高精度UT1-UTC差分预报方法研究

针对卫星导航所需的高精度地球定向参数(EOP)中的UT1-UTC预报问题,提出了基于双差分LS+AR的UT1-UTC参数预报方法。对UT1-UTC观测数据进行跳秒检测、固体地球带谐潮汐项改正,然后对改正后的UT1-UTC数据进行双差分处理,增强数据平稳性;采用最小二乘拟合(LS)与自回归(AR)分析方法对差分处理后的数据进行分析与预报;对预报结果进行逆差分处理与潮汐项改正外推、跳秒恢复,获取高精度的UT1-UTC预报值。通过与国际EOP_PCC预报结果对比表明,UT1-UTC短期预报精度与EOP_PCC较优的预报精度相当,其中1天UT1-UTC预报精度优于0.03ms,优于EOP_PCC预报结果。介绍了北京航天飞行控制中心的UT1-UTC每日例行预报情况。     

基于机器学习相似度算法的Kp指数预报

基于机器学习中的相似度算法,建立了在历史太阳风数据中寻找与当前太阳风特征相近事例的推荐模型,用来预报地磁Kp指数.使用1998-2019年间随机选择的120个太阳风事例作为测试数据集,该模型能够推荐得到历史上与输入太阳风造成相似地磁影响的太阳风事例,最优事例的Kp指数与实际值的均方根误差为0.79,相关系数为0.93....     

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。     

基于多项式近似的空间碎片群体轨道预报算法

快速准确地分析空间碎片群轨道演化行为对于其他在轨航天器碰撞规避至关重要。在各摄动力的作用下,空间碎片群演化运动呈现出复杂的非线性特征。空间碎片群体个体数量巨大,如果通过对空间碎片群中每个空间碎片进行轨道积分来分析群体预报的方法会导致计算量过大。针对该问题,提出一种基于多项式近似的轨道快速预报分析方法。该方法将空间碎片群分为少量的标称碎片和其他大量关联碎片。针对标称碎片的轨道预报采用数值积分求解保证预报精度;而针对其他大量的关联碎片轨道预报问题,采用多项式泰勒展开半解析方法求解,从而在保证预报精度的前提下有效减少空间碎片群轨道预报的计算量。为了验证方法的有效性,对不同空间碎片群进行了轨道预报仿真。仿真结果表明,当轨道预报精度设定在1m范围内时,多项式近似算法的计算量较蒙特卡洛方法计算效率提高了2.2~17.2倍,验证了所提出方法的有效性。