一种SSA-BP神经网络与灰色模型卫星钟差预报方法技术

本发明专利技术涉及一种SSA

【技术实现步骤摘要】
一种SSA
‑
BP神经网络与灰色模型卫星钟差预报方法


[0001]本专利技术涉及精密卫星钟差预报
，特别是涉及一种SSA
‑
BP神经网络与灰色模型卫星钟差预报方法。

技术介绍

[0002]钟差是影响卫星定位的重要因素之一，因此，提升钟差预报的准确性是广大学者研究的重点和难点。
[0003]常见的钟差预报模型有二次项模型、人工神经网络模型、自回归模型、卡尔曼滤波模型等。为了得到高精密的预报卫星钟差，大量的学者对钟差预报的模型进行了研究。许多学者在钟差预报方面得到了丰硕的成果，有学者采用经典定权的方法将GM(1,1)灰色模型和自回归模型(adaptive resonance,AR)模型进行线性组合，并且对北斗三号全球卫星导航系统即北斗三号(BeiDou
‑
3navigation satellite system,BDS
‑
3)卫星进行预报，将钟差数据短期预报的精度提升大约9％～20％；有学者通过求和自回归平均模型(autoregressive integrated moving average,ARIMA)模型对钟差数据进行短期预报，预报结果的精度有了一定的提升；还有学者利用粒子群算法来选取灰色神经网络最优的权值和阈值，提升灰色神经网络模型预报的精度这些方法在一定程度都对钟差预报模型进行了优化和改进，但是仍存在预报模型在精密钟差预报过程中误差的累积，且预报模型在改进的过程中使模型逐渐复杂化，使建模的时间增长。
[0004]由于GM(1,1)模型具有建模速度快，模型简单等优点，使模型能更好的进行优化以及和其他模型进行组合。因此，在诸多学者研究的基础上提出了一种基于GM(1,1)灰度模型与SSA
‑
BP神经网络模型的组合模型。

