王國成,柳林濤,徐愛功,蘇曉慶,梁星輝

1．中國科學院測量與地球物理研究所大地測量與地球動力學國家重點實驗室,湖北武漢 430077; 2．中國科學院大學,北京 100049;3．遼寧工程技術大學測繪與地理科學學院,遼寧阜新 123000

徑向基函數(shù)神經(jīng)網(wǎng)絡在GPS衛(wèi)星鐘差預報中的應用

王國成1,2,柳林濤1,徐愛功3,蘇曉慶1,2,梁星輝1

1．中國科學院測量與地球物理研究所大地測量與地球動力學國家重點實驗室,湖北武漢 430077; 2．中國科學院大學,北京 100049;3．遼寧工程技術大學測繪與地理科學學院,遼寧阜新 123000

GPS衛(wèi)星鐘在空中很容易受到諸多因素的影響,導致其鐘差行為很難用線性模型、二次多項式模型、灰色模型等現(xiàn)有模型進行描述和實現(xiàn)可靠的高精度預報。本文利用徑向基函數(shù)神經(jīng)網(wǎng)絡對4顆GPS衛(wèi)星鐘差連續(xù)進行了5 min、1 h和1 d的預報,分別取得了均方根誤差優(yōu)于0．8 ns、0．6 ns和1 ns的預報精度,證明了文中徑向基網(wǎng)絡結構在鐘差預報方面的可靠性。

GPS衛(wèi)星鐘差;徑向基函數(shù)神經(jīng)網(wǎng)絡;鐘差預報

1 引 言

GPS衛(wèi)星鐘差是GPS導航系統(tǒng)的主要誤差源之一[1],在大地測量學以及GPS應用中有著非常重要的意義。目前,廣播星歷的軌道和鐘差性能已經(jīng)達到了均方根誤差為1 m和5 ns的精度[2]。自2007年以來,超快速星歷(IGU)的軌道產(chǎn)品精度得到了顯著提高,達到了5 cm和3 ns的精度[3],但是其鐘產(chǎn)品僅僅達到廣播星歷水平[4],依然沒有較好的預報性能,原因之一就是空間中的衛(wèi)星鐘很容易受到各種因素的影響[4],例如溫度、電離層、磁場等環(huán)境因素,這些影響導致衛(wèi)星鐘存在復雜的現(xiàn)象。

為了提高GPS衛(wèi)星鐘差的預報精度,許多學者作了一系列的研究,例如線性模型、二次多項式模型[5-7]、灰色模型[8-9]、卡爾曼濾波模型[10]、隨機模型[11]等,但這些模型均僅適合GPS衛(wèi)星鐘在平穩(wěn)的情況下,而GPS衛(wèi)星鐘的性能卻是非平穩(wěn)的[4]。另外,文獻[12]通過利用SLR和偽距資料對GPS衛(wèi)星鐘差進行預報,取得了優(yōu)于3 ns的精度,文獻[13]利用開窗分類因子抗差自適應序貫平差方法控制了鐘差粗差的影響,其擬合精度和預報精度與沒有進行抗差處理的自適應序貫平差相比,分別提高了78．9%和60．4%。神經(jīng)網(wǎng)絡由于其在非線性系統(tǒng)建模與優(yōu)化求解方面的優(yōu)勢,被廣泛應用于預測控制中,形成了各種各樣的神經(jīng)網(wǎng)絡預測控制算法[14],其中,徑向基函數(shù)神經(jīng)網(wǎng)絡由于具有良好的逼近非線性模型的性能和有能力得到非常穩(wěn)定的結果而得到了廣泛應用[15],這些優(yōu)點也同樣使得徑向基函數(shù)網(wǎng)絡對GPS衛(wèi)星鐘差預報方面具有較大的應用價值,文獻[16]首次利用徑向基函數(shù)(radial basis function,RBF)神經(jīng)網(wǎng)絡對GPS衛(wèi)星鐘差建模預報進行了初步嘗試,取得了比灰色模型更好的預報結果。本文利用重新設計的徑向基函數(shù)神經(jīng)網(wǎng)絡結構對一系列的GPS衛(wèi)星鐘進行了連續(xù)5 min、連續(xù)1 h和連續(xù)1 d的高精度的預報,得出了一些有益的結論。

