基于AR模型的低轨卫星大气密度建模与预报

研究了采用时间序列分析进行低轨卫星大气密度的建模与预报。通过对低轨卫星历史和当前的大气密度进行时间序列建模、频谱分析,可以获得未来数个轨道周期内大气密度的预报模型,并结合GRACE卫星加速度计反演的大气密度数据进行了详细分析。研究结果表明:GRACE卫星一个轨道周期内的密度预报模型是以轨道角速度和时间表示的最高次数为2的傅里叶级数。与三维密度模型相比,这种密度预报模型仅与历史的大气密度有关、所需模型参数少,可为今后在卫星定轨和轨道预报工作中大气密度的建模和预报提供新的思路。     

基于RBF神经网络的水闸垂直位移时间序列预测模型

水闸垂直位移是水闸安全的重要特征之一.针对传统水闸垂直位移预测模型的不足,提出了基于RBF神经网络的时间序列预测模型,该模型克服了传统模型容易陷入局部极小和运算迭代量大的缺点,有效地提高学习速度,使得预测精度大大提高.利用Matlab的RBF神经网络工具箱建立了垂直位移时间序列预测模型,并应用于实际工程中,取得了较高的拟合预报精度.     

基于TLE数据的空间目标EDR分类及观测需求计算

根据能量耗散率（EDR）的定义及空间目标的大气阻力摄动加速度公式,推导出一种由卫星两行根数（TLE）数据计算空间目标EDR的方法. 该方法无需计算空间目标弹道系数和大气模型,EDR计算误差可在1%以下,并且运算量极小. 此外,通过空间目标相对轨道的协方差矩阵描述空间目标的定轨精度,并结合扩展卡尔曼滤波方程,提出一种计算平面轨道下不同EDR空间目标的定轨精度-观测需求曲线的方法. 仿真验证了EDR计算方法的有效性,并给出了雷达对不同EDR分类的目标观测时对应的定轨精度-观测需求曲线. 结果表明当观测稀疏时,目标轨道预报误差正比于EDR,而观测较多时,会有观测饱和现象.      

基于高/低轨监视平台的GEO卫星定轨精度比较

针对传统地基监视系统对地球同步轨道(GEO)卫星静地测量模式不利于获取其态势信息,而空间目标监视平台利用其快速轨道运动、增强观测几何强度和GEO卫星动力学模型的约束作用,有利于对GEO卫星环带的跟踪、监视和编目处理这一问题,分析了高、低轨平台与其观测模式,采用了数值微分法计算变分方程系数阵的定轨算法,统计了光学观测误差对定轨结果的影响.仿真计算表明,高、低轨平台对GEO卫星的定轨精度均在公里级,低轨平台对GEO卫星的定轨精度好于高轨监视平台,观测系统误差是定轨误差的主要来源.     

星载GPS非差精密定轨精度分析

采用一种变相的“非差”动力定轨方法，建立了相应的数学模型，编制了星栽GPS低轨卫星的定轨软件，并以此分析了定轨过程中各主要误差源对定轨的影响以及所能达到的定轨精度和预报精度。该方法以相位平滑伪距为观测值，通过对同一历元的现测值进行卫星间求差，消除了星栽GPS接收机钟差，模型简单，求解参数少。在只估计初始坐标和速度参数、考虑各种误差的综合影响时，定轨一天的径向精度约为3m，能满足一定的定轨精度要求。     

基于最小二乘支持向量机的风速组合预测模型

探讨了基于最小二乘支持向量机的组合预测模型在风速短期预测中的可行性.该模型以BP神经网络、RBF神经网络、粒子群BP神经网络3种预测模型的风速预测值作为组合预测模型的输入,实际风速值为输出,利用最小二乘支持向量机回归算法构造风速间的非线性关系,以实现风速多步预测.将该模型的预测性能与BP神经网络组合预测模型、线性组合预测模型进行比较,通过平均绝对误差、误差平方和、平均相对误差3个指标进行评价.结果表明,最小二乘支持向量机预测模型的平均相对误差低于6%,其他误差指标也明显低于其他预测模型.因此,最小二乘支持向量机组合预测模型预测精度不仅高于任一单项预测模型预测精度,而且高于传统的线性组合预测模型与一般BP神经网络组合预测模型.验证了该模型在风速预测中的可行性.     

