude using signals transmitted by such systems
    • G01S19/01—Satellite radio beacon positioning systems transmitting time-stamped messages, e.g. GPS [Global Positioning System], GLONASS [Global Orbiting Navigation Satellite System] or GALILEO
    • G01S19/13—Receivers
    • G01S19/24—Acquisition or tracking or demodulation of signals transmitted by the system
    • G01S19/27—Acquisition or tracking or demodulation of signals transmitted by the system creating, predicting or correcting ephemeris or almanac data within the receiver
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Remote Sensing (AREA)
  • Radar, Positioning & Navigation (AREA)
  • General Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Computing Systems (AREA)
  • Mathematical Physics (AREA)
  • Data Mining & Analysis (AREA)
  • Evolutionary Computation (AREA)
  • General Health & Medical Sciences (AREA)
  • Molecular Biology (AREA)
  • Biophysics (AREA)
  • General Engineering & Computer Science (AREA)
  • Biomedical Technology (AREA)
  • Computational Linguistics (AREA)
  • Software Systems (AREA)
  • Artificial Intelligence (AREA)
  • Astronomy & Astrophysics (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Health & Medical Sciences (AREA)
  • Automation & Control Theory (AREA)
  • Power Engineering (AREA)
  • Computer Networks & Wireless Communication (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)

Abstract

本公开公开了一种GNSS卫星轨道预报偏差量分析模型的训练方法及装置，其中，方法包括：获取目标卫星在第一时间段内的快速定轨数据和在第二时间段内的轨道预报数据；将第一时间段的快速定轨数据和第二时间段的轨道预报数据作为第一输入数据输入到预设的轨道预报偏差量生成网络中，得到目标卫星的第二时间段的轨道预报偏差量；将第二时间段的轨道预报偏差量、第二时间段的轨道预报数据，及在第一时间段和第二时间段目标卫星的最终定轨数据输入到预设的鉴别网络中，得到鉴别结果；根据鉴别结果对轨道预报偏差量生成网络进行训练，得到轨道预报偏差量分析模型。该轨道预报偏差量分析模型能增强后处理轨道的轨道预报精度，削弱误差影响。

