留言板

尊敬的读者、作者、审稿人, 关于本刊的投稿、审稿、编辑和出版的任何问题, 您可以本页添加留言。我们将尽快给您答复。谢谢您的支持!

姓名
邮箱
手机号码
标题
留言内容
验证码

基于多种深度学习算法对卫星钟差预报的效果分析与对比研究

卢玉皖 郑礼全 胡超

卢玉皖, 郑礼全, 胡超. 基于多种深度学习算法对卫星钟差预报的效果分析与对比研究[J]. 全球定位系统, 2023, 48(5): 46-55, 91. doi: 10.12265/j.gnss.2023138
引用本文: 卢玉皖, 郑礼全, 胡超. 基于多种深度学习算法对卫星钟差预报的效果分析与对比研究[J]. 全球定位系统, 2023, 48(5): 46-55, 91. doi: 10.12265/j.gnss.2023138
LU Yuwan, ZHENG Liquan, HU Chao. Analysis and comparison of satellite clock error prediction based on various deep learning algorithms[J]. GNSS World of China, 2023, 48(5): 46-55, 91. doi: 10.12265/j.gnss.2023138
Citation: LU Yuwan, ZHENG Liquan, HU Chao. Analysis and comparison of satellite clock error prediction based on various deep learning algorithms[J]. GNSS World of China, 2023, 48(5): 46-55, 91. doi: 10.12265/j.gnss.2023138

基于多种深度学习算法对卫星钟差预报的效果分析与对比研究

doi: 10.12265/j.gnss.2023138
基金项目: 安徽省自然科学基金(2108085QD173);安徽省教育厅自然科学项目(KJ2020A0310)
详细信息
    作者简介:

    卢玉皖:(1997—),女,硕士,研究方向为GNSS数据处理研究

    郑礼全:(1967—),男,博士,副教授,研究方向为现代大地测量

    胡超:(1990—),男,博士,副教授,研究方向为卫星导航与定位关键技术

    通讯作者:

    胡 超E-mail: chaohu2014gnss@163.com

  • 中图分类号: P228.4

Analysis and comparison of satellite clock error prediction based on various deep learning algorithms

  • 摘要: 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的钟差数据量建模精度均比7 d的钟差数据量建模预报精度高. 其中,RBF神经网络模型随着钟差建模数据增加时,预报精度影响变大,预报精度从亚纳秒量级变化到几十纳秒量级. 2)四种神经网络模型预报精度与卫星在轨运行时长以及星载原子钟类型相关;在轨运行时间长的卫星其预报的性能不一定差,不同批次卫星的不同类型原子钟的预报效果的性能可能一样;其铯原子钟类型卫星在四种神经网络模型预报中精度最好.

     

  • 图  1  FA-BPNN算法流程图

    图  2  Elman神经网络模型图

    图  3  RBF神经网络模型图

    图  4  CNN-LSTM神经网络模型图

    图  5  FA-BP神经网络模型1 d和7 d的数据量建模预报的RMSE值统计

    图  6  Elman神经网络模型1 d和7 d的数据量建模预报的RMSE值统计

    图  7  RBF神经网络模型1 d和7 d的数据量建模预报的RMSE值统计

    图  8  CNN-LSTM神经网络模型1 d和7 d的数据量建模预报的RMS值统计

    图  9  四种模型1 d的钟差数据建模预报精度RMSE的平均值及极差值雷达图

    图  10  四种模型7 d的钟差数据建模预报精度RMS的平均值及极差值雷达图

    图  11  两种原子钟类型卫星在轨运行时间

    表  1  FA-BP模型预报的RMSE值平均值统计 ns

    卫星 1 d数据建模预报 7 d数据建模预报
    G01 4.50 27.10
    G08 0.64 27.70
    G12 2.18 27.13
    G22 7.41 28.93
    G24 0.23 28.20
    G26 8.51 27.15
    下载: 导出CSV

    表  2  Elman模型预报的RMSE值平均值统计 ns

    卫星 1 d数据建模预报 7 d数据建模预报
    G01 11.93 27.97
    G08 3.13 28.15
    G12 4.72 28.11
    G22 15.76 28.00
    G24 1.34 28.36
    G26 18.13 26.57
    下载: 导出CSV

    表  3  RBF神经网络模型预报的RMSE值平均值统计 ns

    卫星 1 d数据建模预报 7 d数据建模预报
    G01 0.02 26.33
    G08 0.07 25.78
    G12 0.12 27.93
    G22 0.09 17.61
    G24 0.13 33.83
    G26 0.02 33.03
    下载: 导出CSV

    表  4  CNN-LSTM模型预报的RMSE值平均值统计 ns

    卫星 1 d数据建模预报 7 d数据建模预报
    G01 5.21 17.90
    G08 1.26 16.26
    G12 3.12 3.73
    G22 8.19 3.36
    G24 7.37 2.71
    G26 3.17 14.42
    下载: 导出CSV

    表  5  1 d的钟差数据建模预报的RMSE值平均值与极差值对比 ns

    卫星 FA-BP Elman RBF CNN-LSTM
      $ \bar{\sigma } $   $ \varepsilon $   $ \bar{\sigma } $   $ \varepsilon $   $ \bar{\sigma } $   $ \varepsilon $   $ \bar{\sigma } $   $ \varepsilon $
    G01 4.48 6.72 11.93 23.63 0.02 0.01 5.21 5.72
    G08 0.64 1.38 3.13 3.72 0.09 0.01 1.26 1.14
    G12 2.18 4.27 4.72 6.82 0.12 0.03 3.12 0.29
    G22 7.41 13.00 15.76 18.77 0.09 0.04 8.19 2.04
    G24 0.23 0.30 1.34 2.06 0.13 0.01 7.37 1.14
    G26 8.51 11.15 18.13 36.16 0.02 0.01 3.17 1.86
    下载: 导出CSV

