CN113281790A - 一种北斗卫星钟差预报方法及装置 - Google Patents
一种北斗卫星钟差预报方法及装置 Download PDFInfo
- Publication number
- CN113281790A CN113281790A CN202110567166.1A CN202110567166A CN113281790A CN 113281790 A CN113281790 A CN 113281790A CN 202110567166 A CN202110567166 A CN 202110567166A CN 113281790 A CN113281790 A CN 113281790A
- Authority
- CN
- China
- Prior art keywords
- model
- clock error
- beidou satellite
- data
- satellite clock
- 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.)
- Withdrawn
Links
Images
Classifications
-
- 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
- G01S19/23—Testing, monitoring, correcting or calibrating of receiver elements
-
- 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
- G01S19/25—Acquisition or tracking or demodulation of signals transmitted by the system involving aiding data received from a cooperating element, e.g. assisted GPS
- G01S19/256—Acquisition or tracking or demodulation of signals transmitted by the system involving aiding data received from a cooperating element, e.g. assisted GPS relating to timing, e.g. time of week, code phase, timing offset
-
- 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
- G01S19/38—Determining a navigation solution using signals transmitted by a satellite radio beacon positioning system
- G01S19/39—Determining a navigation solution using signals transmitted by a satellite radio beacon positioning system the satellite radio beacon positioning system transmitting time-stamped messages, e.g. GPS [Global Positioning System], GLONASS [Global Orbiting Navigation Satellite System] or GALILEO
- G01S19/40—Correcting position, velocity or attitude
Landscapes
- Engineering & Computer Science (AREA)
- Radar, Positioning & Navigation (AREA)
- Remote Sensing (AREA)
- Computer Networks & Wireless Communication (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Position Fixing By Use Of Radio Waves (AREA)
Abstract
本发明公开了一种北斗卫星钟差预报方法及装置,该方法包括:获取北斗卫星钟差预报对应的训练数据;利用第二模型构建并迭代优化第一模型的第一参数;利用训练数据和第一模型自身的训练机制对所述第一参数进行迭代优化,得到具有第二参数的第一模型,记为北斗卫星钟差预报模型;基于北斗卫星钟差预报模型进行北斗卫星钟差预报。本发明提出的预报方法有效提高了预报精度以及预报模型的稳定性。