Description

GNSS卫星轨道预报偏差量分析模型的训练方法及装置
技术领域
本公开涉及导航技术领域，具体涉及一种GNSS卫星轨道预报偏差量分析模型的训练方法及装置。
背景技术
随着GNSS定位技术不断的发展，应用场景也变得丰富多样，特别是对高精度定位的需求越来越多。影响GNSS定位精度的因素有很多种，这些因素导致定位过程中产生各种误差。GNSS定位中的误差主要包括与卫星有关的误差、与信号传播有关的误差和与接收机有关的误差。其中与卫星有关的误差包括卫星的轨道误差和钟误差。
卫星轨道误差主要是由于根据卫星星历计算所得卫星位置和实际位置之间存在的偏差。目前用于GNSS定位的卫星星历包括预报星历和后处理星历，其中用于实时GNSS定位的卫星轨道的信息主要采用的是预报星历。预报星历包括GNSS自身播发的广播星历和根据后处理轨道的预报星历。广播星历的精度会收到跟踪位置和解算过程中各种误差的影响，很难应用于高精度单点定位中。多系统的GNSS中的GPS广播星历精度约为1.0m、GLONASS广播星历精度约为3.5m。后处理轨道的预报星历主要是根据地面观测站利用动力学模型进行GNSS卫星定轨，在卫星轨道动力学模型的基础上进行轨道预报。例如IGS发布的超快速SP3文件包含了GNSS的24小时快速定轨数据和24小时的轨道预报数据，其中24小时的轨道预报数据约为5cm。后处理轨道的预报星历预报轨道精度会随着时间推移快速衰减。
后处理轨道的预报星历主要采用轨道积分预报模式，需要对卫星所受摄动力进行精确建模，模型精度越高，轨道预报的精度越高。然而卫星所受的摄动力，特别是非保守力(太阳光压辐射，地球热辐射等)是非常难以精确建模的，这就对轨道预报的精度有所限制。摄动力模型主要采用的经验模型，这些模型存在着未被完全模型化的信息。此外，由于卫星在轨长期运行，卫星质量，太阳帆板的反射特性的变化等等，使得卫星的摄动力模型也会产生变化，这也会影响轨道预报的精度。
发明内容
本公开实施例的目的是提供一种GNSS卫星轨道预报偏差量分析模型的训练方法及装置，以至少解决现有轨道预报的精度相对较低的问题。
本公开的技术方案如下：
根据本公开实施例的第一方面，提供一种GNSS卫星轨道预报偏差量分析模型的训练方法，该方法可以包括：
获取目标卫星在第一时间段内的快速定轨数据和在第二时间段内的轨道预报数据；
将第一时间段的快速定轨数据和第二时间段的轨道预报数据作为第一输入数据输入到预设的轨道预报偏差量生成网络中，得到目标卫星的第二时间段的轨道预报偏差量；
将第二时间段的轨道预报偏差量、第二时间段的轨道预报数据、及在第一时间段和第二时间段目标卫星的最终定轨数据输入到预设的鉴别网络中，得到鉴别结果；
根据鉴别结果对轨道预报偏差量生成网络进行训练，得到轨道预报偏差量分析模型。
进一步地，第一输入数据包括第一组数据和第二组数据；
第一组数据包括第一时间段的全球导航卫星系统卫星坐标的快速定轨数据、轨道第一变换周期性数据及轨道第二变换周期性数据；
第二组数据包括第二时间段的全球导航卫星系统卫星坐标的轨道预报数据、轨道第一变换周期性数据及轨道第二变换周期性数据；
将快速定轨数据和轨道预报数据作为输入数据输入到预设的轨道预报偏差量生成网络中，得到目标卫星的轨道预报偏差量，具体包括：
将第一组数据输入进轨道预报偏差量生成网络的编码网络中，提取第一组数据的特征数据；
将特征数据和第二组数据输入进轨道预报偏差量生成网络的解码网络中，得到轨道预报偏差量；
其中，轨道第一变换周期性数据是通过对第一时间段的快速定轨数据进行傅立叶变换后得到最大频率值，并根据最大频率值得到的，轨道第二变换周期性数据是通过对第一时间段的快速定轨数据进行傅立叶变换后得到第二大频率值，并根据第二大频率值得到的。
进一步地，输入数据包括第一组数据、第二组数据和第三组数据；
第一组数据包括第一时间段的全球导航卫星系统卫星坐标的快速定轨数据、轨道第一变换周期性数据及轨道第二变换周期性数据；
第二组数据包括第二时间段的全球导航卫星系统卫星坐标的轨道预报数据、轨道第一变换周期性数据及轨道第二变换周期性数据；
第三组数据包括两个不同的发布时间对第二时间段的轨道预报数据；
将快速定轨数据和轨道预报数据作为输入数据输入到预设的轨道预报偏差量生成网络中，得到目标卫星的轨道预报偏差量，具体为：
将第一组数据输入进轨道预报偏差量生成网络的编码网络中，提取第一组数据的特征数据；
将特征数据、第二组数据和第三组数据输入进轨道预报偏差量生成网络的解码网络中，得到轨道预报偏差量。
进一步地，将特征数据、第二组数据和第三组数据输入进轨道预报偏差量生成网络的解码网络中，得到轨道预报偏差量，包括：
将第三组数据在解码网络中进行卷积运算，得到卷积运算结果；
将卷积运算结果与将特征数据、第二组数据作为解码网络中的循环神经网络的第二输入数据，得到轨道预报偏差量。
进一步地，将轨道预报偏差量、第二时间段的轨道预报数据和在第二时间段内目标卫星的最终定轨数据输入到预设的鉴别网络中，得到鉴别结果，包括：
根据第一时间段的最终定轨数据、及第二时间段的轨道预报偏差量与第二时间段的轨道预报数据的和，生成第一样本；
根据第一时间段和第二时间段的最终定轨数据生成第二样本；
根据第一样本训练鉴别网络，得到第一鉴别结果；
根据第一样本和第二样本训练鉴别网络，得到第二鉴别结果；
鉴别结果包括第一鉴别结果和第二鉴别结果。
进一步地，鉴别网络包括循环神经网络和全连接层。
根据本公开实施例的第二方面，提供一种GNSS卫星轨道预报增强方法，该方法可以包括：
获取目标卫星在第三时间段内的快速定轨数据和在第四时间段内的轨道预报数据；
将快速定轨数据和轨道预报数据作为输入数据输入到实施例第一方面所述方法所训练得到的轨道预报偏差量分析模型中，得到目标卫星的轨道预报偏差量；
根据轨道预报偏差量和第四时间段内的轨道预报数据得到预报增强后的轨道结果。
根据本公开实施例的第三方面，提供一种GNSS卫星轨道预报偏差量分析模型的训练装置，该装置可以包括：
