在對(duì)導(dǎo)航衛(wèi)星軌道誤差數(shù)據(jù)進(jìn)行研究時(shí)發(fā)現(xiàn),衛(wèi)星廣播星歷軌道誤差客觀存在著一些不確定性的規(guī)律現(xiàn)象,針對(duì)這一無法用現(xiàn)有確定性模型表示的誤差信息,建立了基于遺傳算法優(yōu)化BP神經(jīng)網(wǎng)絡(luò)的軌道誤差預(yù)測模型。利用遺傳算法來全局尋優(yōu)BP神經(jīng)網(wǎng)絡(luò)的初始權(quán)值與閾值,同時(shí)根據(jù)廣播星歷解算出的衛(wèi)星位置和速度,結(jié)合參考時(shí)刻及攝動(dòng)改正項(xiàng)對(duì)神經(jīng)網(wǎng)絡(luò)進(jìn)行訓(xùn)練和測試。試驗(yàn)結(jié)果表明,上述模型能較好的預(yù)測軌道誤差,應(yīng)用該模型進(jìn)行衛(wèi)星軌道解算時(shí)能有效提高軌道精度,降低軌道誤差。

【文章頁數(shù)】：5 頁

【部分圖文】：

圖1廣播星歷軌道誤差在10天內(nèi)的變化情況

不失一般性,本文選取了4號(hào)、10號(hào)、13號(hào)北斗衛(wèi)星分別代表GEO、IGSO、MEO三種軌道類型衛(wèi)星的廣播星歷軌道預(yù)報(bào)誤差在十天內(nèi)的變化情況,如圖1所示。從圖中可以看出軌道誤差表現(xiàn)出出一種周期性變化的特點(diǎn),同時(shí)這種周期性的特點(diǎn)又包含有噪聲干擾,目前還無法用現(xiàn)有的數(shù)學(xué)模型來精確描述它....

圖2BPNN模型結(jié)構(gòu)圖

BPNN(backpropagationneuralnetwork)是一種多層前饋神經(jīng)網(wǎng)絡(luò)。如圖2所示,BP神經(jīng)網(wǎng)絡(luò)是具有至少三層神經(jīng)元的神經(jīng)網(wǎng)絡(luò)數(shù)學(xué)模型,主要分為三部分:輸入層、隱含層和輸出層。前后層之間全部連接,相同層的神經(jīng)元之間互相不連接。當(dāng)訓(xùn)練樣本提供給輸入層的神經(jīng)....

圖3GA-BPNN模型流程圖

5)神經(jīng)網(wǎng)絡(luò)模型訓(xùn)練。利用上一步得到的權(quán)值和閾值,可以輸入樣本數(shù)據(jù)來對(duì)GA-BPNN模型進(jìn)行訓(xùn)練,整個(gè)訓(xùn)練流程圖如圖3所示。4試驗(yàn)驗(yàn)證

圖4不同模型下軌道誤差預(yù)測情況

試驗(yàn)數(shù)據(jù)選取10號(hào)星2017年11月5日至11月15日共10天的BDS廣播星歷和精密星歷。每隔1小時(shí)采樣一組數(shù)據(jù),這10天的數(shù)據(jù)分為兩部分:前9天數(shù)據(jù)作為訓(xùn)練樣本,第10天的數(shù)據(jù)作為測試樣本。在試驗(yàn)中除了有第2節(jié)提到的傳統(tǒng)BPNN模型和GA-BPNN模型之外,還加入了添加攝動(dòng)改正....

本文編號(hào)：3940438