基于灰色BP网络的卫星钟差预报

精密卫星钟差是精密定轨的重要因素之一.将BP神经网络模型引入卫星钟差预报,分别对少量及大量的卫星钟差数据进行预报,将其预报精度和灰色模型GM(1,1)预报结果进行分析比较,证明BP神经网络模型适于卫星钟差预报.通过对IGU超快速星历中的卫星钟差进行预报,发现前期预报精度很高,验证了其实际有效性.     

区域监测网精密定轨与轨道预报精度分析

我国导航系统采用区域监测网提供轨道预报等导航服务．由于区域网不能覆盖地球中轨轨道（MediumEarthOrbit,MEO）SE星全弧段,并且受卫星相对于监测网几何条件限制,若采用与全球网相同的定轨和预报策略,预报精度难以满足我国导航系统的指标要求．预报精度决定于定轨获得的初轨和力学模型的精度．针对MEO卫星星座的区域监测网定轨预报问题,本文提出两步法策略,即首先解算部分动力学参数和轨道参数,然后强约束这部分动力学参数的估值,重新解算所有动力学参数和轨道,并利用得到的初轨和动力学参数进行轨道预报．利用实测GPS数据的实验表明,采用两步法定轨策略可获得对动力学参数的合理解算结果,并可提高轨道预报精度,预报1天轨道的平均用户距离精度（UserRangeError,URE）优于0．6m．     

基于长短期记忆神经网络模型的空气质量预测

随着城市化和工业化的快速发展,空气污染问题日益突出,空气质量预测显得尤为重要。当前一些有代表性的研究对空气质量进行实时监测和预报,例如周广强等采用数值预报的方法对中国东部地区的空气质量进行分析,但其实验结果表明该方法难以预测非常重的污染;SANKAR等使用多元线性回归对空气质量进行预测,但其实验结果表明线性模型预测精度低、效率慢;PéREZ等使用统计方法对空气质量进行预测,实验结果证明统计方法的预测精度比较低;WANG等采用改进的BP神经网络建立了空气质量指数的预测模型,其实验验证了BP神经网络收敛速度慢、容易陷入局部最优解的问题;YANG等利用相邻网格的空气质量浓度效应,建立了基于随机森林的PM_(2.5)浓度预测模型,通过实验过程证明网格划分程序削弱了后续空气质量分析的质量和效率。这些方法都难以从时间角度建模,其中预测精度低是比较重要的问题。因为预测精度低可能会导致空气质量预测结果出现较大的误差。针对空气质量研究中预测精度低的问题,提出了基于长短期记忆单元(long short-term memory,LSTM)的神经网络模型。该模型使用MAPE,RMSE,R,IA和MAE等指标来检测LSTM神经网络与对比模型的预测性能。由于Delhi和Houston是空气污染程度比较严重的城市,所以使用的实验数据集来自Delhi的Punjabi Bagh监测站2014—2016年的空气质量数据和Houston的Harris County监测站2010—2016年的空气质量数据。LSTM神经网络与多元线性回归和回归模型(SVR)的比较结果表明,LSTM神经网络适应多个变量或多输入的时间序列预测问题,LSTM神经网络具有预测精度高、速度快和较强的鲁棒性等优点。     

基于优化FOA-BPNN模型的脱贫时间预测

针对精准扶贫缺乏有效的分析模型对扶贫的成效与脱贫时间进行准确刻画与定量分析问题，提出了基于 FOA-BPNN 贫困户脱贫时间预测模型．针对BP神经网络模型可能陷入局部最小的缺陷，引入果蝇优化算法，以BP 神经网络的预测误差作为适应度值，寻找最优的BP神经网络参数值，提高参数精度．由于标准果蝇优化算法的搜 索半径固定，可能导致后期局部寻优性能弱，提出了一种动态步长变更策略的DSFOA-BPNN模型，通过引入变速因 子与种群密度，将动态步长FOA算法与传统误差反向传播神经网络(BPNN) 结合，提高模型预测时间精度．在湖北 省某贫困地区 50000 条扶贫数据的基础上，通过实验表明:与BPNN和FOA-BPNN模型相比， 提出的 DSFOA-BPNN 模型预测精度分别提高了44%和11%．增量实验表明: 提出的DSFOA-BPNN模型更适用于精度预测.     