获取模块，用于获取目标卫星在第一时间段内的快速定轨数据和在第二时间段内的轨道预报数据；
第一数据输入模块，用于将第一时间段的快速定轨数据和轨道预报数据作为第一输入数据输入到预设的轨道预报偏差量生成网络中，得到目标卫星的第二时间段的轨道预报偏差量；
第二数据输入模块，用于将第二时间段的轨道预报偏差量、第二时间段的轨道预报数据，及在第一时间段和第二时间段目标卫星的最终定轨数据输入到预设的鉴别网络中，得到鉴别结果；
训练模块，用于根据鉴别结果对轨道预报偏差量生成网络进行训练，得到轨道预报偏差量分析模型。
根据本公开实施例的第四方面，提供一种GNSS卫星轨道预报增强方法，该方法可以包括：
获取目标卫星的在第五时间段内的快速定轨数据和在第六时间段内的轨道预报数据；
将第五时间段内的快速定轨数据和第六时间段内的轨道预报数据作为输入数据输入到预先训练得到的轨道预报偏差量分析模型中，得到目标卫星的第六时间段内的轨道预报偏差量；
根据轨道预报偏差量和第六时间段内的轨道预报数据得到预报增强后的轨道结果。
根据本公开实施例的第五方面，提供一种电子设备，该电子设备可以包括：
处理器；
用于存储处理器可执行指令的存储器；
其中，处理器被配置为执行指令，以实现如第一方面的任一项实施例中所示的GNSS卫星轨道预报偏差量分析模型的训练方法，或如第二方面的任一项实施例中所示的GNSS卫星轨道预报增强方法，或如第四方面的任一项实施例中所示的GNSS卫星轨道预报增强方法。
根据本公开实施例的第六方面，提供一种存储介质，当存储介质中的指令由信息处理装置或者服务器的处理器执行时，以使信息处理装置或者服务器实现以实现如第一方面的任一项实施例中所示的GNSS卫星轨道预报偏差量分析模型的训练方法，或如第二方面的任一项实施例中所示的GNSS卫星轨道预报增强方法，或如第四方面的任一项实施例中所示的GNSS卫星轨道预报增强方法。
本公开的实施例提供的技术方案至少带来以下有益效果：
本公开实施例通过获取目标卫星在第一时间段内的快速定轨数据和在第二时间段内的轨道预报数据；将快速定轨数据和轨道预报数据作为第一输入数据输入到预设的轨道预报偏差量生成网络中，得到目标卫星的轨道预报偏差量；将轨道预报偏差量、第二时间段的轨道预报数据和在第二时间段内目标卫星的最终定轨数据输入到预设的鉴别网络中，得到第一鉴别结果；根据鉴别结果对轨道预报偏差量生成网络进行训练，得到轨道预报偏差量分析模型。利用该方法得到的轨道预报偏差量分析模型预测轨道预报数据的偏差量，根据该偏差量和轨道预报数据就可以得到较为准确的轨道预报数据。该方法可以有效增强后处理轨道的轨道预报精度，削弱了卫星轨道误差对高精度定位结果的影响。
应当理解的是，以上的一般描述和后文的细节描述仅是示例性和解释性的，并不能限值本公开。
附图说明
此处的附图被并入说明书中并构成本说明书的一部分，示出了符合本公开的实施例，并与说明书一起用于解释本公开的原理，并不构成对本公开的不当限定。
图1是根据一示例性实施例示出的GNSS卫星轨道预报偏差量分析模型的训练方法流程图；
图2是根据一示例性实施例示出的IGS发布的某天超快速SP3文件的定轨数据和轨道预报数据示意图；
图3是根据一示例性实施例示出的生成器网络示意图；
图4是根据一示例性实施例示出的判别器网络示意图
图5是根据一示例性实施例示出的整个生成对抗网络示意图；
图6是根据一示例性实施例示出的电子设备结构示意图；
图7是根据一示例性实施例示出的电子设备硬件结构示意图。
具体实施方式
为了使本领域普通人员更好地理解本公开的技术方案，下面将结合附图，对本公开实施例中的技术方案进行清楚、完整地描述。
需要说明的是，本公开的说明书和权利要求书及上述附图中的术语“第一”、“第二”等是用于区别类似的对象，而不必用于描述特定的顺序或先后次序。应该理解这样使用的数据在适当情况下可以互换，以便这里描述的本公开的实施例能够以除了在这里图示或描述的那些以外的顺序实施。以下示例性实施例中所描述的实施方式并不代表与本公开相一致的所有实施方式。相反，它们仅是与如所附权利要求书中所详述的、本公开的一些方面相一致的装置和方法的例子。
术语解释：
GNSS：全球导航卫星系统(Global Navigation Satellite System)
SP3:标准产品格式(Standard Product 3)
GAN:生成式对抗网络(GAN,Generative Adversarial Networks)
RNN:循环神经网络(Recurrent Neural Network)
CNN:卷积神经网络(convolutional neural network)
IGS:国际GNSS服务(International GNSS Service)
IGU:IGS超快速产品(IGS Ultra-rapid products)
如图1所示，在本公开实施例的第一方面，提供一种GNSS卫星轨道预报偏差量分析模型的训练方法，该方法可以包括：
步骤100：获取目标卫星在第一时间段内的快速定轨数据和在第二时间段内的轨道预报数据；
步骤200：将第一时间段的快速定轨数据和第二时间段的轨道预报数据作为第一输入数据输入到预设的轨道预报偏差量生成网络中，得到目标卫星的第二时间段的轨道预报偏差量；
步骤300：将第二时间段的轨道预报偏差量、第二时间段的轨道预报数据、及在第一时间段和第二时间段目标卫星的最终定轨数据输入到预设的鉴别网络中，得到鉴别结果；
步骤400：根据鉴别结果对轨道预报偏差量生成网络进行训练，得到轨道预报偏差量分析模型。
在本实施例中，可以利用上述训练方法训练得到的轨道预报偏差量分析模型预测轨道预报数据的偏差量，根据该偏差量和轨道预报数据就可以得到较为准确的轨道预报数据。该方法可以有效增强后处理轨道的轨道预报精度，削弱了卫星轨道误差对高精度定位结果的影响。
在本公开一些可选实施例中，第一输入数据包括第一组数据和第二组数据；
