基于EMD与GARCH模型的卫星时钟误差预报方法，涉及卫星时钟的钟差预测领域，解决了现有的卫星时钟误差预报方法因缺少非平稳随机项的预测，而导致预报精度难以提高的问题，它包括步骤一、获取时钟误差历史数据，并进行数据修正预处理得到卫星钟差数据；步骤二、对卫星钟差数据的经验模态进行分解，得到卫星钟差数据的随机项部分；步骤三、对卫星钟差数据的趋势项进行预测，通过建立卡尔曼预报模型进行卫星钟差数据趋势项的预测；步骤四、对卫星钟差数据的随机项进行预测，去除趋势项后得到的随机项，采用ARMA和GARCH模型对随机项进行预测，提高卫星钟差预测精度。用于卫星导航系统的高精度时间同步。
【技术实现步骤摘要】
本专利技术涉及卫星时钟的钟差预测领域。
技术介绍
时间同步是卫星导航系统的基础和关键，时间同步的最终精度取决于卫星钟差预报的精度，即卫星钟差预报误差是最大的误差源之一，因而，卫星钟差预报是卫星导航系统关键技术之一。钟差预报就是利用当前已有的钟差观测数据，通过一定算法，得到未来所需某个时刻的钟差预报值。基于经验模态分解(EMD)与广义自回归条件异方差(GARCH)模型的卫星时钟误差预报方法是一种高精度、快速的钟差预测技术，这种方法利用EMD将卫星钟差数据分解为趋势项和随机项，根据卡尔曼滤波器对趋势项数据进行预测，根据自回归滑动平均(ARMA)模型和GARCH模型分别对随机项的平稳部分和非平稳部分进行预测，从而提高卫星时钟的钟差预报精度。现有的卫星时钟误差预报方法因缺少非平稳随机项的预测，而导致预报精度难以提尚。
技术实现思路
本专利技术的目的是为了解决现有的卫星时钟误差预报方法因缺少非平稳随机项的预测，而导致预报精度难以提高的问题，提供一种基于EMD与GARCH模型的卫星时钟误差预报方法。基于EMD与GARCH模型的卫星时钟误差预报方法，它包括以下具体步骤步骤一、获取卫星时钟误差历史数据，并进行数据修正预处理得到卫星钟差数据；步骤二、对卫星钟差数据的经验模态进行分解；通过EMD将卫星钟差数据分解为一系列具有不同频率成分的本征模态函数和残差函数分量；去除高频部分后，对本征模态函数取和得到卫星钟差数据的随机项部分，通过残差函数获得卫星钟差数据的趋势项；步骤三、对卫星钟差数据的趋势项进行预测，根据卡尔曼滤波理论，通过建立卡尔曼预报模型进行卫星钟差数据趋势项的预测；完成卫星钟差数据趋势项的预报；步骤四、对卫星钟差数据的随机项进行预测，卫星钟差数据去除趋势项后得到随机项，采用ARMA和GARCH模型对随机项进行预测，完成卫星钟差数据随机项的预报。本专利技术的方法增加了非平稳随机项的预测，是一种新的高精度的钟差预测方法。本专利技术与现有钟差预测技术相比优点在于1、目前钟差的预测技术大多数都是仅在趋势项上建立钟差函数模型，而不考虑钟差的随机项，少数考虑随机项建模也是主要采用ARMA模型，且存在ARMA模式识别困难的问题。本专利技术采用EMD与随机项建模方法相结合，解决模式识别困难的问题，并进一步提高了钟差预报精度；2、相比当前主流的基于最小二乘和灰色系统模型等进行钟差趋势项长期预报技术而言，本专利技术提出的卡尔曼滤波器预测方法是一种递推算法，不需要保存过去的观测数据，因此，只要卫星时钟不进行调整，就保证卡尔曼预报有充足的数据，适合于预报时间小于一天的短期预报；3、通常情况下仅采用ARMA模型对钟差随机项进行预测，本专利技术中对随机项的预测过程中考虑了实际问题中随着时间变化，随机扰动项的条件方差的变化，不仅采用ARMA 模型对钟差随机项进行预测，还采用GARCH模型对随机扰动项进行预测，对比图5、图6，本专利技术中提出的钟差预测方法的预测精度比传统方法提高70%。附图说明图1为本专利技术的流程示意图，图2为本专利技术对获取的15天的时钟误差历史数据进行数据修正预处理后得到的卫星钟差数据，图3为本专利技术的时钟误差的趋势项，图4为本专利技术的时钟误差的随机项，图5为传统方法的钟差预测误差图，图6为本专利技术方法的钟差预测误差图。具体实施例方式具体实施方式一结合图1说明本实施方式，本实施方式包括具体步骤如下步骤一、获取时钟误差历史数据，并进行数据修正预处理得到卫星钟差数据；步骤二、对卫星钟差数据的经验模态进行分解；通过EMD将卫星钟差数据分解为一系列具有不同频率成分的本征模态函数和残差函数分量；本征模态函数的频率具有从高到低的特点，去除高频部分后，对本征模态函数取和得到卫星钟差数据的随机项部分，通过残差函数获得卫星钟差数据的趋势项，而残差函数反映了卫星钟差数据的趋势项部分；步骤三、对卫星钟差数据的趋势项进行预测，由EMD中残差函数得到的趋势项的走势具有伪线性特性，根据卡尔曼滤波理论，通过建立卡尔曼预报模型进行卫星钟差数据趋势项的预测；完成卫星钟差数据趋势项的预报；步骤四、对卫星钟差数据的随机项进行预测，卫星钟差数据去除趋势项后得到随机项，通常情况下，该随机项为非平稳时间序列，采用ARMA和GARCH模型对随机项进行预测，提高卫星钟差数据的预测精度，完成卫星钟差数据随机项的预报。