2 徑向基函數(shù)神經(jīng)網(wǎng)絡原理

徑向基函數(shù)神經(jīng)網(wǎng)絡(簡稱徑向基網(wǎng)絡)是一種性能良好的前饋型人工神經(jīng)網(wǎng)絡,具有較高的運算速度和較強的非線性映射能力,能以任意精度逼近一個非線性函數(shù),因此在許多領域得到了廣泛應用[17-23]。徑向基網(wǎng)絡由輸入層、隱含層和輸出層3層構成,如圖1所示。

圖1 徑向基函數(shù)神經(jīng)網(wǎng)絡結構Fig．1 The RBF network structure

在RBF網(wǎng)絡中,隱含層神經(jīng)元采用徑向基函數(shù)作為激勵函數(shù),通常采用高斯函數(shù)作為徑向基函數(shù)。徑向基網(wǎng)絡傳遞函數(shù)的原型函數(shù)為

式中,n為自變量。該傳遞函數(shù)為輸入層和隱含層之間的距離的映射函數(shù),因此該變換是非線性的。

隱含層第j個神經(jīng)元輸出為

式中,X為輸入向量;uj為隱含層第j個神經(jīng)元的中心矢量;σ為徑向基函數(shù)的分布密度(SPREAD),一般根據(jù)經(jīng)驗值確定。

由于隱含層與輸出層間的激勵函數(shù)為純線性函數(shù),因此輸出層第k個節(jié)點輸出為

式中,nk為輸出層第k節(jié)點;yj為隱含層第j個神經(jīng)元的值;wkj為隱含層第j個神經(jīng)元與輸出層第k個神經(jīng)元相連的權值,該值一般按照學習方法獲得,如隨機選取中心法、自組織選取中心法、正交最小二乘法等。

3 徑向基函數(shù)神經(jīng)網(wǎng)絡對GPS衛(wèi)星鐘差的預報研究

選擇合適的徑向基網(wǎng)絡結構對GPS衛(wèi)星鐘差的預報至關重要,針對不同的預測步長,需要選擇不同的樣本長度、樣本量以及樣本之間的間隔,目前這些參數(shù)的確定缺少理論根據(jù),只能依賴經(jīng)驗確定。由于GPS衛(wèi)星鐘差數(shù)據(jù)為一維時間序列,因此這里徑向基網(wǎng)絡采用前N個數(shù)據(jù)預測后M個數(shù)據(jù)的模式,即選取N個數(shù)據(jù)作為輸入層向量,M個數(shù)據(jù)作為輸出層向量,再選取H個樣本進行訓練,利用訓練得到的網(wǎng)絡結構進行預測即可得到預測值。

本文從IGS發(fā)布的精密衛(wèi)星鐘差數(shù)據(jù)(ftp:∥igscb．jpl．nasa．gov/)中選取衛(wèi)星2、衛(wèi)星12、衛(wèi)星15以及衛(wèi)星16從歷元670到歷元714之間間隔為5 min的數(shù)據(jù),利用徑向基網(wǎng)絡分別建模,對歷元715以及歷元715以后的數(shù)據(jù)分別依次進行288次連續(xù)5 min(1 d)預報、24次連續(xù)1 h(1 d)預報、7次連續(xù)1 d(1周)預報,取得的結果分別見圖2—圖5,由于篇幅有限,表1—表6僅給出了部分結果。

(1)5 min連續(xù)預報:為了檢測徑向基網(wǎng)絡對衛(wèi)星鐘差的超短期預報能力,這里首先對GPS衛(wèi)星鐘差連續(xù)進行5 min預報,為了利用離預測點較近的樣本,設置樣本間隔為36,樣本數(shù)為136,樣本長度即N為16,預測長度M為1,即為5 min,依次得到衛(wèi)星2、衛(wèi)星12、衛(wèi)星15以及衛(wèi)星16連續(xù)預測結果見表1。