    表  6  7 d的钟差数据建模预报的RMSE值平均值与极差值对比 ns

    卫星 FA-BP Elman RBF CNN-LSTM
      $ \bar{\sigma } $   $ \varepsilon $   $ \bar{\sigma } $   $ \varepsilon $   $ \bar{\sigma } $   $ \varepsilon $   $ \bar{\sigma } $   $ \varepsilon $
    G01 27.10 7.69 27.97 1.10 26.33 5.34 17.90 6.66
    G08 27.70 9.91 28.15 0.70 25.78 5.34 16.26 5.63
    G12 27.13 10.60 0.34 28.11 27.93 8.33 3.73 8.30
    G22 28.93 4.63 28.00 0.66 17.61 19.55 3.36 5.34
    G24 28.20 18.11 28.36 1.06 33.83 56.27 2.71 5.81
    G26 27.15 12.59 26.60 6.03 33.03 14.34 14.42 2.86
    下载: 导出CSV

    表  7  同批次的铷原子钟类型卫星各模型精度 $ \bar{\sigma } $ 对比 ns

    卫星 FA-BP Elman RBF CNN-LSTM
    G30 1.58 5.08 0.22 6.16
    G06 4.31 14.28 0.23 11.67
    G09 3.72 11.24 0.23 7.25
    G03 3.14 12.47 0.21 9.37
    下载: 导出CSV

    表  8  不同批次的铷原子钟类型卫星各模型精度 $ \bar{\sigma } $ 对比 ns

    卫星 FA-BP Elman RBF CNN-LSTM
    G01 4.48 11.93 0.02 5.21
    G30 1.58 5.08 0.22 6.16
    下载: 导出CSV

    表  9  不同批次的铯原子钟类型卫星各模型精度 $ \bar{\sigma } $ 对比 ns

    卫星 FA-BP Elman RBF CNN-LSTM
    G08 0.64 3.13 0.09 1.26
    G24 0.23 1.34 0.13 7.37
    下载: 导出CSV
  • [1] HUANG B H, JI Z X, ZHAI R J, et al. Clock bias prediction algorithm for navigation satellites based on a supervised learning long short-term memory neural network[J]. GPS solutions. 2021, 25(2): 1-16. DOI: 10.1007/s10291-021-01115-0
    [2] 毛悦, 宋小勇, 张清华, 等. BDS-3卫星钟在轨性能评估与分析[J]. 测绘学报, 2023, 52(3): 349-356.
    [3] 阚昊宇, 胡志刚, 吕逸飞, 等. 利用不同时间同步体制钟差评估北斗三号星载原子钟性能[J]. 武汉大学学报(信息科学版), 2023, 48(4): 604-610.
    [4] 胡超, 王中元, 王潜心, 等. 一种改进的BDS-2/BDS-3联合精密定轨系统偏差处理模型[J]. 武汉大学学报(信息科学版), 2021, 46(3): 360-370.
    [5] 吕栋, 欧吉坤, 于胜文. 基于MEA-BP神经网络的卫星钟差预报[J]. 测绘学报, 2020, 49(8): 993-1003. DOI: 10.11947/j.AGCS.2020.20200002
    [6] 王威, 胡彩波, 赵鹤, 等. 一种LSTM神经网络在卫星钟频率快速变化期间钟差预报的应用[J]. 大地测量与地球动力学, 2023, 43(4): 369-373.
    [7] 王井利, 佟晓宇, 张梅. 基于PSO-Elman神经网络BDS导航卫星钟差预报[J]. 全球定位系统, 2023, 48(2): 120-126. DOI: 10.12265/j.gnss.2022183
    [8] 王旭, 柴洪洲, 王昶. 卫星钟差预报的T-S模糊神经网络法[J]. 测绘学报, 2020, 49(5): 580-588. DOI: 10.11947/j.AGCS.2020.20190156
    [9] 孟彩霞, 吴迪, 雷雨. 基于麻雀搜索算法优化的BP神经网络卫星钟差预报[J]. 大地测量与地球动力学, 2022, 42(2): 125-131.
    [10] 布金伟, 左小清, 常军, 等. BDS/GPS星载原子钟的短期钟差预报模型研究[J]. 天文学报, 2018, 59(1): 72-86. DOI: 10.15940/j.cnki.0001-5245.2018.01.007
    [11] ZITOUNI F, HAROUS S, MAAMRI R. A novel quantum firefly algorithm for global optimization[J]. Arabian journal for science and engineering, 2021(46): 8741-8759. DOI: 10.1007/s13369-021-05608-5
    [12] 王润, 王井利, 吕栋. 导航卫星钟差预报的Elman神经网络算法研究[J]. 大地测量与地球动力学, 2021, 41(3): 285-289,295. DOI: 10.14075/j.jgg.2021.03.012
    [13] 张景元. 基于神经网络的卫星钟差预报研究[J]. 计算机工程与设计, 2014, 35(9): 3254-3257. DOI: 10.3969/j.issn.1000-7024.2014.09.053
    [14] 栗然, 马涛, 张潇, 等. 基于卷积长短期记忆神经网络的短期风功率预测[J]. 太阳能学报, 2021, 42(6): 304-311. DOI: 10.19912/j.0254-0096.tynxb.2019-0209
  • 加载中
图(11) / 表(9)
计量
  • 文章访问数:  305
  • HTML全文浏览量:  83
  • PDF下载量:  31
  • 被引次数: 0
出版历程
  • 收稿日期:  2023-07-11
  • 录用日期:  2023-07-11
  • 网络出版日期:  2023-10-26

目录

    /

    返回文章
    返回