第一组数据包括第一时间段的全球导航卫星系统卫星坐标的快速定轨数据、轨道第一变换周期性数据及轨道第二变换周期性数据；
第二组数据包括第二时间段的全球导航卫星系统卫星坐标的轨道预报数据、轨道第一变换周期性数据及轨道第二变换周期性数据；
将快速定轨数据和轨道预报数据作为输入数据输入到预设的轨道预报偏差量生成网络中，得到目标卫星的轨道预报偏差量，具体包括：
将第一组数据输入进轨道预报偏差量生成网络的编码网络中，提取第一组数据的特征数据；
将特征数据和第二组数据输入进轨道预报偏差量生成网络的解码网络中，得到轨道预报偏差量；
其中，轨道第一变换周期性数据是通过对第一时间段的快速定轨数据进行傅立叶变换后得到最大频率值，并根据最大频率值得到的，轨道第二变换周期性数据是通过对第一时间段的快速定轨数据进行傅立叶变换后得到第二大频率值，并根据第二大频率值得到的。
在本公开一具体实施例中，提供一种数据样本集，如下：
(1)构建用于本发明的数据样本集
从IGS数据分析中心，获取每天每隔6个小时发布的GNSS卫星轨道的超快速SP3文件，如图2所示，超快速SP3文件包括GNSS的24小时快速定轨数据和24小时的轨道预报数据，IGS数据分析中心每天在00、06、12、18小时发布超快速SP3文件，图中白色块为当前发布时间的24小时快速定轨数据，四个灰色方块表示24小时的轨道预报数据，一个灰色方块表示6个小时的轨道预报数据，同时获取GNSS卫星轨道的最终SP3文件。将这些数据构建本公开实施例的原始数据样本集。
(2)根据数据样本集，训练基于生成对抗网络的GNSS卫星轨道预报模型
根据数据样本集，构建用于训练的样本
以GNSS星座中某颗卫星的x坐标轴轨道数据为例。用于训练的样本包括：
第一组数据包括GNSS卫星坐标的快速定轨数据和两个周期性数据。第一组数据的第i∈(1,2,…,t)个元素为[xi si' ci"]，其中t为输入序列包含的时刻数，xi为i时刻的当前卫星x轴坐标值，si'＝f(2π×Ti/T')，ci"＝g(2π×Ti/T")，f、g分别为以T'、T"为周期的周期函数(例如：三角函数)，Ti为i时刻，T'、T"分别为x坐标轴轨道第一周期值和第二周期值。
第二组数据包括GNSS卫星坐标的轨道预报数据和两个周期性数据。第二组数据的第i∈(t+1,t+2,…,t+p)个元素为
Figure BDA0002871015150000091
其中p为输出序列包含的时刻数(即预报时刻长度)，
Figure BDA0002871015150000092
为i时刻的当前卫星x轴坐标预报值，si'、ci"与第一组数据相同。
在本公开一些可选实施例中，输入数据包括第一组数据、第二组数据和第三组数据；
第一组数据包括第一时间段的全球导航卫星系统卫星坐标的快速定轨数据、轨道第一变换周期性数据及轨道第二变换周期性数据；
第二组数据包括第二时间段的全球导航卫星系统卫星坐标的轨道预报数据、轨道第一变换周期性数据及轨道第二变换周期性数据；
第三组数据包括两个不同的发布时间对第二时间段的轨道预报数据；
将快速定轨数据和轨道预报数据作为输入数据输入到预设的轨道预报偏差量生成网络中，得到目标卫星的轨道预报偏差量，具体为：
将第一组数据输入进轨道预报偏差量生成网络的编码网络中，提取第一组数据的特征数据；
将特征数据、第二组数据和第三组数据输入进轨道预报偏差量生成网络的解码网络中，得到轨道预报偏差量。
在本公开另一具体实施例中，提供一种数据样本集，如下：
(1)构建用于本发明的数据样本集
从IGS数据分析中心，获取每天每隔6个小时发布的GNSS卫星轨道的超快速SP3文件，如图2所示，超快速SP3文件包括GNSS的24小时快速定轨数据和24小时的轨道预报数据，同时获取GNSS卫星轨道的最终SP3文件。将这些数据构建本实施例的原始数据样本集。
(2)根据数据样本集，训练基于生成对抗网络的GNSS卫星轨道预报模型
根据数据样本集，构建用于训练的样本。
以GNSS星座中某颗卫星的x坐标轴轨道数据为例。用于训练的样本包括下列数据。
第一组数据包括GNSS卫星坐标的快速定轨数据和两个周期性数据。第一组数据的第i∈(1,2,…,t)个元素为[xi si' ci"]，其中t为输入序列包含的时刻数，xi为i时刻的当前卫星x轴坐标值，si'＝f(2π×Ti/T')，ci"＝g(2π×Ti/T")，f、g分别为以T'、T"为周期的周期函数(例如：三角函数)，Ti为i时刻，T'、T"分别为x坐标轴轨道第一周期值和第二周期值。
第二组数据包括GNSS卫星坐标的轨道预报数据和两个周期性数据。第二组数据的第i∈(t+1,t+2,…,t+p)个元素为
Figure BDA0002871015150000101
其中p为输出序列包含的时刻数(即预报时刻长度)，
Figure BDA0002871015150000102
为i时刻的当前卫星x轴坐标预报值，si'、ci"与第一组数据相同。
第三组数据包括GNSS坐标轴的三个不同时间段的轨道预报数据。第三组数据的第i∈(t+1,t+2,…,t+p)个元素为
Figure BDA0002871015150000103
其中
Figure BDA0002871015150000104
分别为a、b、c时间段发布的i时刻当前卫星x轴坐标预报值，a、b、c为当前时间段前的三个超快速SP3文件发布时间。
在本公开一些可选实施例中，将特征数据、第二组数据和第三组数据输入进轨道预报偏差量生成网络的解码网络中，得到轨道预报偏差量，包括：
将第三组数据在解码网络中进行卷积运算，得到卷积运算结果；
将卷积运算结果与将特征数据、第二组数据作为解码网络中的循环神经网络的第二输入数据，得到轨道预报偏差量。
具体的，首先将第一组数据输入编码部分进行特征信息的提取，并将编码部分提取的特征信息作为一种解码部分的输入数据。在解码部分，进行循环神经网络运算之前，还需要对输入样本的第三组数据进行卷积运算，将卷积结果与第二组数据合并作为循环神经网络的输入数据，得到轨道预报偏差量。