從表1以及圖2對4顆衛(wèi)星連續(xù)288次5 min的預報結果可以看出,該徑向基網(wǎng)絡結構對5 min的短期預報有著非常強的可靠性,可以實現(xiàn)這4顆衛(wèi)星上述時段的0．8 ns以內(nèi)的預報精度。

圖2 4顆衛(wèi)星1 d內(nèi)每5 min連續(xù)預報誤差Fig．2 The every five-minute prediction error within 1 day for four satellites respectively

圖3 4顆衛(wèi)星連續(xù)24次1 h預報誤差Fig．3 The every one-hour prediction error in a day for the four satellites respectively

圖4 4顆衛(wèi)星連續(xù)24次1 h預報均方根誤差Fig．4 The every one-hour prediction rmse in a day for the four satellites respectively

圖5 4顆衛(wèi)星連續(xù)7次1 d預報誤差Fig．5 The every one-day prediction error in a week for the four satellites respectively

表1 4顆衛(wèi)星1 h內(nèi)每5 min連續(xù)預報精度Tab．1 The every five-minute prediction accuracy within 1 hour for four satellites respectively

(2)1 h連續(xù)預報:針對這4顆衛(wèi)星鐘差的1 h預報,徑向基網(wǎng)絡結構設計為,樣本的數(shù)據(jù)長度即N為12,預報時間為1 h即M為12,樣本數(shù)為132,樣本間隔為64,按照該模型建立網(wǎng)絡,同樣利用歷元715之前的數(shù)據(jù)對歷元715的數(shù)據(jù)進行連續(xù)24次1 h預報,依次得到各顆衛(wèi)星連續(xù)預測的結果見表2。

從表2、圖3和圖4對4顆衛(wèi)星鐘差連續(xù)24次1 h預報結果來看,雖然對應的徑向基網(wǎng)絡結構對各顆衛(wèi)星不一定為最優(yōu),但也實現(xiàn)了模型均方根誤差在0．6 ns之內(nèi)的預報精度,驗證了該徑向基網(wǎng)絡結構對1 h預報的可靠性。

(3)1 d連續(xù)預報:針對衛(wèi)星2GPS衛(wèi)星鐘差的1 d預測,即M為288,設計徑向基網(wǎng)絡為:樣本量為212,樣本間隔為24,樣本長度即N為9,同樣利用歷元715之前的數(shù)據(jù)對歷元715及歷元715之后的數(shù)據(jù)進行連續(xù)7次1 d預報,依次得到衛(wèi)星2連續(xù)預測的結果見表3。

利用與衛(wèi)星2鐘差同樣時段的數(shù)據(jù)對衛(wèi)星12進行1 d預報即M為288,采用樣本量為145,樣本長度即N為9,樣本間隔為32,依次得到衛(wèi)星12連續(xù)預測的結果見表4。

利用與衛(wèi)星2鐘差同樣時段的數(shù)據(jù)對衛(wèi)星15進行1 d預報即M為288,采取網(wǎng)絡結構為:樣本量為142,樣本長度即N為25,樣本間隔為24,依次得到衛(wèi)星15連續(xù)預測的結果見表5。

利用與衛(wèi)星2鐘差同樣時段的數(shù)據(jù)對衛(wèi)星16進行1 d預報即M為288,采取網(wǎng)絡結構為:樣本量為132,樣本長度即N為12,樣本間隔為24,依次得到衛(wèi)星16連續(xù)預測的結果見表6。

表2 4顆衛(wèi)星1 h連續(xù)預報精度Tab．2 The every 1-hour prediction accuracy for four satellites respectively

表3 衛(wèi)星2連續(xù)7次1 d預報精度Tab．3 The every one-day prediction accuracy in a week for satellite 2

