衛(wèi)星鐘差是影響導航定位精度的重要因素之一,建立高精度的鐘差預報模型對高精度定位有重要意義。針對常用模型衛(wèi)星鐘差在短期預報中隨時間增加誤差積累,以及傳統(tǒng)BP神經網絡不穩(wěn)定,容易出現(xiàn)過擬合等問題,本文提出一種基于思維進化算法（MEA）優(yōu)化的BP神經網絡鐘差預報模型和算法。首先對原始鐘差數(shù)據進行一次差處理;然后利用思維進化算法對BP神經網絡的初始權值和閾值進行優(yōu)化,給出該模型進行鐘差預報的具體步驟;選用IGS站提供的多天GPS精密鐘差產品數(shù)據進行試驗分析,使用GPS一天中前12 h數(shù)據建模,進行2、3、6和12 h的鐘差預報。結果表明:利用MEA-BP模型得到的上述4種時段的預報精度分別優(yōu)于0.36、0.38、0.62和1.56 ns,預報誤差曲線變化起伏較小,說明新模型的預報性能優(yōu)于3種傳統(tǒng)模型,新模型在鐘差預報短期預報中的實用性及穩(wěn)定性是較佳的。 

【文章來源】：測繪學報. 2020,49(08)北大核心EICSCD

【文章頁數(shù)】：11 頁

【部分圖文】：

BP神經網絡拓撲圖

思維進化算法(mind evolutionary algorithm,MEA)由文獻[26]于1998年針對遺傳算法的局限性提出的一種進化算法。MEA算法保留了遺傳算法的“群體”、“個體”、“環(huán)境”和“進化”等思想,和遺傳算法的“交叉”和“變異”不同的是,提出了“趨同”和“異化”等新的概念。利用MEA算法優(yōu)化神經網絡比使用遺傳算法優(yōu)化有更快的訓練速度,大大縮短了神經網絡的訓練時間,實用性更廣[27-28]。首先利用趨同操作對子群體中的個體進行優(yōu)選,然后成熟的各子群體再通過異化操作進行全局競爭,大大提高了優(yōu)化的效率。MEA算法的結構如圖2所示。MEA算法是通過迭代進行優(yōu)化的學習方法,其基本思路與步驟如下:

使用n維建模數(shù)據完成神經網絡訓練后,依據神經網絡結構,輸入節(jié)點數(shù)為N,輸出節(jié)點數(shù)為1,采用滑動窗口的思想,保證樣本數(shù)目不變,以此類推,實現(xiàn)多步預報,具體見表1。得到一次差分序列的預報結果后,通過還原即可得到鐘差預測值。

【參考文獻】：
期刊論文
[1]Resilient PNT Concept Frame[J]. Yuanxi YANG.  Journal of Geodesy and Geoinformation Science. 2019(03)
[2]基于改進的BP神經網絡構建區(qū)域精密對流層延遲模型[J]. 肖恭偉,歐吉坤,劉國林,張紅星.  地球物理學報. 2018(08)
[3]GNSS星載原子鐘性能分析與衛(wèi)星鐘差建模預報研究[J]. 王宇譜.  測繪學報. 2018(07)
[4]利用結構自適應極端學習機預報導航衛(wèi)星鐘差[J]. 雷雨,趙丹寧,蔡宏兵.  武漢大學學報(信息科學版). 2018(05)
[5]Progress and performance evaluation of Bei Dou global navigation satellite system: Data analysis based on BDS-3 demonstration system[J]. Yuanxi YANG,Yangyin XU,Jinlong LI,Cheng YANG.  Science China（Earth Sciences）. 2018(05)
[6]微PNT與綜合PNT[J]. 楊元喜,李曉燕.  測繪學報. 2017(10)
[7]一種改進的高精度頻率源鐘差仿真方法[J]. 徐超,李博,劉軍良,吳華兵,胡永輝.  宇航學報. 2017(09)
[8]基于Sage窗的自適應Kalman濾波用于鐘差預報研究[J]. 宋會杰,董紹武,屈俐俐,王翔,廣偉.  儀器儀表學報. 2017(07)
[9]灰色模型的GLONASS衛(wèi)星鐘差預報[J]. 李超,黨亞民,谷守周.  導航定位學報. 2016(04)
[10]顧及周期項誤差和起點偏差修正的北斗衛(wèi)星鐘差預報[J]. 艾青松,徐天河,孫大偉,任磊.  測繪學報. 2016(S2)

碩士論文
[1]高頻GNSS準實時鐘差估計及其應用[D]. 盛劍鋒.中國地震局地震研究所 2019



本文編號：3222164