基于长短时记忆神经网络(LSTM)的钟差预报算法

原子钟钟差预报在原子时计算和原子钟频率驾驭中发挥着重要的作用。长短时记忆神经网络（LSTM）预报算法能够处理多参数长期依赖关系的时间序列预报，以氢钟和铯钟实测数据为样本，通过构建LSTM钟差预报模型，降低了长期原子钟内部噪声以及原子钟漂移对钟差预报的影响，并以72h，240h和720h为预报时长，分别与线性多项式模型、灰色模型和Kalman模型原子钟钟差预报模型进行预报误差对比。研究表明，在240h以上的预报时长中，LSTM建模长期依赖关系的优势得以体现，相较于其他3类模型可以获得更高的预报精度。     

神经网络在导航卫星钟差预报中的应用CSCD

为提高导航卫星钟差预报精度,提出一种神经网络和多项式相结合的钟差预报方法,该方法在根据星载原子钟物理特性进行多项式模型预报后,采用神经网络对多项式模型预报误差进行建模,以实现导航卫星钟差预报精度补偿。为验证本文提出的预报模型的可行性和有效性,利用实测的COMPASS导航卫星钟差数据进行钟差预报精度分析,并与传统的多项式模型预报精度进行比较。结果表明:基于神经网络建立的组合预报模型能有效提高导航卫星钟差的预报精度。     

神经网络在导航卫星钟差预报中的应用

为提高导航卫星钟差预报精度,提出一种神经网络和多项式相结合的钟差预报方法,该方法在根据星载原子钟物理特性进行多项式模型预报后,采用神经网络对多项式模型预报误差进行建模,以实现导航卫星钟差预报精度补偿。为验证本文提出的预报模型的可行性和有效性,利用实测的COMPASS导航卫星钟差数据进行钟差预报精度分析,并与传统的多项式模型预报精度进行比较。结果表明:基于神经网络建立的组合预报模型能有效提高导航卫星钟差的预报精度。     

灰色模型在卫星钟差预报中的缺陷分析

卫星钟差预报是时间同步的关键技术之一,方法繁多。针对灰色模型在卫星钟差预报中的应用,以GPS Rb钟钟差预报为实例,从模型构造上分析了该模型在卫星钟差预报中存在的缺陷,有利于该模型的改进和完善。     

星载原子钟数据预处理的方法研究CSCD

星载原子钟的数据预处理是进行原子钟性能分析和钟差预报的前提,本文主要利用相位数据和频率数据的转换和异常数据的分析处理方法对原子钟数据进行了预处理,有效的保证了数据的可靠性。     

ARIMA-SVR组合模型在卫星遥测参数预测中的应用

为辅助卫星在轨运行提供决策分析支持，结合卫星遥测参数的时间序列特性，利用一种ARIMA-SVR组合预测方法，通过对卫星遥测参数进行预测，判定实际遥测数据是否处于正常范围。该组合模型利用ARIMA模型对预处理后的数据进行线性拟合，并利用SVR模型对数据的非线性部分进行补偿。以KX09卫星星敏A的温度遥测数据为基础，分别利用组合模型对短期及中期星敏A温度进行预测，得出短期和中期均方根误差（RMSE）分别为0.768和0.968，相比单一ARIMA模型，短中期RMSE分别提高46.2%和16.4%。此外，对该卫星陀螺B的x轴角速度进行了短中期预测:短期预测中，组合模型比单一ARIMA模型的RMSE提高71.2%；中期预测中，组合模型比单一ARIMA模型的RMSE提高64.2%。实验结果表明，ARIMA-SVR组合模型为保证卫星在轨正常运行提供了有效的决策分析支持。      

