卫星钟差预报的T-S模糊神经网络法

发布时间：2021-03-28 23:46

　　结合钟差数据的特点,提出了一种基于变化率的T-S模糊神经网络（TSFNN）钟差预报模型。首先计算相邻历元间钟差的变化率值并对其进行建模;然后利用TSFNN模型预报钟差变化率值,再将预报的变化率值还原,得到钟差预报值;最后,通过算例将本文所建模型与IGU-P产品、二次多项式模型（QP）及灰色模型（GM（1,1））进行试验对比。结果表明:在使用变化率方法后,TSFNN模型预报的精度和稳定性分别提高了69.8%和76.3%,而且与IGU-P钟差产品相比,预报的精度高出约10倍,同时模型预报的效果优于两种常用模型。因此,该模型可以实现卫星钟差较高精度的预报。 

【文章来源】：测绘学报. 2020,49(05)北大核心EICSCD

【文章页数】：9 页

【部分图文】：

T-S模糊神经网络结构

本文所设计的网络结构中,输入节点数设为6,输出节点数设为1,选择设置7组系数p0～p6[27]。通过试验尝试,人为确定隶属度函数的个数为12,误差步长设为0.001,最大的训练进化次数设为4000次,模型预报效果最好。至此,本文所要建立的TSFNN模型已经确定。图2给出了TSFNN模型钟差预报学习训练的具体流程。3 算例与分析

从表2可以看出,使用变化率的方法可以明显改善TSFNN模型对6种类型卫星钟钟差预报的效果。总体上,在使用变化率方法后,TSFNN模型预报的精度和稳定性分别提高了69.8%和76.3%。同时发现,在使用变化率前后,TSFNN模型对BlockⅡR-M Rb钟预报的效果最好,预报的精度和稳定性均优于其他类型卫星钟。对于BlockⅡA Rb卫星钟而言,未使用变化率方法时,预报的效果均劣于其他类型卫星钟,但在使用变化率方法后,预报的效果得到了显著提高,预报的精度和稳定性分别提高83.2%和92.1%,并且预报的精度和稳定性优于Block ⅡA Cs、Block ⅡF Cs及Block ⅡF Rb 3种类型卫星钟。从上述试验结果可以看出,通过求相邻历元间变化率的建模方法,可以明显地改善TSFNN模型预报钟差的效果。3.2 算例2

【参考文献】：
期刊论文
[1]一种基于熵权法的小波去噪复合评价指标[J]. 王旭,王昶.  大地测量与地球动力学. 2018(07)
[2]基于T-S模糊神经网络的变形预报研究[J]. 成枢,荆晓宇,李圳.  测绘工程. 2018(01)
[3]卫星钟差单差的小波神网络预报[J]. 熊红伟,程新文,张海涛,马海荣.  测绘科学. 2017(09)
[4]GA优化TS-FNN的架空线路荷载风险预测[J]. 倪良华,肖李俊,吕干云,汤智谦,朱天宇.  新型工业化. 2016(07)
[5]基于T-S模糊神经网络的湿法脱硫效率预测[J]. 李斌,邓煜,边禹铭,齐年哲.  热力发电. 2016(06)
[6]一种新的钟差预处理方法及在WNN钟差中长期预报中的应用[J]. 王宇谱,吕志平,陈正生,黄令勇,李林阳,宫晓春.  武汉大学学报(信息科学版). 2016(03)
[7]基于T-S模糊模型的油田产油产液量预测[J]. 杨雁,王新鑫,贾堰林,贺英.  模糊系统与数学. 2015(05)
[8]基于小波神经网络的GPS可降水量预测研究[J]. 葛玉辉,熊永良,陈志胜,陈宏斌,龙嘉露.  测绘科学. 2015(09)
[9]基于一次差的灰色模型在卫星钟差预报中的应用[J]. 梁月吉,任超,杨秀发,庞光锋,蓝岚.  天文学报. 2015(03)
[10]径向基函数神经网络在GPS卫星钟差预报中的应用[J]. 王国成,柳林涛,徐爱功,苏晓庆,梁星辉.  测绘学报. 2014(08)



本文编号：3106470