具体实施方式二具体实施方式一中的步骤一获取的时钟误差历史数据中如果存在异常点、无数据段或数据跳变的数据异常，对所述异常进行修正，对于异常点，采取删除异常点，然后合并为无数据段；对于无数据段采用多项式插值的方法得到无数据段的数据； 对于数据跳变，采用滑动窗口探测出跳变，对于跳变数据采取舍去前端数据、用后段数据做钟差预测。其它组成和连接关系与实施方式一相同。步骤二在卫星钟差数据的EMD分析前判断是否同时满足以下条件a、被分析的数据至少包含极大值和极小值两个极值点；b、根据两个相邻极值点的时间距离能定义特征时间尺度；C、如果数据无极值点但包含拐点，则所述数据能通过一次或多次求导得到极值点。从上述三个判断条件可以看出，EMD分析需要确定卫星钟差数据的极值点；卫星钟差数据在常值漂移和随机漂移的影响下，可以满足判断条件中对极值点的要求；为了保证EMD分析过程中所采用的极值点是卫星钟差数据的真实极值点，采用足够高的采样频率能够满足EMD分析的判断条件，能够保证EMD分析的准确性。具体实施方式三具体实施方式一中的步骤二包括的子步骤如下子步骤1、对卫星钟差数据y(t)求取极大值y(tu)和极小值y(tv)，其中U= 1， 2,..., Nu, ν = 1,2,..., Nv, Nu为极大值的个数，Nv为极小值的个数；采用三次样条函数分别构造极大值点和极小值点的上下包络线yu(t)和yv(t)，计算两个包络线的均值权利要求1.基于EMD与GARCH模型的卫星时钟误差预报方法，其特征是它包括具体步骤如下 步骤一、获取卫星时钟误差历史数据，并进行数据修正预处理得到卫星钟差数据； 步骤二、对卫星钟差数据的经验模态进行分解；通过EMD将卫星钟差数据分解为一系列具有不同频率成分的本征模态函数和残差函数分量；去除高频部分后，对本征模态函数取和得到卫星钟差数据的随机项部分，通过残差函数获得卫星钟差数据的趋势项；步骤三、对卫星钟差数据的趋势项进行预测，根据卡尔曼滤波理论，通过建立卡尔曼预报模型进行卫星钟差数据趋势项的预测，完成卫星钟差数据趋势项的预报；步骤四、对卫星钟差数据的随机项进行预测，卫星钟差数据去除趋势项后得到随机项， 采用ARMA和GARCH模型对随机项进行预测，完成卫星钟差数据随机项的预报。2.根据权利要求1所述基于EMD与GARCH模型的卫星时钟误差预报方法，其特征在于步骤一获取的时钟误差历史数据中如果存在异常点、无数据段或数据跳变的数据异常，对所述异常进行修正，对于异常点，采取删除异常点，然后合并为无数据段；对于无数据段采用多项式插值的方法得到无数据段的数据；对于数据跳变，采用滑动窗口探测出跳变，对于跳变数据采取舍去前端数据、用后段数据做钟差预测。3.根据权利要求1所述基于EMD与GARCH模型的卫星时钟误差预报方法，其特征在于步骤二包括的子步骤如下子步骤1、对卫星钟差数据y(t)求取极大值y(tu)和极小本文档来自技高网...
【技术保护点】
１．基于ＥＭＤ与ＧＡＲＣＨ模型的卫星时钟误差预报方法，其特征是它包括具体步骤如下：步骤一、获取卫星时钟误差历史数据，并进行数据修正预处理得到卫星钟差数据；步骤二、对卫星钟差数据的经验模态进行分解；通过ＥＭＤ将卫星钟差数据分解为一系列具有不同频率成分的本征模态函数和残差函数分量；去除高频部分后，对本征模态函数取和得到卫星钟差数据的随机项部分，通过残差函数获得卫星钟差数据的趋势项；步骤三、对卫星钟差数据的趋势项进行预测，根据卡尔曼滤波理论，通过建立卡尔曼预报模型进行卫星钟差数据趋势项的预测，完成卫星钟差数据趋势项的预报；步骤四、对卫星钟差数据的随机项进行预测，卫星钟差数据去除趋势项后得到随机项，采用ＡＲＭＡ和ＧＡＲＣＨ模型对随机项进行预测，完成卫星钟差数据随机项的预报。
【技术特征摘要】
【专利技术属性】
技术研发人员：姜宇，金晶，张迎春，
申请(专利权)人：哈尔滨工业大学，
类型：发明
国别省市：93
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。