【摘要分析】
这篇摘要介绍了一种新的实时钟差预报模型,该模型结合了多项式模型、周期项和BP神经网络,特别针对北斗卫星导航系统(BDS)的超快速钟差预测。作者注意到传统的多项式模型在拟合钟差数据时,残差中仍然存在显著的周期信号和其他系统误差。为解决这个问题,他们提出将周期性项引入模型,并结合BP神经网络进行补偿,以提高预报精度。
【模型构建】
模型主要包含两个部分:多项式模型和周期项,以及BP神经网络。多项式模型用于捕捉钟差的基本趋势,而周期项则用于捕获时间序列中的周期性变化。BP神经网络作为非线性模型,能够适应复杂的系统误差模式,对残差进行进一步的校正和补偿,以提高预测准确性。
【实验验证】
为了验证模型的有效性,研究人员使用了实际测量的超快速钟差数据进行测试。结果显示,与国内iGMAS超快速钟差产品(ISU)和德国地学中心超快速钟差产品(GBU)相比,新模型在3小时、6小时、12小时和24小时的预报精度分别提高了26.14%、16.46%、12.68%和10.58%,以及10.34%、13.85%、8.17%和14.41%。
【关键词解析】
1. 北斗卫星导航系统(BDS):中国的全球卫星导航系统,与GPS、GLONASS和Galileo等同为全球四大卫星导航系统。
2. 钟差预报:指预测卫星钟的运行偏差,对于导航定位精度至关重要。
3. 周期项:指时间序列中的周期性变化,可能是由于地球自转、季节性效应或设备内在特性引起的。
4. BP神经网络:Back Propagation Neural Network,一种常用的监督学习算法,用于处理非线性问题。
5. 超快速钟差产品:提供实时或接近实时的卫星钟偏移信息,用于导航定位。
【总结】
通过结合多项式模型、周期项和BP神经网络,提出的实时钟差预报模型能有效提升北斗系统的钟差预测精度,这对于提高导航服务的准确性和可靠性具有重要意义。这种方法可以减少因卫星钟误差导致的定位错误,为用户提供更精确的定位、导航和定时服务。