基于动量BP算法的过渡段路基沉降预测

利用动量BP算法改进了BP神经网络的收敛性,建立了过渡段路基沉降预测模型.该模型可克服传统BP神经网络收敛速度慢、易陷入局部最优等的缺点.结合津秦客运专线路桥过渡段路基沉降实测数据,将该优化模型与传统BP神经网络预测模型进行了对比.计算表明,利用动量BP算法改进的神经网络具有较高的预测精度,同时考虑了多个影响因素,因而具有广阔的应用前景.     

北斗新一代试验卫星星钟及轨道精度初步分析

北斗卫星导航系统新一代试验卫星星座由2颗高轨倾斜地球同步轨道卫星和3颗中轨地球轨道卫星组成,2016年2月全部发射入轨,其任务是验证北斗系统从目前区域导航定位授时服务走向全球服务的新技术体制设计及指标性能.导航卫星星载原子钟是最重要载荷之一,负责星上时间频率基准信号维持和产生,本文利用星地双向时频传递设备观测的星地钟差数据,评估了试验星配置的新型高精度铷钟和被动型氢钟的实际性能,定量比较了相对于北斗区域系统卫星钟的性能提升.结果表明新一代试验星与北斗区域系统卫星钟差预报精度相比较有较大提高,地球倾斜静止卫星(Inclined Geosynchronous Orbit,IGSO)短期预报误差从0.65ns减小到0.30ns,中轨道卫星(Medium Orbit,MEO)短期预报误差从0.78ns减小到0.32ns,IGSO/MEO卫星中期预报误差均从2.50ns减小到约1.50ns.星间链路(Inter-Satellite Link,ISL)是北斗全球系统最重要的技术体制设计之一,本文评估了试验卫星实现的星间伪距测量对提升空间信号精度,即轨道和钟差的贡献,得到在地面监测网无法连续覆盖到的境外弧段,高精度星间链路测量对轨道确定和钟差测定精度的提升尤为明显.加入星间伪距测量,MEO卫星重新入境时钟差预报误差由3ns减小至1ns以内.采用星地星间联合定轨方法估计的卫星轨道径向重叠弧段互差优于0.1m,三维位置重叠互差优于0.5m,预报24h径向重叠弧段互差优于0.2m,三维位置重叠互差优于1m,均较区域监测网L波段定轨结果有较大提升.为解决多星定轨处理时卫星钟差与轨道高度耦合问题,本文提出了卫星钟差半约束模式定轨处理方法.用户等效距离误差分析结果表明采用卫星钟差半约束的定轨模式,卫星轨道预报4h用户等效距离误差由1.04m减小至0.82m.     

基于GA-BP神经网络的自建点PM2.5浓度校准研究

为精准预报空气质量,以PM2.5为例对其自建点监测浓度进行校准,选取6种污染物浓度以及5个环境因素建立神经网络模型。BP算法由于权值和阈值的随机性可能存在局部最优、过渡拟合等缺陷,所以利用遗传算法优化BP神经网络,构建GA-BP神经网络模型。仿真结果表明,GA-BP神经网络的校准平均绝对百分比误差和均方误差分别为12.56%和0.0197,明显低于BP神经网络,说明该模型校准效果更好,能明显提高空气质量预报的准确率。     

基于EA-SA的卫星初始轨道确定算法

卫星初始轨道的精度将直接影响到最终轨道的精度,因此为了提高卫星初始轨道计算精度,提出了一种基于进化算法(EA)和模拟退火算法(SA)的卫星初始轨道确定算法.介绍了该算法的Lambert定理形式,阐述了该算法的实现步骤,并结合某次卫星定轨实际情况验证了该算法的可行性和有效性.实践证明,该算法具有较强的局部和全局搜索能力,其定轨精度比目前常用的定轨算法高,具有较好的工程适用性.     