Description
技术领域
本发明涉及卫星导航定位技术领域,具体涉及一种北斗卫星钟差预报方法及装置。
背景技术
卫星钟差在导航定位中至关重要,且1ns的时间误差,导致3dm的距离误差。因此,钟差精度的优劣严重影响定位的结果。随着导航定位的不断发展,实时定位成为研究的一个热点,而实时钟差的精度严重影响实时定位的结果。目前,获得实时钟差数据的途径有两种方式,一种是通过超快速钟差产品预报部分(IGU-P),另一种是利用开放式实时服务(Real Time Service,RTS),但是这两种均具有一定的局限性。IGU-P可实现实时应用,但其精度较低;RTS产品是通过大量的地面观测数据获得的,然而当通信不畅时,用户无法获得RTS数据,这些局限性严重影响到高精度定位的应用效果。因此,建立高精度钟差预报的高精度模型,以获取实时高精度钟差产品对实时精密定位尤为重要。
发明内容
针对上述现有技术存在的问题,本发明提供了一种北斗卫星钟差预报方法、装置、电子设备以及计算机可读存储介质,有效提高北斗卫星钟差预报精度,该技术方案如下:
第一方面,本发明实施例提供了一种北斗卫星钟差预报方法,包括:
获取北斗卫星钟差预报对应的训练数据;
利用第二模型构建并迭代优化第一模型的第一参数;
利用训练数据和第一模型自身的训练机制对所述第一参数进行迭代优化,得到具有第二参数的第一模型,记为北斗卫星钟差预报模型;
基于北斗卫星钟差预报模型进行北斗卫星钟差预报。
第二方面,本发明实施例提供了一种北斗卫星钟差预报装置,包括:
训练数据单元,用于获取北斗卫星钟差预报对应的训练数据;
第一参数单元,用于利用第二模型构建并迭代优化第一模型的第一参数;
第二参数单元,用于利用训练数据和第一模型自身的训练机制对所述第一参数进行迭代优化,得到具有第二参数的第一模型,记为北斗卫星钟差预报模型;
钟差预报单元,用于基于北斗卫星钟差预报模型进行北斗卫星钟差预报。
第三方面,本发明实施例提供了一种电子设备,包括总线、收发器、存储器、处理器及存储在所述存储器上并可在所述处理器上运行的计算机程序,所述收发器、所述存储器和所述处理器通过所述总线相连,所述计算机程序被所述处理器执行时实现任一项所述的北斗卫星钟差预报方法中的步骤。
第四方面,本发明实施例提供了一种计算机可读存储介质,其上存储有计算机程序,所述计算机程序被处理器执行时实现任一项所述的北斗卫星钟差预报方法中的步骤。
本发明的一种北斗卫星钟差预报方法及装置,具备如下有益效果:本发明提出的BSO-BP预报方法,通过与天牛须搜索算法优化BP神经网络BAS-BP、二次多项式QP以及灰色模型GM三种预报模型进行精度和稳定性分析,BSO-BP的预报精度优于QP、GM和BAS-BP模型,在预报0.5h、1h和3h时,精度最高约提高13倍、9倍、5.9倍,最低提高50%以上。BSO-BP模型与另外三种模型相比range值最稳定,并且与BAS-BP相比,Range值有明显减小,本发明的北斗卫星钟差预报方法在一定程度上缓解了预报精度随预报时间增大的问题。
附图说明
图1是本发明一个实施例中北斗卫星钟差预报方法的流程示意图;
图2是本发明一个实施例中北斗卫星钟差预报方法的流程示意图;
图3是本发明一个实施例中北斗卫星钟差预报装置的结构示意图;
图4-1和图4-2分别是一个实施例中的第一数据序列和第二数据序列的示意图;
图5是实验验证过程中对于四颗卫星分别采用四种钟差预报方法的0.5h的预报残差结果示意图;
图6是实验验证过程中对于四颗卫星分别采用四种钟差预报方法的1h的预报残差结果示意图;
图7是实验验证过程中对于四颗卫星分别采用四种钟差预报方法的3h的预报残差结果示意图;
具体实施方式
下面结合本发明实施例中的附图对本发明实施例进行描述。
图1示出了本发明实施例所提供的一种北斗卫星钟差预报方法的流程图。如图1所示,该方法包括:
获取北斗卫星钟差预报对应的训练数据;
利用第二模型构建并迭代优化第一模型的第一参数;
利用训练数据和第一模型自身的训练机制对所述第一参数进行迭代优化,得到具有第二参数的第一模型,记为北斗卫星钟差预报模型;
基于北斗卫星钟差预报模型进行北斗卫星钟差预报。
针对北斗卫星钟差预报技术,随着机器学习的兴起,许多学者将与之相关的算法引入到钟差预报中,如神经网络、支持向量机、极限学习机等,这些方法都可获得优于传统模型的预报精度,本发明实施例中,第一模型采用机器学习技术实现,具体的采用BP神经网络,基于训练完成的第一模型进行北斗卫星钟差预报,但是考虑到BP神经网络容易陷入局部最优的局限性,并考虑BDS钟差数据的特性,在通过第一模型自身的训练机制训练模型参数之前,先通过第二模型构建第一模型的第一参数并迭代优化,获取优化的第一参数,进一步基于该第一参数进行自身的训练过程,得到训练完成的北斗卫星钟差预报模型,有效避免模型陷入局部最优以及提高卫星钟差预报精度,具体的,该第二模型基于天牛群算法实现。
