北斗卫星轨道预报方法分析

发布时间：2021-08-13 03:14

　　针对动力学模型预报轨道误差随弧长增加而发散的问题,用深度学习长短期记忆神经网络模型对预报误差进行补偿,且对LSTM模型逐点迭代产生的误差积累问题,提出了总体经验模态分解和LSTM模型组合的EEMD-LSTM预报模型。采用LSTM模型补偿GEO、IGSO和MEO轨道误差较BP神经网络更能完备地学习误差特性,在短、中和长期预报中,两者均方根误差差值随预报弧长增大而增大,同时误差平均改进率■也明显提高,30 d内预报中增大的■高达28.6%。且EEMD-LSTM模型较好地抑制LSTM模型误差累积,在中长期的预报中RMSE和■的差值再变化,前者高达到21.13 m,后者高达到4.24%。EEMD-LSTM组合模型补偿功能的实现对未来GNSS卫星轨道预报方法研究提供了一种参考。 

【文章来源】：测绘科学. 2020,45(07)北大核心CSCD

【文章页数】：9 页

【部分图文】：

LSTM模型神经元结构图

图2对应GEO卫星X、Y、Z以及位置的短期预报结果;图3表示IGSO卫星X、Y、Z以及位置的短期误差补偿结果;图4代表MEO卫星X、Y、Z以及位置的短期解算结果。3类卫星补偿效果表现为:图2(d)中BP神经网络模型和LSTM神经网络模型将GEO卫星位置误差控制在50.0、30.0 m以内;图3(d)两方法对IGSO卫星预报误差减小至25.0、10.0 m以内;在图4(d)中,将MEO卫星预报误差约束在15.0、10.0 m以内。同时综合以上所有图分析,随着预报弧长的增加BP神经网络补偿模型的预报误差的发散速度明显快于LSTM神经网络补偿模型的预报误差,故 LSTM神经网络的补偿效果明显优于BP神经网路。关于3类卫星15 d的预报情况如图5、图6和图7所示。图3 IGSO卫星短期预报的预报误差图

IGSO卫星短期预报的预报误差图

【参考文献】：
期刊论文
[1]长短时记忆神经网络在卫星轨道预报中的研究[J]. 朱俊鹏,赵洪利,杜鑫,蒋勇.  兵器装备工程学报. 2017(10)
[2]基于Kalman滤波的低轨卫星运动学精密定轨快速算法[J]. 张守建,赵磊.  大地测量与地球动力学. 2016(05)
[3]神经网络在北斗导航卫星轨道预报中的应用[J]. 李晓杰,郭睿,黄金,朱陵凤,谭红力,董恩强.  武汉大学学报(信息科学版). 2015(09)
[4]COMPASS导航卫星高精度轨道预报及误差控制技术[J]. 李晓杰,周建华,郭睿.  科学通报. 2014(23)
[5]基于容积卡尔曼滤波（CKF）算法的卫星轨道实时预报方法[J]. 管洪杰,姚志成,刘岩,胡琛.  科学技术与工程. 2013(32)
[6]一种导航卫星中长期轨道预报方法[J]. 周建华,杨龙,徐波,谢廷峰.  测绘学报. 2011(S1)
[7]GPS轨道合成原理及其实现[J]. 姚宜斌.  武汉大学学报(信息科学版). 2007(06)

博士论文
[1]导航卫星自主导航关键技术研究[D]. 肖寅.中国科学院研究生院(上海技术物理研究所) 2015
[2]基于星间链路的导航卫星星座自主运行关键技术研究[D]. 陈忠贵.国防科学技术大学 2012
[3]GPS精密定位定轨后处理算法与实现[D]. 姚宜斌.武汉大学 2004



本文编号：3339632