【技术实现步骤摘要】
本专利技术涉及星历预测，尤其是一种基于频域信息增强的北斗卫星星历预测方法。
技术介绍
1、卫星星座的每颗卫星均装载有精密的星历数据，星历是卫星运行轨迹的详尽描述，包括卫星的位置、速度等关键参数，这些数据通过广播星历的形式定期向地面发射，为用户终端提供定位计算的基础信息。
2、北斗系统中的星历数据不仅支持定位解算，还与系统提供的高精度授时服务紧密相关，确保了定位与时间同步的高可靠性。北斗卫星通过星历信息的实时更新，保障了用户终端能够准确地解算出自身位置，即便在复杂的环境条件下也能维持高精度定位。星历数据的精确性和及时性是北斗系统实现全球范围内全天候、全天时定位服务的基石，确保了从应急救援到日常出行，从精准农业到智慧城市建设等众多应用场景中的高效运作。地面控制中心则负责收集卫星观测数据，根据这些数据计算并更新卫星星历，同时监控整个系统的运行状态，确保星历信息的准确无误，从而支持北斗系统在全球范围内提供稳定可靠的定位和通信服务。
3、全球卫星导航系统(gnss)是各种定位技术中应用最广泛的方法，地面接收机是卫星导航系统中是必不可缺的。接收机通过接收卫星信号解算出广播星历，通过接收机内部的动力学卫星轨道预测模型，进而通过伪距以及卫星位置进行定位解算。
4、然而，接收机接收整个广播星历需要一定的时间，即使是在强信号条件下，接收完整的广播星历也需要约18-36s的时间，当接收机处于城市街道、野外丛林等复杂的环境中时，卫星信号可能因建筑物、墙壁、树木等的存在而减弱或中断，这严重阻碍了信号的搜索和解调，此时接
5、为了延长单次接收广播星历的有效期，卫星星历预测的研究一直都在持续进行中。大部分研究主要集中在动力学模型构建以及优化。现有技术主要通过对接收机内部的轨道动力学模型进行改进，在现有的动力学模型基础上，引入更多的环境变量并提高轨道外推时的积分阶数，一定程度上提升了整体星历预测的精度。然而，这些方法改进项参数确定过程十分复杂，需要更多的环境数据或者大量的历史数据来辅助建模；导致需要更多的内存空间以及传感器来对模型参数进行实时修正，而且需要更大的计算量以及耗时，对接收机硬件要求较高。而且这些方法的拟合能力不足，未能充分学习由复杂摄动力引起的长期星历预测误差规律，导致在长期星历预测精度不足。再者，这些方法还存在预测范围较短以及模型的泛化性能较低的技术问题。
技术实现思路
1、针对现有技术的不足，本专利技术提供一种基于频域信息增强的北斗卫星星历预测方法，本专利技术能够实现高精度、泛化性强以及长期的卫星星历预测。
2、本专利技术的技术方案为：一种基于频域信息增强的北斗卫星星历预测方法，包括以下步骤：
3、s1)、利用接收机接收广播星历数据，并通过广播星历数据构建星历历史误差数据集；
4、s2)、构建深基于度学习网络的星历误差补偿模型；
5、s3)、利用星历历史误差数据集对星历误差补偿模型进行训练；
6、s4)、利用训练好的星历误差补偿模型对星历误差预测，然后对动力学模型的预测结果进行补偿。
7、作为优选的，步骤s1)中，所述的接收机为北斗信息采集模块td1050，所述的北斗信息采集模块td1050内置有开普勒动力学模型；所述的接收机每小时采样一次广播星历数据后开始进行星历外推；每一次外推获得672个节点数据；推测时长为28天。
8、作为优选的，步骤s1)中，使用历史28天动力学模型外推误差并以24小时作为间隔选择历元。
9、作为优选的，步骤s1)中，利用标示符padding将广播星历推算的卫星位置集合对应的精密星历填补成相同长度。
10、作为优选的，步骤s1)中，通过广播星历与精密星历计算出动力学模型推测的星历历史误差ein。
11、作为优选的，步骤s2)中，构建的深度学习网络的星历误差补偿模型包括压缩层patch、频率增强层feb、频域注意力层fal、时域注意力层tal以及融合层fusion。