示例性的，生成器网络是一网络是一个编码-解码结构的模型如图3所示。在编码部分，输入样本为训练样本中的第一组数据，采用了循环神经网络作为基础模型，提取输入样本的特征数据。在解码部分，输入样本包括编码部分的输出信息、训练样本中的第二数据和第三组数据，首先将第三组数据
Figure BDA0002871015150000111
进行卷积运算；接着将卷积运算结果
Figure BDA0002871015150000112
与第二组数据合并为
Figure BDA0002871015150000113
并将合并后的数据作为解码部分的循环神经网络的输入数据，循环神经网络的第i个输出数据为Δxi。
在本公开一些可选实施例中，将轨道预报偏差量、第二时间段的轨道预报数据和在第二时间段内目标卫星的最终定轨数据输入到预设的鉴别网络中，得到鉴别结果，包括：
根据第一时间段的最终定轨数据、及第二时间段的轨道预报偏差量与第二时间段的轨道预报数据的和，生成第一样本；
根据第一时间段和第二时间段的最终定轨数据生成第二样本；
根据第一样本训练鉴别网络，得到第一鉴别结果；
根据第一样本和第二样本训练鉴别网络，得到第二鉴别结果；
鉴别结果包括第一鉴别结果和第二鉴别结果。
具体的，判别器训练过程可以为，生成器网络的输出轨道预报偏差量为
Figure BDA0002871015150000114
IGS的最终定轨数据样本为[x1 x2 … xt xt+1 … xt+p]。组成判别器网络的输入数据为
Figure BDA0002871015150000115
作为第一样本，将第一样本输入到判别器网络的输出结果作为第一鉴别结果，标签设置为真，计算损失函数，接着向后传递累积的梯度。
某个样本的IGS超快速SP3轨道预报值为
Figure BDA0002871015150000121
生成器网络的输出为
Figure BDA0002871015150000122
IGS的最终定轨数据样本为[x1 x2 … xt xt+1 … xt+p]，则判别器网络的两种输入样本集，第二样本为IGS的最终定轨数据[x1 x2 … xt xt+1 … xt+p]，第一样本为IGS的最终定轨数据、IGS超快速SP3轨道预报值与生成器网络的输出数据组成的数据
Figure BDA0002871015150000123
将第一样本和第二样本输入到判别器网络的输出结果作为第二鉴别结果，第一样本的标签为假，第二样本标签为真，计算损失函数的损失值，接着向后传递累积的梯度。本实施例中，第一时间段对应[x1 x2 … xt]，第二时间段对应[xt+1 … xt+p]。
在本公开一些可选实施例中，鉴别网络包括循环神经网络和全连接层。
示例性的，判别器网络是由循环神经网络和全连接层组成。如图4所示，判别器网络的数据样本是一组时间序列，将这组样本作为循环神经网络的输入数据，接着将循环神经网络的输出数据作为全连接层的输入数据。其中循环神经网络的输入数据的维数为t+p；全连接层输入数据维数为p，输出数据维数为1。
具体的，生成对抗网络包括：生成器网络和鉴别网络，如图5所示。
在本公开实施例的第二方面，提供一种GNSS卫星轨道预报增强方法，该方法可以包括：
获取目标卫星在第三时间段内的快速定轨数据和在第四时间段内的轨道预报数据；
将快速定轨数据和轨道预报数据作为输入数据输入到实施例第一方面所述方法训练得到的轨道预报偏差量分析模型中，得到目标卫星的轨道预报偏差量；
根据轨道预报偏差量和第四时间段内的轨道预报数据得到预报增强后的轨道结果。
示例性的，首先，根据生成对抗网络模型的生成器网络的输入数据构造预报时间段的输入特征值；接着将输入数据输入训练好的生成对抗网络模型，若其输出为
Figure BDA0002871015150000131
则最后获取的轨道预报值为
Figure BDA0002871015150000132
后处理轨道的预报星历中的轨道精度会随着时间推移快速降低，快速定轨过程中摄动力模型存在未被完全模型化的信息，本实施例方法在后处理轨道的预报星历基础上，利用深度学习中的生成对抗网络对预报轨道中的未被完全模型化的信息和与时间相关信息建模，用于增强预报轨道精度。本实施例方法是利用上述训练方法训练得到的轨道预报偏差量分析模型预测轨道预报数据的偏差量，根据该偏差量和轨道预报数据就可以得到较为准确的轨道预报数据。该方法可以有效增强后处理轨道的轨道预报精度，削弱了卫星轨道误差对高精度定位结果的影响。
根据本公开实施例的第三方面，提供一种GNSS卫星轨道预报偏差量分析模型的训练装置，该装置可以包括：
获取模块，用于获取目标卫星在第一时间段内的快速定轨数据和在第二时间段内的轨道预报数据；
第一数据输入模块，用于将第一时间段的快速定轨数据和轨道预报数据作为第一输入数据输入到预设的轨道预报偏差量生成网络中，得到目标卫星的第二时间段的轨道预报偏差量；
第二数据输入模块，用于将第二时间段的轨道预报偏差量、第二时间段的轨道预报数据，及在第一时间段和第二时间段目标卫星的最终定轨数据输入到预设的鉴别网络中，得到鉴别结果；
训练模块，用于根据鉴别结果对轨道预报偏差量生成网络进行训练，得到轨道预报偏差量分析模型。
本申请实施例中的GNSS卫星轨道预报偏差量分析模型的训练装置可以是装置，也可以是终端中的部件、集成电路、或芯片。该装置可以是移动电子设备，也可以为非移动电子设备。示例性的，移动电子设备可以为手机、平板电脑、笔记本电脑、掌上电脑、车载电子设备、可穿戴设备、超级移动个人计算机(ultra-mobile personal computer，UMPC)、上网本或者个人数字助理(personal digital assistant，PDA)等，非移动电子设备可以为服务器、网络附属存储器(Network Attached Storage，NAS)、个人计算机(personal computer，PC)、电视机(television，TV)、柜员机或者自助机等，本申请实施例不作具体限定。
