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。     

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。     

基于因果卷积与LSTM网络的电离层总电子含量预报

电离层总电子含量（TEC）不仅是分析电离层形态的关键参数之一,同时为导航及定位等空间应用系统消除电离层附加时延提供重要支撑。由于电离层TEC的时空变化特征,本文融合因果卷积和长短时记忆网络,以太阳活动指数F_10.7、地磁活动指数Dst和电离层TEC历史数据作为特征输入,构建深度学习模型,实现提前24 h预报电离层TEC。进一步利用2005－2013年连续9年的CODE TEC数据,全面评估了模型在北京站（40°N,115°E）、武汉站（30.53°N,114.36°E）和海口站（20.02°N,110.38°E）的预报性能。结果显示不同太阳活动条件下三个站的TEC值与真实测量值的相关系数都大于0.87,均方根误差大都集中在0～1 TECU以内,且模型预报精度与纬度、太阳、地磁活动程度、季节变化相关。与仅由长短时记忆网络构成的预报模型相比,本实验模型均方根误差降低了15%,为电离层TEC预报模型的实际应用提供了参考。     

基于长短期记忆神经网络的太阳耀斑短期预报

提出了一个基于长短期记忆神经网络的耀斑预报模型,利用过去24 h太阳活动区的磁场变化时序构建样本,通过长短期记忆神经网络对磁场特征时序演化进行分析,预报未来48 h内是否发生≥M级别耀斑事件。使用的数据集为2010年5月到2017年5月所有活动区样本,选取了SDO/HMI SHARP的10个磁场特征参量。在建模过程中通过XGBoost方法选取权重、增益率和覆盖率均较高的6个特征参量作为输入参数。通过测试对比,模型的虚报率和准确率与传统机器学习模型相近,报准率和临界成功指数分别为0.7483和0.7402,优于传统机器学习模型。模型总体效果优于传统机器学习模型。     

基于灰色模型和ARIMA模型的钟差预测

由于多种因素的影响,原子钟运行情况十分复杂,为了有效地进行钟差预报和更好的反应原子钟的特性,提出一种基于灰色模型和ARIMA模型的组合模型来实现钟差的预报,并给出了灰色模型和ARIMA模型进行原子钟钟差预报的基本思想和预报模型。利用组合模型更精确地把握钟差序列复杂细致的变化规律,从而更好的逼近钟差序列。为了验证该组合模型的可行性和有效性,利用原子钟钟差数据进行钟差预报分析,结果显示该模型具有较好的预报精度。     

基于蚁群优化的长短时神经网络变外形飞行器故障模式识别

变外形飞行器机械结构复杂,在变外形过程中发生故障的概率大,传感器测量成本高,针对这些问题,提出了一种基于长短时神经网络进行飞行器测试故障诊断的方法。首先根据变外形飞行器的气动参数模型和非线性动力学模型,构建变外形飞行器执行机构故障特征数据库。然后针对变外形飞行器发生故障时的序列化特征数据,提出基于长短时神经网络的执行器故障诊断框架。利用蚁群优化算法对网络训练的超参数进行优化,提高故障诊断的准确性与泛化性。通过仿真验证了该方法可实现变外形飞行器的低成本、高效率、高精度的故障快速定位。     

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。     

基于EMD的氢钟频率预报方法研究CSCD

目前用于时间保持的主要频率源类型是铯钟和氢钟。氢钟具有优良的短期稳定度和良好的低噪声特性,非常适合做主钟频率源。然而绝大数氢钟具有明显的频率漂移,使氢钟的长期稳定度随着时间的推移不断降低。因此在时间保持应用中,必须对氢钟的频率偏差和漂移进行准确的预测,才能充分发挥其作用。本文利用经验模态分解方法提取氢钟频率变化的趋势项,实现氢钟频率预报,并利用该预报频率对其输出信号进行模拟驾驭。结果表明:该方法正确、有效,不仅保持氢钟短稳优秀的特性,而且改善了其长期稳定度。     

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。     

基于LSTM循环神经网络的故障时间序列预测

有效地预测使用阶段的故障数据对于合理制定可靠性计划以及开展可靠性维护活动等具有重要的指导意义。从复杂系统的历史故障数据出发,提出了一种基于长短期记忆（LSTM）循环神经网络的故障时间序列预测方法,包括网络结构设计、网络训练和预测过程实现算法等,进一步以预测误差最小为目标,提出了一种基于多层网格搜索的LSTM预测模型参数优选算法,通过与多种典型时间序列预测模型的实验对比,验证了所提出的LSTM预测模型及其参数优选算法在故障时间序列分析中具有很强的适用性和更高的准确性。