上述利用第二模型构建并迭代优化第一模型的第一参数之前,还包括根据网络的输入值和输出值个数确定BP神经网络的隐含层节点数,构造BP神经网络的结构,以及BP神经网络的预设超参数的设置,比如BP神经网络的损失函数和模型参数优化算法等。
在一个实施例中,参见图2,上述利用第二模型构建并迭代优化第一模型的第一参数,包括:
第一步,对天牛群算法的参数初始化,包括初始化步长、步须比、每个天牛的速度、位置,其中,每个天牛的位置表征第一模型的模型参数的位置信息,所述模型参数用于确定所述天牛个体对应的第一模型的一种模型参数,本实施例中模型参数包括第一模型的权重参数和偏置参数;
第二步,通过适应度函数计算每个天牛的适应度值,并标记存储个体最优和群体最优;
第三步,判断天牛群算法是否达到迭代停止条件,若是,则进行第五步,否则进行第四步,该迭代停止条件可以是群体最优的适应度函数值是否小于设定的阈值或者是否达到最大迭代次数;
第四步,对天牛群的步长参数、每个天牛的速度、位置进行更新;
第五步,基于迭代停止时的群体最优适应度函数值对应的天牛位置,获取优化后的第一模型的第一参数。
在一个实施例中,上述第三步还可以为:
判断天牛群算法是否达到迭代停止条件,若是,则进行第五步;
若否,则判断最优的适应度函数值是否连续第一预设次数相同,该第一预设次数可以设为10,若是,则在第四步中对将天牛群的步长参数恢复为初始值,并更新每个天牛的速度、位置进行更新,否则直接进行第四步。
具体来说,本实施例中利用第二模型构建并迭代优化第一模型的第一参数,包括如下步骤:
(1)首先,天牛群算法的参数初始化,主要参数有天牛群中每个天牛位置X以及速度V的初始值,算法最大迭代次数n,步长step的初始值,步长与触须之间的比值c,步长的更新因子eta,适应度函数值的阈值e。
利用随机函数rands对天牛群位置和速度的初始化,公式如下:
b'=rands(D,m) (7)
式中,m为天牛的个数,利用公式(7)生成天牛群的初始位置X=(X1,X2,…Xm),Xi为第i个天牛的位置;同理,生成天牛群的初始速度V=(V1,V2,…Vm),Vi为第i个天牛的速度,随机生成速度V的值在(vmin,vmax)之间。
(2)根据适应度函数f计算每个天牛的适应度值,记录当前个体的最优值fg和群体最优值fb,根据公式(8)完成对速度的更新,其中,该适应度函数用于表征第一模型的输出损失,即该适应度函数可以基于第一模型的输出损失函数获得;
Vt+1=Vt·wt+c1·r1·(X-fg)+c2·r2·(X-fb) (8)
式中,Vt,Vt+1分别为第t次迭代速度和第t+1次迭代速度;wt为惯性权重;c1,c2为速度学习因子常数;r1,r2为(0,1)的随机数。当然,对于天牛速度的更新过程中还包括对更新值的越界处理,对于速度V,如果V中的值大于vmax,则令其等于vmax;如果V中的值小于vmin,则令其等于vmin。
由于较大的惯性权重有利于全局搜索,反之有利于局部搜索,因此,本实施例中的惯性权重,如公式(9)
式中,wt为第t次迭代的惯性权重;wmax,wmin分别为最大、最小惯性权重;n为最大迭代次数。
(3)由速度V,步须比c和初始步长step计算每个天牛左右两须的位置,公式如下:
(4)对于步长的更新,选择用递减的方式,公式如下:
stept+1=stept·eta (13)
(5)根据左右须的位置计算相应的适应度值,完成天牛群位置的更新,公式如下:
通过以上公式,对天牛群的位置和速度不断更新,直到最大迭代次数,或者小于适应度函数值的阈值e,停止迭代,最终群体最优的位置就是要求的优化后的第一参数。
在一个实施例中,上述第一模型(BP神经网络)和第二模型(天牛群算法)的参数设置可以为:
天牛群算法:迭代次数n=200,天牛群大小为80,初始步长为step=0.001,步长的更新因子eta=0.8,步须比c=5,学习因子c1=c2=1.49618,惯性权重wmax=0.9,wmin=0.4,vmax=4,vmin=-4,λ=0.4;
BP神经网络的参数设置:隐含层节点数为4,迭代次数为103,学习率η为10-5,激励函数f2,f2分别为tansig和logsig。
在一个实施例中,上述获取北斗卫星钟差预报对应的训练数据,包括:
获取历史钟差数据的第一原始数据;
将所述第一原始数据通过第一转换获得第一数据序列;
将所述第一数据序列通过第一方法获得第二数据序列;
基于第二数据序列作为训练数据对第一模型进行训练;
所述第一方法包括:
基于第一数据序列中超出第一预设阈值区间的数据记为异常数据;
对发生异常数据的历元的下一历元对应的第一数据剔除,并采用插值法补充缺失数据,获得第二数据序列;
对应的,通过北斗卫星钟差预报模型进行北斗卫星钟差预报,包括:
对北斗卫星钟差预报模型输出的预测序列通过第一转换的逆转换获取钟差预报数据,具体的,该逆转换过程可以为:
式中,xn为第一原始数据的最后一个钟差值;yi为第二数据序列的预测序列;xi为逆转换后的第二原始数据的预测序列。
在一个实施例中,上述将第一原始数据xi转换为第一数据序列yi,可以通过将相邻的xi和xi+1作差得到第一数据序列;
在一个实施例中,上述将第一原始数据xi转换为第一数据序列yi,可以将第一原始数据xi经过小波分解获取小波系数,并将其中的高频系数序列作为第一数据序列。
获取第一数据序列的第一中值m=median(yi);
获取第一数据序列和第一中值的偏差进行处理后获取第二数据序列Yi={|yi-m|/0.6745};
基于第二数据序列的第二中值作为标准差M=median{|yi-m|/0.6745};
基于第一中值和标准差进行线性计算获得第一预设阈值区间,该第一阈值区间可以为(m-kM,m+kM),其中,k可以取值3-5,本实施例中取值3。
基于上述训练数据的获取方法,对第一模型进行训练进而获取北斗卫星钟差预报模型的方法包括:
以滑动窗口的方式接收一定长度的钟差序列作为第一原始数据,第二模型基于第二数据序列优化第一模型的初始化参数获取第一模型的第一参数;
将得到的第一模型的初始化参数(第一参数)和第二数据序列代入第一模型进行训练,直至训练完成获取具有第二参数的第一模型,即为北斗卫星钟差预报模型。
在一个实施例中,上述基于北斗卫星钟差预报模型进行北斗卫星钟差预报,具体包括:
以滑动窗口的方式接收北斗卫星的实时钟差,当所述实时钟差序列达到第一预设长度时,基于该第一预设长度实时钟差序列和北斗卫星钟差预报模型,得到钟差预报数据;
将得到的钟差预报数据存入数组中,与后续时刻收到的北斗卫星钟差实时数据做差得到预报误差序列;
当所述预报误差序列达到第二预设长度时,结合历史数据的第三预设个第二预设长度的预报误差序列进行序列数据拟合,得到预报误差序列模型;
根据预报误差序列模型获取所述钟差预报数据对应时刻的对应的预报误差值,基于所述预报误差值对所述钟差预报数据进行修正,得到修正后的钟差预报数据。
具体的,实时接收北斗卫星的钟差数据,当实时钟差序列达到第一预设长度时,该第一预设长度与第一预设滑动窗口长度一致;
基于该第一预设长度实时钟差序列和北斗卫星钟差预报模型,得到钟差预报数据;
同样,以滑动窗口的方式获取北斗卫星钟差预报模型输出的钟差预报数据与实际值的误差,具体的,实时接收所述预报误差数据,当实时预报误差序列达到第二预设长度时,该第二预设长度与第二预设滑动窗口长度一致;
基于该第二预设长度的预报误差数据与当前时刻的前第三预设个第二预设长度的预报误差序列进行序列数据拟合,该拟合方法包括但不限于最小二乘法等,得到预报误差序列模型;
本实施例中,以北斗卫星钟差预报模型的输出钟差预报数据和预报误差序列模型输出的对应时刻的预报误差数据,得到修正后的钟差预报数据,提高实时钟差预报的准确度。
在一个实施例中,上述预报误差序列模型的获取方法,包括:
将待拟合的预报误差序列数据分别拟合集和验证集;
采用至少一个第一类拟合函数分别对拟合集数据进行拟合;
基于至少一个第二类拟合函数分别对拟合集进行拟合,其中所述第二类拟合函数是基于至少一个第一类拟合函数融合得到的;
基于完成拟合的第一类拟合函数和第二类拟合函数通过验证集进行验证,基于拟合准确率最大的拟合函数获取预报误差序列模型。
本申请实施例中,在当所述预报误差序列达到第二预设长度时,结合历史数据的第三预设个第二预设长度的预报误差序列进行一次序列数据拟合,以便于得到与实时钟差预报误差动态变化相匹配的预报误差序列模型,提高了预报误差序列模型输出的预报误差值的准确率。同时,本申请实施例中,通过多种拟合函数进行拟合,便于得到最准确的预报误差序列模型,可以在实时钟差预报误差动态变化过程中获得与该变化阶段最为匹配的拟合函数获取预报误差序列模型,避免了单一拟合函数得到的预报误差序列模型和预报误差值的局限性。
上文详细描述了本发明实施例提供的北斗卫星钟差预报方法,该方法也可以通过相应的装置实现,下面详细描述本发明实施例提供的北斗卫星钟差预报装置。
图3示出了本发明实施例所提供的一种北斗卫星钟差预报装置的结构示意图。如图3所示,该北斗卫星钟差预报装置装置包括:
训练数据单元,用于获取北斗卫星钟差预报对应的训练数据;
第一参数单元,用于利用第二模型构建并迭代优化第一模型的第一参数;
第二参数单元,用于利用训练数据和第一模型自身的训练机制对所述第一参数进行迭代优化,得到具有第二参数的第一模型,记为北斗卫星钟差预报模型;
钟差预报单元,用于基于北斗卫星钟差预报模型进行北斗卫星钟差预报。
此外,本发明实施例还提供了一种电子设备,包括总线、收发器、存储器、处理器及存储在所述存储器上并可在所述处理器上运行的计算机程序,所述收发器、所述存储器和所述处理器通过所述总线相连,其特征在于,所述计算机程序被所述处理器执行时实现上述北斗卫星钟差预报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。