本申请实施例中的GNSS卫星轨道预报偏差量分析模型的训练装置可以为具有操作系统的装置。该操作系统可以为安卓(Android)操作系统，可以为ios操作系统，还可以为其他可能的操作系统，本申请实施例不作具体限定。
本申请实施例提供的GNSS卫星轨道预报偏差量分析模型的训练装置能够实现图1至图5的方法实施例实现的各个过程，为避免重复，这里不再赘述。
在本公开实施例的第四方面，提供一种GNSS卫星轨道预报增强方法，包括：
获取目标卫星的在第五时间段内的快速定轨数据和在第六时间段内的轨道预报数据；
将第五时间段内的快速定轨数据和第六时间段内的轨道预报数据作为输入数据输入到预先训练得到的轨道预报偏差量分析模型中，得到目标卫星的第六时间段内的轨道预报偏差量；
根据轨道预报偏差量和第六时间段内的轨道预报数据得到预报增强后的轨道结果。
可选的，如图6所示，本申请实施例还提供一种电子设备600，包括处理器601，存储器602，存储在存储器602上并可在所述处理器601上运行的程序或指令，该程序或指令被处理器601执行时实现上述GNSS卫星轨道预报偏差量分析模型的训练方法实施例的各个过程，或者实现上述GNSS卫星轨道预报增强方法实施例的各个过程，且能达到相同的技术效果，为避免重复，这里不再赘述。
需要说明的是，本申请实施例中的电子设备包括上述所述的移动电子设备和非移动电子设备。
图7为实现本申请实施例的一种电子设备的硬件结构示意图。
该电子设备700包括但不限于：射频单元701、网络模块702、音频输出单元703、输入单元704、传感器705、显示单元706、用户输入单元707、接口单元708、存储器709、以及处理器710等部件。
本领域技术人员可以理解，电子设备700还可以包括给各个部件供电的电源(比如电池)，电源可以通过电源管理系统与处理器710逻辑相连，从而通过电源管理系统实现管理充电、放电、以及功耗管理等功能。图7中示出的电子设备结构并不构成对电子设备的限定，电子设备可以包括比图示更多或更少的部件，或者组合某些部件，或者不同的部件布置，在此不再赘述。
应理解的是，本申请实施例中，输入单元704可以包括图形处理器(GraphicsProcessing Unit，GPU)7041和麦克风7042，图形处理器7041对在视频捕获模式或图像捕获模式中由图像捕获装置(如摄像头)获得的静态图片或视频的图像数据进行处理。显示单元706可包括显示面板7061，可以采用液晶显示器、有机发光二极管等形式来配置显示面板7061。用户输入单元707包括触控面板7071以及其他输入设备7072。触控面板7071，也称为触摸屏。触控面板7071可包括触摸检测装置和触摸控制器两个部分。其他输入设备7072可以包括但不限于物理键盘、功能键(比如音量控制按键、开关按键等)、轨迹球、鼠标、操作杆，在此不再赘述。存储器709可用于存储软件程序以及各种数据，包括但不限于应用程序和操作系统。处理器710可集成应用处理器和调制解调处理器，其中，应用处理器主要处理操作系统、用户界面和应用程序等，调制解调处理器主要处理无线通信。可以理解的是，上述调制解调处理器也可以不集成到处理器710中。
本申请实施例还提供一种可读存储介质，所述可读存储介质上存储有程序或指令，该程序或指令被处理器执行时实现上述GNSS卫星轨道预报偏差量分析模型的训练方法实施例的各个过程，或者实现上述GNSS卫星轨道预报增强方法实施例的各个过程，且能达到相同的技术效果，为避免重复，这里不再赘述。
其中，所述处理器为上述实施例中所述的电子设备中的处理器。所述可读存储介质，包括计算机可读存储介质，如计算机只读存储器(Read-Only Memory，ROM)、随机存取存储器(Random Access Memory，RAM)、磁碟或者光盘等。
本申请实施例另提供了一种芯片，所述芯片包括处理器和通信接口，所述通信接口和所述处理器耦合，所述处理器用于运行程序或指令，实现上述GNSS卫星轨道预报偏差量分析模型的训练方法实施例的各个过程，或者实现上述GNSS卫星轨道预报增强方法实施例的各个过程，且能达到相同的技术效果，为避免重复，这里不再赘述。
应理解，本申请实施例提到的芯片还可以称为系统级芯片、系统芯片、芯片系统或片上系统芯片等。
需要说明的是，在本文中，术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、方法、物品或者装置不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程、方法、物品或者装置所固有的要素。在没有更多限制的情况下，由语句“包括一个……”限定的要素，并不排除在包括该要素的过程、方法、物品或者装置中还存在另外的相同要素。此外，需要指出的是，本申请实施方式中的方法和装置的范围不限按示出或讨论的顺序来执行功能，还可包括根据所涉及的功能按基本同时的方式或按相反的顺序来执行功能，例如，可以按不同于所描述的次序来执行所描述的方法，并且还可以添加、省去、或组合各种步骤。另外，参照某些示例所描述的特征可在其他示例中被组合。
通过以上的实施方式的描述，本领域的技术人员可以清楚地了解到上述实施例方法可借助软件加必需的通用硬件平台的方式来实现，当然也可以通过硬件，但很多情况下前者是更佳的实施方式。基于这样的理解，本申请的技术方案本质上或者说对现有技术做出贡献的部分可以以软件产品的形式体现出来，该计算机软件产品存储在一个存储介质(如ROM/RAM、磁碟、光盘)中，包括若干指令用以使得一台终端(可以是手机，计算机，服务器，空调器，或者网络设备等)执行本申请各个实施例所述的方法。
上面结合附图对本申请的实施例进行了描述，但是本申请并不局限于上述的具体实施方式，上述的具体实施方式仅仅是示意性的，而不是限制性的，本领域的普通技术人员在本申请的启示下，在不脱离本申请宗旨和权利要求所保护的范围情况下，还可做出很多形式，均属于本申请的保护之内。

