基于MEA-BP神經(jīng)網(wǎng)絡(luò)的衛(wèi)星鐘差預(yù)報(bào)

摘要：衛(wèi)星鐘差是影響導(dǎo)航定位精度的重要因素之一，建立高精度的鐘差預(yù)報(bào)模型對高精度定位有重要意義。針對常用模型衛(wèi)星鐘差在短期預(yù)報(bào)中隨時間增加誤差積累，以及傳統(tǒng)BP神經(jīng)網(wǎng)絡(luò)不穩(wěn)定，容易出現(xiàn)過擬合等問題，本文提出一種基于思維進(jìn)化算法(MEA)優(yōu)化的BP神經(jīng)網(wǎng)絡(luò)鐘差預(yù)報(bào)模型和算法。首先關(guān)鍵詞：衛(wèi)星鐘差一次差思維進(jìn)化算法BP神經(jīng)網(wǎng)絡(luò)鐘差預(yù)報(bào)PredictionofthesatelliteclockbiasbasedonMEA-BPneuralkGPSdataforthefirsthofthedayformodelingwerelisted,andmadeshort-termclockbiaspredictionwithin,6and12h.TheresultsshowedthattheabovefourperiodsofpredictionprecisionobtainedbyusingtheMEABPmodelwerebetterthan0.36,0.38,0.62and1.56ns,respectively.Thefluctuationofthepredictionerrorcurvewassmall,andthepredictionperformanceofthenewmodelwasbetterthanthethreetraditionalmodelswhichshowedthenewmodelisbetterinpracticabilityandstabilityintheshort-termpredictionofclockbias.Keywordssatelliteclockbiasoncedifferencemindevolutionaryalgorithm(MEA)BPneuraltworkclockbiasprediction統(tǒng)(GNSS)是一種利用無線信號傳播提供導(dǎo)航、定位及授時服務(wù)(PNT)無線電導(dǎo)航定[1-3]。由于導(dǎo)航衛(wèi)星的飛速發(fā)展及廣泛使用，人們對精度的要求越來越嚴(yán)格，影響導(dǎo)航定位精度的鐘差的預(yù)報(bào)有解決[4]。A處理的神經(jīng)網(wǎng)絡(luò)在鐘差預(yù)報(bào)方面進(jìn)行灰色模型；文獻(xiàn)[20]通過對四階諧波模型殘差的分析得到了鐘差數(shù)據(jù)的額外周期數(shù)，并實(shí)現(xiàn)了8階諧波函了較好的鐘差預(yù)報(bào)精度[22-24]。能，但在使過程中容易陷入局部最優(yōu)，且收斂速度較慢，影響最終收斂精度。針對衛(wèi)星鐘差的特性和BP1鐘差一次差處理及常規(guī)預(yù)報(bào)模型1.1鐘差一次差處理P于非線性數(shù)據(jù)有良好的適用性，對原始鐘差數(shù)據(jù)序列不夠敏感，對未作處理的數(shù)據(jù)進(jìn)行建模預(yù)報(bào)時嚴(yán)重影次差數(shù)據(jù)序列為1.2.1二次多項(xiàng)式模型(QP模型)[8]利用最小二乘原理即可求得參數(shù)估值利用最小二乘原理即可求得參數(shù)估值，將其代入式(3)中可得預(yù)報(bào)歷元的鐘差。但多項(xiàng)式模型并不適合非平穩(wěn)鐘差數(shù)據(jù)，并且隨著預(yù)報(bào)時間的增加，多項(xiàng)式模型的預(yù)報(bào)誤差隨SAQP10]在二次多項(xiàng)式模型的基礎(chǔ)上，附加周期項(xiàng)的鐘差預(yù)報(bào)模型為相似，利用最小二乘原理求得參數(shù)估值，代入式(4)中可求得預(yù)報(bào)歷元的鐘差1.2.3灰色模型(GM(1,1))[9]灰色模型預(yù)測鐘差的表達(dá)式為參數(shù)估值參數(shù)估值可利用最小二乘原理求解，將得到的參數(shù)代入式(5)可得需要預(yù)測歷元的衛(wèi)星鐘差值。