总线表示若干类型的总线结构中的任何一种总线结构中的一个或多个,包括存储器总线以及存储器控制器、外围总线、处理器或使用各种总线体系结构中的任意总线结构的局域总线。
处理器可以是一种集成电路芯片,具有信号处理能力。在实现过程中,上述方法实施例的各步骤可以通过处理器中硬件的集成逻辑电路或软件形式的指令完成。
处理器可以是微处理器或任何常规的处理器。结合本发明实施例所公开的方法步骤可以直接由硬件译码处理器执行完成,或者由译码处理器中的硬件及软件模块组合执行完成。软件模块可以位于随机存取存储器(Random Access Memory,RAM)、闪存(FlashMemory)、只读存储器(Read-Only Memory,ROM)、可编程只读存储器(ProgrammableROM,PROM)、可擦除可编程只读存储器(Erasable PROM,EPROM)、寄存器等本领域公知的可读存储介质中。所述可读存储介质位于存储器中,处理器读取存储器中的信息,结合其硬件完成上述方法的步骤。
收发器可以是一个元件,也可以是多个元件,例如多个接收器和发送器,提供用于在传输介质上与各种其他装置通信的单元。
应理解,本发明实施例中的存储器可以是易失性存储器或非易失性存储器,或可包括易失性存储器和非易失性存储器两者。
此外,本发明实施例还提供了一种计算机可读存储介质,其上存储有计算机程序,其特征在于,所述计算机程序被处理器执行时实现上述北斗卫星钟差预报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。
计算机可读存储介质包括:永久性和非永久性、可移动和非可移动媒体,是可以保留和存储供指令执行设备所使用指令的有形设备。计算机可读存储介质包括:电子存储设备、磁存储设备、光存储设备、电磁存储设备、半导体存储设备以及上述任意合适的组合。
在本申请所提供的几个实施例中,应该理解到,所披露的装置、电子设备和方法,可以通过其他的方式实现。例如,以上描述的装置实施例仅仅是示意性的,例如,所述模块或单元的划分,仅仅为一种逻辑功能划分,实际实现时可以有另外的划分方式,例如多个单元或组件可以结合或可以集成到另一个系统,或一些特征可以忽略,或不执行。另外,所显示或讨论的相互之间的耦合或直接耦合或通信连接可以是通过一些接口、装置或单元的间接耦合或通信连接,也可以是电的、机械的或其他的形式连接。
基于这样的理解,本发明实施例的技术方案本质上或者说对现有技术作出贡献的部分,或者该技术方案的全部或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中,包括若干指令用以使得一台计算机设备(包括:个人计算机、服务器、数据中心或其他网络设备)执行本发明各个实施例所述方法的全部或部分步骤。而上述存储介质包括如前述所列举的各种可以存储程序代码的介质。
基于上述实施例提供的北斗卫星钟差预报方法,进行实验验证,该验证过程和结果如下:
对第一数据序列中超出第一预设阈值区间的异常数据,进行修正获得第二数据序列,以C05卫星的钟差数据为例,修正前的第一数据序列和修正后的第二数据序列如图4-1和图4-2所示,可以看出,C05在未处理前,频率数据不稳定,在经过上述方法处理后,波动较明显的值被有效的剔除,频率数据变得比较平稳。表明该方法适用于钟差数据的预处理。
选取武汉大学提供的2020年年积日(Day of Year,DOY)为163的精密钟差数据,其采样间隔为30s。以BDS-2的C01、C12和BDS-3的C28、C34为例,分别用二次多项式(QuadraticPolynomial,QP)、灰色模型(Grey Model,GM)和天牛须算法优化BP神经网络模型(BAS-BP)与本申请的BSO-BP模型进行短期钟差预报分析,对于预报结果的评定,选取预报时间段对应的已知精密钟差数据作为参考数据,选取均方根误差(RMS)和最大误差与最小误差之差的绝对值(Range)作为精度评定指标。
用一天前12h的数据转换为第二数据序列后进行建模,预报之后3h的钟差。分别统计了四种预报模型在0.5h、1h、3h的预报精度RMS值和Range值,如表1-表3所示。
表1.四颗卫星0.5h统计结果(E-10s)
表2.四颗卫星1h统计结果(E-10s)
表3.四颗卫星3h统计结果(E-10s)