Claims (10)

1.一种GNSS卫星轨道预报偏差量分析模型的训练方法，其特征在于，包括：
获取目标卫星在第一时间段内的快速定轨数据和在第二时间段内的轨道预报数据；
将所述第一时间段的快速定轨数据和所述第二时间段的轨道预报数据作为第一输入数据输入到预设的轨道预报偏差量生成网络中，得到所述目标卫星的第二时间段的轨道预报偏差量；
将所述第二时间段的轨道预报偏差量、所述第二时间段的轨道预报数据、及在所述第一时间段和所述第二时间段内所述目标卫星的最终定轨数据输入到预设的鉴别网络中，得到鉴别结果；
根据所述鉴别结果对所述轨道预报偏差量生成网络进行训练，得到轨道预报偏差量分析模型。
2.根据权利要求1所述的方法，其特征在于，所述第一输入数据包括第一组数据和第二组数据；
所述第一组数据包括所述第一时间段的全球导航卫星系统卫星坐标的快速定轨数据、轨道第一变换周期性数据及轨道第二变换周期性数据；
所述第二组数据包括所述第二时间段的全球导航卫星系统卫星坐标的轨道预报数据、所述轨道第一变换周期性数据及所述轨道第二变换周期性数据；
所述将所述快速定轨数据和所述轨道预报数据作为输入数据输入到预设的轨道预报偏差量生成网络中，得到目标卫星的轨道预报偏差量，具体包括：
将所述第一组数据输入进所述轨道预报偏差量生成网络的编码网络中，提取所述第一组数据的特征数据；
将所述特征数据和所述第二组数据输入进所述轨道预报偏差量生成网络的解码网络中，得到所述轨道预报偏差量；
其中，所述轨道第一变换周期性数据是通过对所述第一时间段的所述快速定轨数据进行傅立叶变换后得到最大频率值，并根据所述最大频率值得到的，所述轨道第二变换周期性数据是通过对所述第一时间段的所述快速定轨数据进行傅立叶变换后得到第二大频率值，并根据所述第二大频率值得到的。
3.根据权利要求1所述的方法，其特征在于，所述输入数据包括第一组数据、第二组数据和第三组数据；
所述第一组数据包括所述第一时间段的全球导航卫星系统卫星坐标的快速定轨数据、轨道第一变换周期性数据及轨道第二变换周期性数据；
所述第二组数据包括所述第二时间段的全球导航卫星系统卫星坐标的轨道预报数据、所述轨道第一变换周期性数据及所述轨道第二变换周期性数据；
所述第三组数据包括两个不同的发布时间对所述第二时间段的轨道预报数据；
所述将所述快速定轨数据和所述轨道预报数据作为输入数据输入到预设的轨道预报偏差量生成网络中，得到目标卫星的轨道预报偏差量，具体为：
将所述第一组数据输入进所述轨道预报偏差量生成网络的编码网络中，提取所述第一组数据的特征数据；
将所述特征数据、所述第二组数据和所述第三组数据输入进所述轨道预报偏差量生成网络的解码网络中，得到所述轨道预报偏差量。
4.根据权利要求3所述的方法，其特征在于，所述将所述特征数据、所述第二组数据和所述第三组数据输入进所述轨道预报偏差量生成网络的解码网络中，得到所述轨道预报偏差量，包括：
将所述第三组数据在所述解码网络中进行卷积运算，得到卷积运算结果；
将所述卷积运算结果与将所述特征数据、所述第二组数据作为所述解码网络中的循环神经网络的第二输入数据，得到所述轨道预报偏差量。
5.根据权利要求1所述的方法，其特征在于，所述将所述第二时间段的轨道预报偏差量、所述第二时间段的轨道预报数据、及在所述第一时间段和所述第二时间段内所述目标卫星的最终定轨数据输入到预设的鉴别网络中，得到鉴别结果，包括：
根据所述第一时间段的最终定轨数据、及所述第二时间段的轨道预报偏差量与所述第二时间段的轨道预报数据的和，生成第一样本；
根据所述第一时间段和第二时间段的最终定轨数据生成第二样本；
根据所述第一样本训练鉴别网络，得到第一鉴别结果；
根据所述第一样本和所述第二样本训练鉴别网络，得到第二鉴别结果；
所述鉴别结果包括所述第一鉴别结果和所述第二鉴别结果。
6.根据权利要求1所述的方法，其特征在于，所述鉴别网络包括循环神经网络和全连接层。
7.一种GNSS卫星轨道预报增强方法，其特征在于，包括：
获取目标卫星在第三时间段内的快速定轨数据和在第四时间段内的轨道预报数据；
将所述快速定轨数据和所述轨道预报数据作为输入数据输入到如权利要求1-6任一项所训练得到的轨道预报偏差量分析模型中，得到目标卫星的轨道预报偏差量；
根据所述轨道预报偏差量和所述第四时间段内的轨道预报数据得到预报增强后的轨道结果。
8.一种GNSS卫星轨道预报偏差量分析模型的训练装置，其特征在于，包括：
获取模块，用于获取目标卫星在第一时间段内的快速定轨数据和在第二时间段内的轨道预报数据；
第一数据输入模块，用于将所述第一时间段的快速定轨数据和所述轨道预报数据作为第一输入数据输入到预设的轨道预报偏差量生成网络中，得到目标卫星的第二时间段的轨道预报偏差量；
第二数据输入模块，用于将所述第二时间段的轨道预报偏差量、所述第二时间段的轨道预报数据，及在所述第一时间段和所述第二时间段内所述目标卫星的最终定轨数据输入到预设的鉴别网络中，得到鉴别结果；
训练模块，用于根据所述鉴别结果对所述轨道预报偏差量生成网络进行训练，得到轨道预报偏差量分析模型。
9.一种电子设备，其特征在于，包括：
处理器；
用于存储所述处理器可执行指令的存储器；
其中，所述处理器被配置为执行所述指令，以实现如权利要求1-6中任一项所述的GNSS卫星轨道预报偏差量分析模型的训练方法，或者如权利要求7所述的GNSS卫星轨道预报增强方法。
10.一种存储介质，其特征在于，当所述存储介质中的指令由信息处理装置或者服务器的处理器执行时，以使所述信息处理装置或者所述服务器实现如权利要求1-6中任一项所述的GNSS卫星轨道预报偏差量分析模型的训练方法，或者如权利要求7所述的GNSS卫星轨道预报增强方法。
CN202011608803.7A 2020-12-29 2020-12-29 Gnss卫星轨道预报偏差量分析模型的训练方法及装置 Active CN113155136B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202011608803.7A CN113155136B (zh) 2020-12-29 2020-12-29 Gnss卫星轨道预报偏差量分析模型的训练方法及装置