但灰色模型易受指數(shù)參數(shù)的影響，使用最小二乘求解參數(shù)時有時會陷入局部最優(yōu)，得到的衛(wèi)2MEA-BP算法基本原理P非線性動力學(xué)系統(tǒng)[25]。當(dāng)輸出值不是期望值時，該網(wǎng)絡(luò)會根據(jù)誤差反向傳播調(diào)整權(quán)激活函數(shù)常采用sigmoid函數(shù)，即1]中。，對應(yīng)的輸出層計(jì)算為EA]。首先利用趨同操作對子群體中(1)在解空間內(nèi)隨機(jī)產(chǎn)生一定數(shù)量的個體，計(jì)算訓(xùn)練個體均方誤差的倒數(shù)得到各個體的分?jǐn)?shù)，從中(3)對各個子群體分別進(jìn)行趨同操作，即在各子群體范圍內(nèi)，個體進(jìn)行競爭選出優(yōu)勝者。當(dāng)勝者不公告板上。內(nèi)對所有子群體進(jìn)行異化操作，通過比較各子群體間的圍內(nèi)(5)子群體中釋放的個體在解空間中產(chǎn)生新的臨時子群體，保持臨時子群體總數(shù)不發(fā)生變化。判斷度要求，若不滿足繼續(xù)重復(fù)步驟(3)和步驟(4)操作，直至迭代結(jié)束或最優(yōu)個體分?jǐn)?shù)不發(fā)生變BP神經(jīng)網(wǎng)絡(luò)是通過反復(fù)訓(xùn)練來調(diào)整網(wǎng)絡(luò)中的各權(quán)值和閾值，使得輸出值逼近期望值。但是初始權(quán)神(1)對衛(wèi)星鐘差原始數(shù)據(jù)進(jìn)行中位數(shù)探測，剔除數(shù)據(jù)中存在的粗差和鐘跳。(2)將鐘差建模數(shù)據(jù)分為輸入部分和輸出部分，使用歸一化方法將數(shù)據(jù)歸化到區(qū)間[－1,1]，并根據(jù)群體的大小。(4)將待優(yōu)化的權(quán)值和閾值根據(jù)步驟(3)設(shè)置的參數(shù)進(jìn)行編碼，并隨機(jī)產(chǎn)生初始種群。E體的得分函數(shù)yi(6)將當(dāng)前的得分與歷史最優(yōu)得分比較，通過不斷迭代，更新優(yōu)勝種群及其最優(yōu)得分。(7)判斷每次得到的最優(yōu)個體分?jǐn)?shù)是否發(fā)生變化或是否已達(dá)到最大迭代次數(shù)，若滿足精度，輸出最程終止，否則重復(fù)步驟(5)和步驟(6)。BP網(wǎng)絡(luò)進(jìn)行訓(xùn)練m思想，保證樣本數(shù)目不變，以此類推，實(shí)現(xiàn)多步預(yù)報(bào)，具體見表1。??3算例分析值進(jìn)行對比，用公式(12)得到數(shù)據(jù)的均方根誤差和誤差的極差差值、均值，來評價分析預(yù)報(bào)結(jié)果的準(zhǔn)確度獻(xiàn)[17]在預(yù)報(bào)不同時長的鐘差時使用了不同的輸入層和輸出層，但實(shí)際進(jìn)行鐘差預(yù)報(bào)時選取較為復(fù)雜，并定3.1試驗(yàn)1首先驗(yàn)證一次差處理的優(yōu)勢。文獻(xiàn)[30]使用一次差法對衛(wèi)星數(shù)據(jù)進(jìn)行處理，比較分析了一次差前后而灰色模型本身就需要對數(shù)據(jù)進(jìn)行累加和累減，所以一次差處理對該模型的影響難以給出定性結(jié)論。對神經(jīng)上預(yù)報(bào)精度越高。隨機(jī)選取兩顆原子鐘不同的衛(wèi)星進(jìn)行預(yù)報(bào)。S示。示afteroncedifferenceabout20times試驗(yàn)2Sabouttimes試驗(yàn)3況，12icsGM1)MEA-BP172180S0.3560.7960.9970.232icsGM1)icsGM1)MEA-BP104161S0.3650.8500.299icsGM1)MEA-BPrangeicsGM1)MEA-BP144184138S0.3600923820.301esnsicsGM1)icsGM1)MEA-BP121167S0.7696752.1700.284段鐘差數(shù)據(jù)有明顯大的波動有關(guān)。hGB本文首先分析了常規(guī)鐘差預(yù)報(bào)模型的不足。由于衛(wèi)星鐘差本身的非線性特性，常用的模型進(jìn)行鐘差二度和更快的預(yù)測效率。相較于傳統(tǒng)進(jìn)化算法(例如遺傳算法)優(yōu)化