北斗卫星轨道预报方法分析

摘要：

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.

关键词：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

所属期刊栏目：45

分类号：P228(大地测量学)

在线出版日期：2020-08-27（万方平台首次上网日期，不代表论文的发表时间）

页数：共9页

页码：18-25,32