12、作为优选的，步骤s3)中，使用梯度下降算法对星历误差补偿模型进行训练；并且在训练过程中，需要确定的模型超参数有：
13、1)频率增强层feb选择频率数目topk；
14、2)其多头注意力模块的头数目为n；
15、3)融合之后的预测部分的mlp网络层数λ；
16、4)融合层fusion的卷积核及步长的选择。
17、作为优选的，步骤s3)中，优化器选择具有自适应学习率的adam优化器，并利用adam优化器梯度的一阶矩估计和二阶矩估计动态调整每个参数的学习率；损失函数采用mae损失函数其表达式为：
18、
19、式中，n为训练样本数量，e表示真实的轨道的时刻推测误差，表示星历误差补偿模型输出校正值；当训练出来的星历误差补偿模型输出的结果和e越接近说明混合预测最终结果越精确。
20、作为优选的，步骤s3)中，设置星历误差补偿模型的训练总轮次为m，训练过程中，使用反向传播算法求取梯度来对模型的权重和偏置进行更新，其更新的公式为：
21、
22、其中，w表示权重，b表示偏置，α为学习率；为损失在对应参数上求偏导。
23、作为优选的，步骤s4)中，将步骤s1)中得到的动力学模型推测的星历历史误差ein输入到压缩层patch将较长的序列分成几个批次长度并进行压缩，压缩后的历史预测误差分别在频域与时域分别进行处理；在频域下，通过频率增强层feb使随机频率增强突出星历的频域特征，使频域注意力层fal更容易学习随机频率特征；在时域下，使用时域注意力层tal从多尺度对不同历元之间的时序特征进行提取；通过融合层fusion将时域特征以及频域特征进行融合，最后通过感知机对其进行时序预测，输出未来的预测误差结果。
24、作为优选的，步骤s4)中，所述的压缩层patch将输入的星历历史误差矩阵重塑成然后再通过一个线性变换层、层归一化、非线性函数得到时序序列特征
25、
26、作为优选的，步骤s4)中，所述的频率增强层feb通过快速傅里叶变换将时序序列特征epatch转化到频域使用ef_patch；通过随机采样topk个频率，并将其与随机矩阵r相乘；将除筛选频率以外的频率全部填充为0，并通过傅里叶逆变换转化为时序频率特征efeb，即：
27、
28、式中，f-1表示傅里叶逆变换，f表示快速傅里叶变换，padding表示填充操作，mlp表示多层感知机；sampling表示随机采样操作。
29、作为优选的，步骤s4)中，在频域下，本文档来自技高网...
【技术保护点】
1.一种基于频域信息增强的北斗卫星星历预测方法，其特征在于，包括以下步骤：
2.根据权利要求1所述的一种基于频域信息增强的北斗卫星星历预测方法，其特征在于：步骤S1)中，接收的广播星历数据为历史28天广播星历数据，利用标示符padding将广播星历推算的卫星位置集合对应的精密星历填补成相同长度；然后通过广播星历与精密星历计算出动力学模型推测的星历历史误差Ein。
3.根据权利要求1所述的一种基于频域信息增强的北斗卫星星历预测方法，其特征在于：步骤S2)中，构建的深度学习网络的星历误差补偿模型包括压缩层Patch、频率增强层FEB、频域注意力层FAL、时域注意力层TAL以及融合层Fusion。
4.根据权利要求1所述的一种基于频域信息增强的北斗卫星星历预测方法，其特征在于：步骤S3)中，使用梯度下降算法对星历误差补偿模型进行训练；并且在训练过程中，优化器选择具有自适应学习率的Adam优化器，并利用Adam优化器梯度的一阶矩估计和二阶矩估计动态调整每个参数的学习率；损失函数采用MAE损失函数其表达式为：
5.根据权利要求4所述的一种基于