从表1-表3的RMS可以看出,BSO-BP与另外三种模型相比其精度最好。当预报0.5h时,四颗卫星BSO-BP模型的预报精度均在0.05ns以内,其中对C28的预报精度最好,达到了0.013ns;对C12的预报精度最差,为0.038ns,但相对于QP模型的0.532ns提高了约13倍。当预报1h时,BSO-BP模型的精度与预报0.5h的精度基本相当均在0.05ns以内;其中QP模型对C12、C34的预报精度随时间的增加而提高,而其他三种预报模型精度均有不同程度的下降。当预报3h时,BSO-BP模型对C1、C28和C34的预报精度分别为0.071ns、0.022ns和0.038ns均在0.1ns之内,对C12的预报精度在四种模型中也是最好,达到了0.242ns;GM对C1、C12、C28、C34的预报精度最差,分别为0.473ns、0.563ns、0.111ns和0.262ns。因此,BSO-BP模型对钟差进行短期预报时具有良好的精度。如对C34进行3h预报时,BSO-BP模型的预报精度相对于QP、GM和BAS-BP模型分别提高约0.8倍、6倍、3倍。
BAS-BP与BSO-BP对卫星C1、C12和C34进行0.5h和1h预报时,其精度都要优于QP和GM模型,因此,智能优化后的BP神经网络与传统模型相比在对钟差进行短期预报时更有优势。但是当预报3h时,BAS-BP模型对不同卫星的预报精度有较大差别,而BSO-BP模型依旧具有高于QP和GM模型的精度,这可能是由于BAS搜索到的参数陷入局部最优,也说明了改进后的BSO算法的可行性。
同时,根据Range值可以看出,QP、GM、BAS-BP和BSO-BP模型对C12的预报Range值最差,在预报3h时,Range值分别为1.337ns、0.747ns、0.797ns和0.556ns,远高于其他三颗卫星。BSO-BP模型的Range值在整个时段内整体优于另外三种模型,除了在对C12卫星进行0.5h预报时为0.143ns,低于灰色模型和BAS-BP模型的0.118ns和0.113ns,在其他时间段对四颗卫星预报的Range值均最小。因此,BSO-BP模型预报比较稳定。
图5-图7为四颗卫星三个时间段内的预报残差图,其中绿色表示多项式模型,红色表示灰色模型,蓝色表示BAS-BP模型,粉色表示BSO-BP模型。从图中可以看出,四种模型的残差具有相似的趋势,残差的突变历元基本一致,这可能是由于数据本身造成的,与模型无关。由图5可以看出,GM模型和QP模型预测的初始值相差比较大,如C01、C12卫星,多项式和灰色模型的初始预测残差值距离0较远,而BAS-BP与BSO-BP对四颗卫星的初始预测残差值均在0附近,这是导致多项式和灰色模型在0.5h内预报精度较低的原因。从图6-图7中可以看出,对于C12、C34卫星,四种模型的预报残差值随着时间的增加变化较大,因此其精度随时间的增加也将越来越差。但由表1-表3知,多项式模型在对C12、C34卫星预报时其预测精度在不断增加,这可能与多项式模型预测的初始偏差相关,多项式模型预测有严重的初始偏差,导致其残差值随时间的增加而不断接近0,随后再远离0,因此其精度随时间增加而出现反常的提升。
同时,从残差图中可以看出,四种模型对C12的预报精度最低,且对C28的预报精度最高。BSO-BP模型对C1、C28、C34进行3h预报时,其残差值基本都在0附近波动,远优于另外三种模型;而对于C12,其残差相对较大,但也优于另外三种模型相。BSO-BP模型与BAS-BP模型相比,其初始残差值基本一致,但是BSO-BP的预报残差值随时间的变化相对较小。
本发明不局限于上述具体的实施方式,本领域的普通技术人员从上述构思出发,不经过创造性的劳动,所做出的种种变换,均落在本发明的保护范围之内。
Claims (10)
1.一种北斗卫星钟差预报方法,其特征在于,包括:
获取北斗卫星钟差预报对应的训练数据;
利用第二模型构建并迭代优化第一模型的第一参数;
利用训练数据和第一模型自身的训练机制对所述第一参数进行迭代优化,得到具有第二参数的第一模型,记为北斗卫星钟差预报模型;
基于北斗卫星钟差预报模型进行北斗卫星钟差预报。
2.根据权利要求1所述的一种北斗卫星钟差预报方法,其特征在于,所述第一模型采用BP神经网络,所述第二模型基于天牛群算法实现。
3.根据权利要求2所述的一种北斗卫星钟差预报方法,其特征在于,所述利用第二模型构建并迭代优化第一模型的第一参数,包括:
第一步,对天牛群算法的参数初始化,包括初始化步长、步须比、每个天牛的速度、位置;
第二步,通过适应度函数计算每个天牛的适应度值,并标记个体最优和群体最优;
第三步,判断天牛群算法是否达到迭代停止条件,若是,则进行第五步,否则进行第四步;
第四步,对天牛群的步长参数、每个天牛的速度、位置进行更新;
第五步,基于迭代停止时的群体最优适应度函数值对应的天牛位置,获取优化后的第一模型的初始模型参数。
4.根据权利要求3所述的一种北斗卫星钟差预报方法,其特征在于,所述每个天牛的位置表征第一模型的模型参数的位置信息,所述模型参数用于确定所述天牛个体对应的第一模型的一种模型参数,所述天牛群算法的迭代停止条件包括:群体最优的适应度函数值是否小于设定的阈值或者是否达到最大迭代次数。
5.根据权利要求3所述的一种北斗卫星钟差预报方法,其特征在于,所述第三步为:
判断天牛群算法是否达到迭代停止条件,若是,则进行第五步;