基于差值灰色RBF网络模型股票价格预测研究

针对RBF神经网络的预测精度受样本数据随机性影响较大,而灰色理论能弱化数据随机性的特点,提出了差值结合法将灰色GM(1,1)模型和RBF神经网络模型有效地结合起来,构建了差值灰色RBF网络预测模型。并利用此模型进行股票价格预测,实证结果表明:该模型预测稳定性较好,预测精度高,平均预测误差为0.68%,与BP神经网络和RBF神经网络相比具有更好的泛化能力和更高的预测精度,在股票预测中具有一定的实用价值。     

超低地球轨道卫星大气阻力预测与影响因素分析

为了对超低地球轨道卫星的大气阻力进行有效预测和分析,该文基于自由分子流试验粒子Monte Carlo方法,通过嵌入多种国际主流大气模型,开发了一套低地球轨道任意复杂外形航天器气动特性预测的通用三维并行软件,并以GOCE卫星为研究对象,计算并分析了该卫星的大气阻力特性,研究了大气模型参数、飞行高度、轨道纬度和经度等因素对大气阻力的影响规律。结果表明:随着高度的增加,阻力急剧减小,阻力系数却单调增大,卫星阻力的预测对大气模型的敏感性增强;轨道纬度和经度变化的影响主要体现在通过影响来流大气参数而间接影响阻力系数和卫星阻力,大气温度和组分影响阻力系数,而阻力系数和来流大气密度共同决定卫星阻力;随着轨道纬度和经度的变化,卫星阻力和阻力系数均呈现非单调的波动性变化。研究表明:JB2008和DTM-2013大气模型表现相近,而USSA-1976、 Jacchia-1977和NRLMSISE-00大气模型计算出的阻力都较前两者偏高。     

基于改进神经网络的水泥路面使用性能预测模型

为了克服传统水泥路面使用性能预测方法的缺陷和误差反向传播(BP)神经网络的不足,利用动量方法改进了BP神经网络收敛性,建立了水泥路面使用性能预测模型.采用广东水泥路面调查数据对模型进行了训练和验证,并对模型训练方法进行了优化.分析表明,该模型具有较好的实用性和预测精度.     

AdaBoost-BP模型在大坝变形预测中的应用

针对传统BP神经网络自身存在局部极小值及模型的泛化能力差时预测精度无法满足实际需求等的不足,本文用AdaBoost算法优化传统的BP神经网络得到AdaBoost-BP预测模型,可以减小局部极小值的影响,增强了模型的泛化能力,提高模型的预测精度.示例证明,AdaBoost-BP预测模型比传统的BP神经网络预测模型拥有更高的预测精度.     

基于样本数据重抽样的时序数据预报方法

研究时序数据预报和提高预报精度的方法,提出了一种新的利用误差项对时序数据样本进行ＢｏｏｔＳｔｒａｐ重抽样的方法。该方法采用神经网络技术建立时序数据预报模型,并通过重抽样技术提高预报精度。通过ＢｏｏｔＳｔｒａｐ算法与ＢＰ算法的预报偏差平方和比较说明ＢｏｏｔＳｔｒａｐ算法提高了预报精度,将提出的重抽样技术引入时序数据预测中,可提高神经网络的预测精度,并适用于股票价格及外汇交易预测等效应领域。     

基于小波神经网络的船舶运动预报

利用残值学习算法进行小波节点的选择,利用Akaike 准则确定预测模型的结构,采用误差反传方法在线调整网络连接参数.通过建立的自适应神经网络模型有效辨识船舶操纵运动动态.船舶航向预报仿真结果显示,基于小波神经网络的船舶航向预测器可以较高精度预报船舶操纵运动过程中船舶航向的变化.