6.根据权利要求1所述的一种基于频域信息增强的北斗卫星星历预测方法，其特征在于：步骤S4)中，将步骤S1)中得到的动力学模型推测的星历历史误差Ein输入到压缩层Patch将较长的序列分成几个批次长度并进行压缩，压缩后的历史预测误差分别在频域与时域分别进行处理；在频域下，通过频率增强层FEB使随机频率增强突出星历的频域特征，使频域注意力层FAL更容易学习随机频率特征；在时域下，使用时域注意力层TAL从多尺度对不同历元之间的时序特征进行提取；通过融合层Fusion将时域特征以及频域特征进行融合，最后通过感知机对其进行时序预测，输出未来的预测误差结果。
7.根据权利要求6所述的一种基于频域信息增强的北斗卫星星历预测方法，其特征在于：步骤S4)中，所述的压缩层Patch将输入的星历历史误差矩阵重塑成然后再通过一个线性变换层、层归一化、非线性函数得到时序序列特征
8.根据权利要求7所述的一种基于频域信息增强的北斗卫星星历预测方法，其特征在于：步骤S4)中，所述的频率增强层FEB通过快速傅里叶变换将时序序列特征Epatch转化到频域使用Ef_patch；通过随机采样TopK个频率，并将其与随机矩阵R相乘；将除筛选频率以外的频率全部填充为0，并通过傅里叶逆变换转化为时序频率特征EFEB，即：
9.根据权利要求8所述的一种基于频域信息增强的北斗卫星星历预测方法，其特征在于：步骤S4)中，在频域下，将F(EFEB)输入频域注意力层FAL中通过多头注意力机制进行表征，得到增强后的频域信息EFAL；
10.根据权利要求9所述的一种基于频域信息增强的北斗卫星星历预测方法，其特征在于：步骤S4)中，将增强后的时域信息ETAL和频域信息EFAL输入融合层Fusion中，利用二维卷积网络将时域信息ETAL和频域信息EFAL合并为一个节点的特征信息，得到融合后的特征Efusion；然后将融合后的特征Efusion经过一个全连接层与非线性的Relu激活函数，最后经过归一化函数Softmax对其进行权重进行归一化；
...【技术特征摘要】
1.一种基于频域信息增强的北斗卫星星历预测方法，其特征在于，包括以下步骤：
2.根据权利要求1所述的一种基于频域信息增强的北斗卫星星历预测方法，其特征在于：步骤s1)中，接收的广播星历数据为历史28天广播星历数据，利用标示符padding将广播星历推算的卫星位置集合对应的精密星历填补成相同长度；然后通过广播星历与精密星历计算出动力学模型推测的星历历史误差ein。
3.根据权利要求1所述的一种基于频域信息增强的北斗卫星星历预测方法，其特征在于：步骤s2)中，构建的深度学习网络的星历误差补偿模型包括压缩层patch、频率增强层feb、频域注意力层fal、时域注意力层tal以及融合层fusion。
4.根据权利要求1所述的一种基于频域信息增强的北斗卫星星历预测方法，其特征在于：步骤s3)中，使用梯度下降算法对星历误差补偿模型进行训练；并且在训练过程中，优化器选择具有自适应学习率的adam优化器，并利用adam优化器梯度的一阶矩估计和二阶矩估计动态调整每个参数的学习率；损失函数采用mae损失函数其表达式为：
5.根据权利要求4所述的一种基于频域信息增强的北斗卫星星历预测方法，其特征在于：步骤s3)中，设置星历误差补偿模型的训练总轮次为m，训练过程中，使用反向传播算法求取梯度来对模型的权重和偏置进行更新，其更新的公式为：
6.根据权利要求1所述的一种基于频域信息增强的北斗卫星星历预测方法，其特征在于：步骤s4)中，将步骤s1)中得到的动力学模型推测的星历历史误差ein输入到压缩层patch将较长的序列分成几个批次长度并进行压缩，压缩后的历史预测误差分别在频域与时域分别进行处理；在频域下，通过频率增强层...
【专利技术属性】
技术研发人员：李珍妮，辛宇，陈旗鸣，曾昆贛，王千明，谢侃，谢胜利，
申请(专利权)人：广东工业大学，
类型：发明
国别省市：
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。