10.16251/j.cnki.1009-2307.2020.07.003
北斗卫星轨道预报方法分析
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(Imp)也明显提高,30 d内预报中增大的Imp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Imp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.
轨道预报、总体经验模态分解、长短时记忆神经网络、动力学模型
45
P228(大地测量学)
2020-08-27(万方平台首次上网日期,不代表论文的发表时间)
共9页
18-25,32