若否,则判断最优的适应度函数值是否连续第一预设次数相同,若是,则在第四步中对将天牛群的步长参数恢复为初始值,并更新每个天牛的速度、位置进行更新,否则直接进行第四步。
6.根据权利要求3所述的一种北斗卫星钟差预报方法,其特征在于,所述第二模型的适应度函数用于表征第一模型的输出损失。
7.根据权利要求1所述的一种北斗卫星钟差预报方法,其特征在于,所述获取北斗卫星钟差预报对应的训练数据,包括:
获取历史钟差数据的第一原始数据;
将所述第一原始数据通过第一转换获得第一数据序列;
将所述第一数据序列通过第一方法获得第二数据序列;
基于第二数据序列作为训练数据对第一模型进行训练;
所述第一方法包括:
基于第一数据序列中超出第一预设阈值区间的数据记为异常数据;
对发生异常数据的历元的下一历元对应的第一数据剔除,并采用插值法补充缺失数据,获得第二数据序列;
对应的,通过北斗卫星钟差预报模型进行北斗卫星钟差预报,包括:
对北斗卫星钟差预报模型输出的预测序列通过第一转换的逆转换获取钟差预报数据。
8.根据权利要求7所述的一种北斗卫星钟差预报方法,其特征在于,所述第一预设阈值区间的设置方法包括:
获取第一数据序列的第一中值;
获取第一数据序列和第一中值的偏差进行处理后获取第二数据序列;
基于第二数据序列的第二中值作为标准差;
基于第一中值和标准差进行线性计算获得第一预设阈值区间。
10.一种北斗卫星钟差预报装置,其特征在于,包括:
训练数据单元,用于获取北斗卫星钟差预报对应的训练数据;
第一参数单元,用于利用第二模型构建并迭代优化第一模型的第一参数;
第二参数单元,用于利用训练数据和第一模型自身的训练机制对所述第一参数进行迭代优化,得到具有第二参数的第一模型,记为北斗卫星钟差预报模型;
钟差预报单元,用于基于北斗卫星钟差预报模型进行北斗卫星钟差预报。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110567166.1A CN113281790A (zh) | 2021-05-24 | 2021-05-24 | 一种北斗卫星钟差预报方法及装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110567166.1A CN113281790A (zh) | 2021-05-24 | 2021-05-24 | 一种北斗卫星钟差预报方法及装置 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN113281790A true CN113281790A (zh) | 2021-08-20 |
Family
ID=77281105
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110567166.1A Withdrawn CN113281790A (zh) | 2021-05-24 | 2021-05-24 | 一种北斗卫星钟差预报方法及装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113281790A (zh) |
Cited By (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114265093A (zh) * | 2021-12-06 | 2022-04-01 | 中国人民解放军海军工程大学 | 一种卫星时钟钟差预报方法、系统、介质、设备及终端 |
CN114265094A (zh) * | 2021-12-06 | 2022-04-01 | 中国人民解放军海军工程大学 | 基于初始条件优化gm模型的gps卫星钟差预报方法及系统 |
CN115826016A (zh) * | 2023-02-10 | 2023-03-21 | 长安大学 | 一种北斗双频星基增强改正数及完好性参数解算的方法 |
CN116050483A (zh) * | 2023-01-10 | 2023-05-02 | 辽宁工程技术大学 | 一种ssa-bp神经网络与灰色模型卫星钟差预报方法 |
CN117687474A (zh) * | 2023-11-28 | 2024-03-12 | 中国地质大学(武汉) | 一种基于LFA-BiLSTM模型的星载原子钟差短期预报方法 |
-
2021
- 2021-05-24 CN CN202110567166.1A patent/CN113281790A/zh not_active Withdrawn
Cited By (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114265093A (zh) * | 2021-12-06 | 2022-04-01 | 中国人民解放军海军工程大学 | 一种卫星时钟钟差预报方法、系统、介质、设备及终端 |