广义回归神经网络在卫星钟差短期预报中的应用

近年来,神经网络(Neural Network,简称NN)在非线性系统的预测方面取得了广泛的应用。考虑到卫星钟差包含了复杂的非线性因素,所以将一种新型神经网络-广义回归神经网络(Generalized Regression Neural Network,GRNN)应用于钟差预报中。采用“滑动窗”方式构建样本数据以提高数据利用率,为提高网络的泛化能力,利用K重交叉验证法(K-fold Cross-Validation)对网络进行训练学习,并根据最小均方根误差(Root Mean Square Error,RMSE)确定最优平滑因子。利用国际GNSS服务(International GNSS Service,IGS)公布的精密GPS卫星钟差数据进行预报实验,并与传统二次多项式模型对比分析。结果表明：GRNN模型在24h的预报跨度内的误差可达ns级,并较多项式模型有更好的稳定性;对于线性钟差,GRNN模型要逊于多项式模型,而对于非线性钟差,GRNN模型则明显优于多项式模型,初步验证了GRNN用于钟差预报的可行性、有效性以及实用性。     

一种高精度GPS卫星钟差预报方法

为了获得实时高精度GPS钟差,提出了采用快速星历建模进行短期预报。文章先对钟差数据提取趋势项,再利用傅里叶分析研究其周期特征以确定建模与预报时间段长度,最后利用径向基函数(Radial Basis Function,RBF)神经网络建模实时预报钟差。由于RBF神经网络用于非线性数据建模效果良好,在提取线性趋势项并合理确定建模周期后,该方法能够得到较好的预报结果。实际预报结果表明,文中方法得到的预报钟差精度高于超快速星历,能够满足分米级实时精密定位的要求。     

基于Kalman滤波器的卫星钟实时异常监测算法

基于卫星钟钟差的Kalman滤波器模型,提出了一种卫星钟实时异常监测算法,对算法原理进行了讨论,并利用IGS精密钟差数据,对算法进行了性能验证。结果表明：该算法对卫星钟的异常情况（包括单点相位跳变与连续相位跳变）可以进行有效监测,同时还可以完成异常数据的剔除与替换,并且具有较小的替换误差。该算法具有显著的实时性,可以应用于星载原子钟的实时异常监测中。     

一种高精度实时GPS卫星钟差预测算法

为获得高精度实时GPS卫星钟差,文章提出一种基于多项式和最小二乘支持向量机(Least Squares Support Vector Machines,LS-SVM)相结合的钟差预报方法.该方法采用国际GNSS服务发布的超快速观测星历建模进行短期预报,首先根据卫星钟的物理特性用附有周期项的多项式模型进行拟合以提取趋势项和周期项,然后用LS-SVM对多项式拟合残差进行建模预报,最后将预报结果加上趋势项和周期项,得到最终的钟差预报值.试验结果表明,所提算法能够实时有效地对GPS卫星钟差进行预报,且精度优于超快速预报星历.     

星载原子钟在轨剩余寿命预测方法研究

原子钟是导航卫星最关键载荷之一, 开展原子钟健康状态评估与寿命预测相关工作, 对于及时掌握原子钟性能和运行状况, 确保卫星导航系统提供高可用性连续性完好性的服务, 具有重要意义。结合星载原子钟在轨失效特性分析, 提出了一种综合考虑原子钟随机失效与耗损失效的剩余寿命预测方法。该方法融合利用原子钟寿命周期内产生的多源多维数据, 通过概率统计和机器学习的途径实现原子钟的剩余寿命预测。经案例验证, 所提方法合理有效, 具有一定的工程应用价值。      

利用非等距灰色理论方法判定失效机理一致性

针对加速失效机理一致性判定中存在以下问题,基于数据处理和试验观察的方法需要加速试验数据和基于灰色理论的方法需要预试验数据等间距且预测精度不高,提出了一种基于非等距型灰色理论模型的失效机理一致性判定方法.该方法利用非等距的预试验数据,将非等距GM（1,1）模型和等维新息模型相结合,得出模型的残差,找出预试验数据的趋势改变点.通过对比试验,得出此方法的拟合精度和预测精度较高,进一步拓广了GM（1,1）模型在失效机理一致性判定上的应用范围.通过在光电编码器和加速度计中的应用案例,验证了该方法的有效性.     