表4 衛(wèi)星12 1 d連續(xù)預報精度Tab．4 The every one-day prediction accuracy in a week for satellite 12

表5 衛(wèi)星15 1 d連續(xù)預報精度Tab．5 The every one-day prediction accuracy in a week for satellite 15

表6 衛(wèi)星16 1 d連續(xù)預報精度Tab．6 The every one-day prediction accuracy in a week for satellite 16

從表3—表6以及圖5對4顆衛(wèi)星連續(xù)7次1 d預報結果可以看出,針對不同的衛(wèi)星的1 d預報需要設計不同的網(wǎng)絡,連續(xù)預測取得的均方根誤差均在1 ns內(nèi),可以說明各徑向基網(wǎng)絡結構在時段上對各顆衛(wèi)星鐘差有較強的可靠性,也說明各顆衛(wèi)星1 d的相關性行為存在較大的差異。

4 結 論

通過設計不同的徑向基網(wǎng)絡結構對不同衛(wèi)星的鐘差連續(xù)進行5 min、1 h以及1 d的預報試驗發(fā)現(xiàn),選擇合適的徑向基網(wǎng)絡結構至關重要。針對5 min和1 h的超短期預報,只要構建合適的徑向基網(wǎng)絡結構,對不同的衛(wèi)星在不同的時間均可得到高精度的預報結果,同時,這也反映出GPS鐘差序列盡管有其復雜性,但由于持續(xù)受空中環(huán)境的影響,使其前后有著較強的短期相關性;針對1 d的預報,對不同的衛(wèi)星需要不同的網(wǎng)絡結構,這也說明不同衛(wèi)星1 d的行為特征具有較大的差異,但每顆衛(wèi)星連續(xù)預報的高精度結果說明其1 d的行為具備可預測性。上述網(wǎng)絡結構均是不斷試驗獲得,因此針對衛(wèi)星鐘差預報,構建合適的徑向基網(wǎng)絡結構至關重要,直接決定著預測的精度,由此可見徑向基選擇網(wǎng)絡結構的設計需要進一步的理論研究。通過本文的試驗結果,可以大膽假設,若針對鐘差的先驗信息找到徑向基函數(shù)神經(jīng)網(wǎng)絡結構建立的理論根據(jù),那么徑向基網(wǎng)絡在GPS衛(wèi)星鐘差預測中將會產(chǎn)生巨大的應用價值。

[1] JIAO Yue,KOU Yan Hong．Analysis,Modeling Simulation of GPS Satellite Clock Errors[J]．Scientia Sinica Physica, Mechanica&Astronomica,2011,41(5):596-601．(焦月,寇艷紅．GPS衛(wèi)星鐘差分析、建模及仿真[J]．中國科學:物理學力學天文學,2011,41(5):596-601．)

[2] SENIOR K L,RAY J R,BEARD R L．Characterization of Periodic Variations in the GPS Satellite Clocks[J]．GPS Solutions,2008,12(2):11-25．

[3] The International GNSS Service IGS Date Product[EB/OL] [2013-01-11]．http:∥igscb．jpl．nasa．gov/．

[4] HEO Y J,CHO J,HEO M B．Improving Prediction Accuracy of GPS Satellite Clocks with Preriodic Variation Behaviour [J]．Measurement Science and Technology,2010,21(7): 110-118．

[5] VERNOTTE F,DELPORTE J,BRUNET M．Uncertainties of Drift Coefficients and Extrapolation Erros:Application to Clock Error Predicition[J]．Metrologia,2001,38: 325-342．

[6] DAVID W．Characterization,Optimum Estimation,and Time Prediction of Precision Clocks[J]．IEEE Transaction on Geoscience and Remote Sensing,1987,34(6),647-653．

[7] ALLAN D W．Time and Frequency(Time-Domain)Characterization,Estimation,and Prediction of Precision Clocks and Oscillators[J]．IEEE Transaction on Geoscience and Remote Sensing,1987,34(6),654-661．