CN114265094A (zh) * | 2021-12-06 | 2022-04-01 | 中国人民解放军海军工程大学 | 基于初始条件优化gm模型的gps卫星钟差预报方法及系统 |
CN116050483A (zh) * | 2023-01-10 | 2023-05-02 | 辽宁工程技术大学 | 一种ssa-bp神经网络与灰色模型卫星钟差预报方法 |
CN116050483B (zh) * | 2023-01-10 | 2024-02-13 | 辽宁工程技术大学 | 一种ssa-bp神经网络与灰色模型卫星钟差预报方法 |
CN115826016A (zh) * | 2023-02-10 | 2023-03-21 | 长安大学 | 一种北斗双频星基增强改正数及完好性参数解算的方法 |
CN117687474A (zh) * | 2023-11-28 | 2024-03-12 | 中国地质大学(武汉) | 一种基于LFA-BiLSTM模型的星载原子钟差短期预报方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN113281790A (zh) | 一种北斗卫星钟差预报方法及装置 | |
CN106600059B (zh) | 基于改进rbf神经网络的智能电网短期负荷预测方法 | |
CN110543929B (zh) | 一种基于Lorenz系统的风速区间预测方法及系统 | |
CN113128793A (zh) | 一种基于多源数据融合的光伏功率组合预测方法及系统 | |
CN111967679A (zh) | 基于tcn模型的电离层总电子含量预报方法 | |
CN109242265B (zh) | 基于误差平方和最小的城市需水量组合预测方法 | |
CN111310965A (zh) | 一种基于lstm网络的飞行器航迹预测方法 | |
CN110570034B (zh) | 一种基于多XGBoost模型融合的母线负荷预测方法 | |
Zhang et al. | Wind speed prediction research considering wind speed ramp and residual distribution | |
Han et al. | Network traffic prediction using variational mode decomposition and multi-reservoirs echo state network | |
CN109618288B (zh) | 基于深度卷积神经网络的无线传感网距离测量系统及方法 | |
CN113469426A (zh) | 基于改进bp神经网络的光伏输出功率预测方法及系统 | |
CN109510610A (zh) | 一种基于软投影加权核递归最小二乘的核自适应滤波方法 | |
CN111798494B (zh) | 广义相关熵准则下的机动目标鲁棒跟踪方法 | |
CN115016040B (zh) | 基于多模型智能选择的海雾预测方法、装置、设备及介质 | |
CN116992779A (zh) | 基于数字孪生模型的光伏储能系统仿真方法及系统 | |
CN109341690B (zh) | 一种鲁棒高效的组合导航自适应数据融合方法 | |
CN109253727B (zh) | 一种基于改进迭代容积粒子滤波算法的定位方法 | |
Mellit et al. | Neural network adaptive wavelets for sizing of stand-alone photovoltaic systems | |
CN114167295A (zh) | 基于多算法融合的锂离子电池soc估算方法与系统 | |
CN116706903B (zh) | 光伏发电量预测方法、装置、设备及介质 | |
CN116976393A (zh) | 一种导航卫星钟差数据的神经网络预报方法 | |
CN116760006A (zh) | 一种风电功率预测方法、装置、设备及存储介质 | |
CN111191941A (zh) | 一种基于人工蜂群算法解决sevm模型问题的方法 | |
CN113064440B (zh) | 一种基于海洋模式的自适应观测方法 |
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 | ||
WW01 | Invention patent application withdrawn after publication | ||
WW01 | Invention patent application withdrawn after publication |
Application publication date: 20210820 |