針對動力學模型預報軌道誤差隨弧長增加而發(fā)散的問題,用深度學習長短期記憶神經(jīng)網(wǎng)絡模型對預報誤差進行補償,且對LSTM模型逐點迭代產生的誤差積累問題,提出了總體經(jīng)驗模態(tài)分解和LSTM模型組合的EEMD-LSTM預報模型。采用LSTM模型補償GEO、IGSO和MEO軌道誤差較BP神經(jīng)網(wǎng)絡更能完備地學習誤差特性,在短、中和長期預報中,兩者均方根誤差差值隨預報弧長增大而增大,同時誤差平均改進率■也明顯提高,30 d內預報中增大的■高達28.6%。且EEMD-LSTM模型較好地抑制LSTM模型誤差累積,在中長期的預報中RMSE和■的差值再變化,前者高達到21.13 m,后者高達到4.24%。EEMD-LSTM組合模型補償功能的實現(xiàn)對未來GNSS衛(wèi)星軌道預報方法研究提供了一種參考。 

【文章來源】：測繪科學. 2020,45(07)北大核心CSCD

【文章頁數(shù)】：9 頁

【部分圖文】：

LSTM模型神經(jīng)元結構圖

圖2對應GEO衛(wèi)星X、Y、Z以及位置的短期預報結果;圖3表示IGSO衛(wèi)星X、Y、Z以及位置的短期誤差補償結果;圖4代表MEO衛(wèi)星X、Y、Z以及位置的短期解算結果。3類衛(wèi)星補償效果表現(xiàn)為:圖2(d)中BP神經(jīng)網(wǎng)絡模型和LSTM神經(jīng)網(wǎng)絡模型將GEO衛(wèi)星位置誤差控制在50.0、30.0 m以內;圖3(d)兩方法對IGSO衛(wèi)星預報誤差減小至25.0、10.0 m以內;在圖4(d)中,將MEO衛(wèi)星預報誤差約束在15.0、10.0 m以內。同時綜合以上所有圖分析,隨著預報弧長的增加BP神經(jīng)網(wǎng)絡補償模型的預報誤差的發(fā)散速度明顯快于LSTM神經(jīng)網(wǎng)絡補償模型的預報誤差,故 LSTM神經(jīng)網(wǎng)絡的補償效果明顯優(yōu)于BP神經(jīng)網(wǎng)路。關于3類衛(wèi)星15 d的預報情況如圖5、圖6和圖7所示。圖3 IGSO衛(wèi)星短期預報的預報誤差圖

IGSO衛(wèi)星短期預報的預報誤差圖

【參考文獻】：
期刊論文
[1]長短時記憶神經(jīng)網(wǎng)絡在衛(wèi)星軌道預報中的研究[J]. 朱俊鵬,趙洪利,杜鑫,蔣勇.  兵器裝備工程學報. 2017(10)
[2]基于Kalman濾波的低軌衛(wèi)星運動學精密定軌快速算法[J]. 張守建,趙磊.  大地測量與地球動力學. 2016(05)
[3]神經(jīng)網(wǎng)絡在北斗導航衛(wèi)星軌道預報中的應用[J]. 李曉杰,郭睿,黃金,朱陵鳳,譚紅力,董恩強.  武漢大學學報(信息科學版). 2015(09)
[4]COMPASS導航衛(wèi)星高精度軌道預報及誤差控制技術[J]. 李曉杰,周建華,郭睿.  科學通報. 2014(23)
[5]基于容積卡爾曼濾波（CKF）算法的衛(wèi)星軌道實時預報方法[J]. 管洪杰,姚志成,劉巖,胡琛.  科學技術與工程. 2013(32)
[6]一種導航衛(wèi)星中長期軌道預報方法[J]. 周建華,楊龍,徐波,謝廷峰.  測繪學報. 2011(S1)
[7]GPS軌道合成原理及其實現(xiàn)[J]. 姚宜斌.  武漢大學學報(信息科學版). 2007(06)

博士論文
[1]導航衛(wèi)星自主導航關鍵技術研究[D]. 肖寅.中國科學院研究生院(上海技術物理研究所) 2015
[2]基于星間鏈路的導航衛(wèi)星星座自主運行關鍵技術研究[D]. 陳忠貴.國防科學技術大學 2012
[3]GPS精密定位定軌后處理算法與實現(xiàn)[D]. 姚宜斌.武漢大學 2004



本文編號：3339632