基于CPT原理原子钟的频率控制系统

在J.Vanier工作的基础上,根据CPT(Coherent Population Trapping:相干布局数囚禁)原子钟的系统组成和工作原理,导出了基于CPT原理原子钟的频率控制系统模型,对于基于CPT原理原子钟的分析和设计工作具有实际的指导意义。     

A new stochastic model considering satellite clock interpolation errors in precise point positioning

Precise clock products are typically interpolated based on the sampling interval of the observational data when they are used for in precise point positioning. However, due to the occurrence of white noise in atomic clocks, a residual component of such noise will inevitable reside within the observations when clock errors are interpolated, and such noise will affect the resolution of the positioning results. In this paper, which is based on a twenty-one-week analysis of the atomic clock noise characteristics of numerous satellites, a new stochastic observation model that considers satellite clock interpolation errors is proposed. First, the systematic error of each satellite in the IGR clock product was extracted using a wavelet de-noising method to obtain the empirical characteristics of atomic clock noise within each clock product. Then, based on those empirical characteristics, a stochastic observation model was structured that considered the satellite clock interpolation errors. Subsequently, the IGR and IGS clock products at different time intervals were used for experimental validation. A verification using 179 stations worldwide from the IGS showed that, compared with the conventional model, the convergence times using the stochastic model proposed in this study were respectively shortened by 4.8% and 4.0% when the IGR and IGS 300-s-interval clock products were used and by 19.1% and 19.4% when the 900-s-interval clock products were used. Furthermore, the disturbances during the initial phase of the calculation were also effectively improved.     

含钟差修正的脉冲星和太阳观测组合导航

为提高深空探测器巡航段的导航定位精度和钟差修正能力,提出一种利用X射线脉冲星和太阳观测信息的组合导航方法.利用脉冲星导航的脉冲到达时间测量值,同时利用太阳敏感器、分光计分别测量太阳视线矢量和探测器相对于太阳的径向速度,并将星载时钟钟差增广为状态变量,构建组合导航系统,利用基于扩展卡尔曼滤波的UD(Upper triangular matrix-Diagonal matrix)分解信息融合算法进行状态估计.仿真结果表明,该方法能有效解决因钟差漂移引起的导航滤波发散问题,同脉冲星导航相比,该方法提高了定位精度和钟差修正能力.     

航空发动机性能参数预测方法

航空发动机性能参数预测对于发动机的视情维修具有重要的意义.为了提高预测精度,在分析发动机性能参数数据特点的基础上,提出了一种新的应用于此领域的组合预测模型.首先利用小波变换将原始数据分解为不同尺度上的几组子序列,根据各子序列的特点分别选用自回归滑动平均(ARMA,Autoregressive Moving Average)模型或求和自回归滑动平均(ARIMA,Autoregressive Integrated Moving Average)模型进行预测,然后将所有预测结果合成,得到最终预测结果.通过仿真实验,验证了该组合模型提高短期和中长期预测精度的有效性,并分析了小波分解层数对于预测精度的影响.      

灰色灾变预测模型及其应用

灰色系统是信息不完全系统,不少论文提出了"灰数"、"灰平面"、"灰色统计"等一系列全新概念,为不确定性,信息不完全的数的研究提供了一种新的分析处理方法.灰色方法即是对一些离散的原始数据采用累加生成及其逆进行处理,使之转化为适合用微分方程等方法来建模的有序数列的新方法.本文使用双向差分方法建立了一种灾变预测的灰色预测模型,并对某地区历年来的旱、涝灾数据进行灰色处理,进一步预测到旱、涝灾情将再发生的时间.最后分析了灰色预测模型的拟合精度.     

奇异谱分析在故障时间序列分析中的应用

由于日益增长的飞行安全和飞机维护质量需求,飞机使用可靠性已经成为一个重要的研究领域。从某航空公司波音737飞机使用过程中现场所记录的18年的故障数据出发,应用奇异谱分析（SSA）方法,对故障时间序列进行了建模和预测,进一步以预测结果的均方根误差（RMSE）最小为优化目标对SSA模型参数进行了优选。在此基础上,提出了一种更为广泛的模型组合方法和实现算法,这种方法采用不同的时间序列模型来构造SSA分解出的趋势、周期和残差等成分。通过与三次指数平滑（Holt-Winters）、自回归移动平均（ARIMA）2种时间序列模型的实验结果对比,SSA及其参数优选和模型组合方法在故障时间序列分析中具有更好的拟合和预测精度。