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202011608803.7A CN113155136B (zh) 2020-12-29 2020-12-29 Gnss卫星轨道预报偏差量分析模型的训练方法及装置

Publications (2)

Publication Number Publication Date
CN113155136A CN113155136A (zh) 2021-07-23
CN113155136B true CN113155136B (zh) 2022-08-05

Family

ID=76878110

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202011608803.7A Active CN113155136B (zh) 2020-12-29 2020-12-29 Gnss卫星轨道预报偏差量分析模型的训练方法及装置

Country Status (1)

Country Link
CN (1) CN113155136B (zh)

Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN103886368A (zh) * 2014-03-26 2014-06-25 南京航空航天大学 一种卫星精确轨道预报方法
CN108761505A (zh) * 2018-06-04 2018-11-06 北京未来导航科技有限公司 一种导航卫星预报轨道的处理方法及系统
CN108875244A (zh) * 2018-06-29 2018-11-23 北京航空航天大学 一种基于随机森林的轨道预报精度改进方法
CN108959665A (zh) * 2017-05-17 2018-12-07 上海微小卫星工程中心 适用于低轨卫星的轨道预报误差经验模型生成方法及系统
CN109145434A (zh) * 2018-08-16 2019-01-04 北京理工大学 一种利用改进bp神经网络预测广播星历轨道误差的方法
CN110598171A (zh) * 2019-08-15 2019-12-20 辽宁生态工程职业学院 基于Shannon熵-能量比的小波神经网络卫星钟差预报方法
CN111428912A (zh) * 2020-03-02 2020-07-17 上海航天控制技术研究所 一种基于支持向量机的火星探测器轨道预测方法及系统

Patent Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN103886368A (zh) * 2014-03-26 2014-06-25 南京航空航天大学 一种卫星精确轨道预报方法
CN108959665A (zh) * 2017-05-17 2018-12-07 上海微小卫星工程中心 适用于低轨卫星的轨道预报误差经验模型生成方法及系统
CN108761505A (zh) * 2018-06-04 2018-11-06 北京未来导航科技有限公司 一种导航卫星预报轨道的处理方法及系统
CN108875244A (zh) * 2018-06-29 2018-11-23 北京航空航天大学 一种基于随机森林的轨道预报精度改进方法
CN109145434A (zh) * 2018-08-16 2019-01-04 北京理工大学 一种利用改进bp神经网络预测广播星历轨道误差的方法
CN110598171A (zh) * 2019-08-15 2019-12-20 辽宁生态工程职业学院 基于Shannon熵-能量比的小波神经网络卫星钟差预报方法
CN111428912A (zh) * 2020-03-02 2020-07-17 上海航天控制技术研究所 一种基于支持向量机的火星探测器轨道预测方法及系统

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
Hao P , Bai X ..Artificial Neural Network–Based Machine Learning Approach to Improve Orbit Prediction Accuracy.《Space Flight Mechanics Meeting》.2018,第1-13页. *
黄金等.高轨卫星轨道预报中神经网络模型优化设计.《测绘科学技术学报》.2015,第32卷(第6期),第559-564页. *

Also Published As

Publication number Publication date
CN113155136A (zh) 2021-07-23

Similar Documents

Publication Publication Date Title
CN110210513B (zh) 数据分类方法、装置及终端设备
CN102375146A (zh) Gps数字中频信号的模拟方法及系统
CN116643293A (zh) Gnss定位方法及装置、设备、存储介质
Mu et al. Design and implementation of vector tracking loop for high-dynamic gnss receiver
Luo et al. An enhanced non-coherent pre-filter design for tracking error estimation in GNSS receivers
CN113155136B (zh) Gnss卫星轨道预报偏差量分析模型的训练方法及装置
Liang et al. Foundation models for time series analysis: A tutorial and survey
CN112101257B (zh) 训练样本生成方法、图像处理方法、装置、设备和介质
CN110909578A (zh) 一种低分辨率图像识别方法、装置和存储介质
CN112270205A (zh) 一种案件侦查方法及装置
CN116416131A (zh) 目标对象预测方法及装置
CN113704374B (zh) 空间飞行器轨迹拟合方法、装置及终端
CN113961701A (zh) 消息文本的聚类方法及装置
Zhu et al. Modal-adaptive gated recoding network for RGB-D salient object detection
CN116304654A (zh) 模糊度确认模型的训练方法、模糊度确认方法及装置
CN114648556A (zh) 视觉跟踪方法、装置和电子设备
Zhu et al. On the Foundations of Earth and Climate Foundation Models
Wang et al. Global ionospheric total electron content prediction based on spatiotemporal network model
CN115099318A (zh) 一种风速时空预测网络的训练方法、应用方法及电子设备
CN113361519A (zh) 目标处理方法、目标处理模型的训练方法及其装置
CN113837977A (zh) 对象跟踪方法、多目标跟踪模型训练方法及相关设备
CN113298265A (zh) 一种基于深度学习的异构传感器潜在相关性学习方法
Zhang et al. CIFNet: context information fusion network for cloud and cloud shadow detection in optical remote sensing imagery
CN111611420A (zh) 用于生成图像描述信息的方法和装置
Zhu et al. Motion-sensor fusion-based gesture recognition and its VLSI architecture design for mobile devices

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
GR01 Patent grant
GR01 Patent grant