技术实现思路

[0005]本专利技术的目的是提供一种SSA
‑
BP神经网络与灰色模型卫星钟差预报方法，提高了搜索效率，得到的优化值更为精确，提高了神经网络的准确性，从而提高了钟差预报模型的预报精度，该模型在短期内预报中表现较好，实时性较强，可用于卫星钟差的高精度预报。
[0006]为实现上述目的，本专利技术提供了如下方案：
[0007]一种SSA
‑
BP神经网络与灰色模型卫星钟差预报方法，包括：
[0008]获取卫星钟差数据，对所述卫星钟差数据进行处理，获得钟差序列；
[0009]基于SSA
‑
BP神经网络与灰色模型对所述钟差序列进行预报，获取钟差预报结果。
[0010]优选地，获取所述卫星钟差数据包括：
[0011]从国际全球卫星导航系统服务组织的数据中心选择下载所述卫星钟差数据；
[0012]其中，所述卫星钟差数据包括：卫星钟差相位数据和频率数据。
[0013]优选地，对所述卫星钟差数据进行处理包括：
[0014]通过所述卫星钟差相位数据和所述频率数据的对应关系，将所述卫星钟差相位数据转化为频率数据，获得原始数据，利用中位数粗差探测法对所述原始数据进行粗差检测，
获得粗差数据，将所述粗差数据进行剔除，并通过线性内插对所述原始数据进行补齐。
[0015]优选地，将所述卫星钟差相位数据转化为频率数据的方法为：
[0016][0017]其中，l
i
为第i个历元所对应的相位数据；l
i+1
为i+1个历元所对应的相位数据；y
i
为第i个历元所对应的相位数据的频率；Δt为相邻历元的采样间隔。
[0018]优选地，利用中位数粗差探测法对所述原始数据进行粗差检测的方法为：
[0019]|y
i
|>m+n
·
M
[0020][0021]其中，y
i
为频率数据；m为频率序列的中位数；n为适合数据序列的正整数；M为频率序列偏差的绝对值中位数；mandian为中位数运算符。
[0022]优选地，基于所述SSA
‑
BP神经网络与所述灰色模型对所述钟差序列进行预报，获取钟差预报结果包括：
[0023]基于所述卫星钟差数据建立所述灰色模型，利用所述灰色模型对所述钟差序列进行初步预报，获得初步预报值，将实测预报值与钟差预报值相减，获得残差值，利用所述SSA
‑
BP神经网络对所述残差值进行建模并进行外推预报，获得残差预报值，通过所述残差预报值和所述灰色模型对所述钟差序列进行后续预报，获得最终预报值，即所述钟差预报结果。
[0024]优选地，利用所述灰色模型对所述钟差序列进行初步预报的方法为：
[0025][0026]其中，为累加生成序列的第k+1个数的预估值，为原序列的第k+1个的值，为累加生成序列的第k个预估值，为累加生成的序列的预估值，为原始序列的预估值，k为第k个数据。
[0027]优选地，利用所述SSA
‑
BP神经网络对所述残差值进行建模并进行外推预报，包括：
[0028]输入初始残差值，对所述残差值进行数据归一化处理；
[0029]确定初始BP神经网络的拓扑结构图，确定SSA的最大迭代次数及种群规模，定义发现者所占种群比例,以及设置预警值和预警者数量；
[0030]利用种群中的每个个体代表B神经网络中的初始权值和阈值，基于所述初始权值和所述阈值对所述BP神经网络进行训练，获取预测输出值，将所述预测输出值和实际输出值的误差绝对值求和作为适应度函数，获取当前全局最优解并确定对应的位置；
[0031]通过当前全局最优解并确定对应的位置，计算并更新发现者、加入者和警戒者的位置，基于更新后的位置，计算最优个体以及最佳适应度值,并基于所述归一化处理后的初始残差值种群，输出的预报结果即为模型预测中最优的权值和阈值，基于所述权值和阈值，获取所述SSA
‑
BP神经网络；
[0032]通过所述SSA
‑
BP神经网络对所述残差值进行建模并进行外推预报。
[0033]优选地，通过所述残差预报值和所述灰色模型对所述钟差序列进行后续预报包括：
[0034]通过所述灰色模型对所述钟差序列进行后续预报，与对应的所述SSA
‑
BP神经网络预报的残差预报值相加。
[0035]本专利技术的有益效果为：
[0036]本专利技术提供了一种SSA
‑
BP神经网络与灰色模型卫星钟差预报方法，相较于传统进神经网络，提高了搜索效率，得到的优化值更为精确，提高了神经网络的准确性，从而提高了钟差预报模型的预报精度。该模型在短期内预报中表现较好，实时性较强，可用于卫星钟差的高精度预报。
附图说明
[0037]为了更清楚地说明本专利技术实施例或现有技术中的技术方案，下面将对实施例中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本专利技术的一些实施例，对于本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种SSA
‑
BP神经网络与灰色模型卫星钟差预报方法，其特征在于，包括：获取卫星钟差数据，对所述卫星钟差数据进行处理，获得钟差序列；基于SSA
‑
BP神经网络与灰色模型对所述钟差序列进行预报，获取钟差预报结果。2.根据权利要求1所述的SSA
‑
BP神经网络与灰色模型卫星钟差预报方法，其特征在于，获取所述卫星钟差数据包括：从国际全球卫星导航系统服务组织的数据中心选择下载所述卫星钟差数据；其中，所述卫星钟差数据包括：卫星钟差相位数据和频率数据。3.根据权利要求2所述的SSA
‑
BP神经网络与灰色模型卫星钟差预报方法，其特征在于，对所述卫星钟差数据进行处理包括：通过所述卫星钟差相位数据和所述频率数据的对应关系，将所述卫星钟差相位数据转化为频率数据，获得原始数据，利用中位数粗差探测法对所述原始数据进行粗差检测，获得粗差数据，将所述粗差数据进行剔除，并通过线性内插对所述原始数据进行补齐。4.根据权利要求3所述的SSA
‑
BP神经网络与灰色模型卫星钟差预报方法，其特征在于，将所述卫星钟差相位数据转化为频率数据的方法为：其中，l
i
为第i个历元所对应的相位数据；l
i+1
为i+1个历元所对应的相位数据；y
i
为第i个历元所对应的相位数据的频率；Δt为相邻历元的采样间隔。5.根据权利要求3所述的SSA
‑
BP神经网络与灰色模型卫星钟差预报方法，其特征在于，利用中位数粗差探测法对所述原始数据进行粗差检测的方法为：|y
i
|>m+n
·
M其中，y
i
为频率数据；m为频率序列的中位数；n为适合数据序列的正整数；M为频率序列偏差的绝对值中位数；mandian为中位数运算符。6.根据权利要求1所述的SSA
‑
BP神经网络与灰色模型卫星钟差预报方法，其特征在于，基于所述SSA
‑
BP神经网络与所述灰色模型对所述钟差序列进行预报，获取钟差预报结果包括：基于所述卫星钟差数据建立...

【专利技术属性】
技术研发人员：王建敏，李俊虹，黄佳鹏，富玉凤，包晓光，朱磊，
申请(专利权)人：辽宁工程技术大学，
类型：发明
国别省市：