[8] ZHENG Zuoya,CHEN Yongqi,LU Xiushan．An Improved Grey Model for the Prediction of Real-time GPS Satellite Clock Bias[J]．Acta Astronomica Sinica,2008,49(3): 306-320．(鄭作亞,陳永奇,盧秀山．灰色模型修正及其在實時GPS衛(wèi)星鐘差預報中的應用研究[J]．天文學報, 2008,49(3):306-320．)

[9] CUI Xianqiang,JIAO Wenhai．Grey System Model for the Satellite Clock Error Predicting[J]．Geomatics and Information Science of Wuhan University,2005,30(5):447-450．(崔先強,焦文海．灰色系統(tǒng)模型在衛(wèi)星鐘差預報中的應用[J]．武漢大學學報:信息科學版,2005,30(5): 447-450．)

[10] ZHU Xiangwei,XIAO Hua,YONG Shaowei,et al．The Kalman Algorithm Used for Satellite Clock Ofset Prediction and Its Performance Analysis[J]．Joumal of Astronautic,2008,29(3):966-970．(朱祥偉,肖華,雍少為,等．衛(wèi)星鐘差預報的Kalman算法及其性能分析[J]．宇航學報,2008,29(3):966-970．)

[11] PANFILO G,TAVELLA P．Atomic Clock Prediction Based on Stochastic Differential Equations[J]．Metrologia, 2008,45(6):10-16．

[12] QIN Xianping,YANG Yuanxi,JIAO Wenhai,et al．Determination of Navigation Satellite Clock Bias Using SLR and Pseudorange Data[J]．Acta Geodaetica et Cartographica Sinica,2004,33(3):205-209．(秦顯平,楊元喜,焦文海,等．利用SLR和偽距資料確定導航定位鐘差[J]．測繪學報,2004,33(3):205-209．)

[13] HUANG Guanwen,YANG Yuanxi,ZHANG Qin．Estimate and Predict Satellite Clock Error Using Adaptively Robust Sequential Adjustment with Classified Adaptive Factors Based on Opening Windows[J]．Acta Geodaetica et Cartographica Sinica,2011,40(1):15-21．(黃觀文,楊元喜,張勤．開窗分類因子抗差自適應序貫平差用于衛(wèi)星鐘差參數(shù)估計與預報[J]．測繪學報,2011,40(1):15-21．)

[14] DAI Wenzhan,LOU Haichuan,YANG Aiping．An Overview of Neural Network Predictive Control for Nonlinear Systems[J]．Control Theory and Applications,2009,26 (5):521-530．(戴文戰(zhàn),婁海川,楊愛萍．非線性系統(tǒng)神經(jīng)網(wǎng)絡預測控制研究進展[J]．控制理論與應用,2009,26 (5):521-530．)

[15] SHARAD B,JAMES R W．Benefits of Factorized RBF-based NMPC[J]．Computers and Chemical Engineering, 2002,26(9):1185-1199．

[16] GUO Chengjun,TENG Yunlong．Application of Neural Network in Satellite Clock Bias Short-term Prediction[J]．Science of Surveying and Mapping,2011,36(4):198-200．(郭承軍,滕云龍．神經(jīng)網(wǎng)絡在衛(wèi)星鐘差短期預報鐘的應用研究[J]．測繪科學,2011,36(4):198-200．)

[17] PARK J,SANDBERG I W．Universal Approximation Using Radial-basis-function Networks[J]．Neural Computer, 1991,3:246-257．

[18] CHEN S,COWAN C F N,GRANT P M．Orthogonal Least Squares Learning Algorithm for Radial Basis Function Networks[J]．IEEE Transcation Neural Networks,1991, 2(6):302-309．

[19] YINGWEI L,SUNDARARAJAN N,SARATCHANDRAN P．Performance Evaluation of a Sequential Minimal Radial Basis Function(RBF)Neural Network Learning Algorithm[J]．IEEE Transaction Neural Networks,1998, 9:308-318．

[20] CONG Shuang．Neural Network Theory and Applications with Matlab Toolboxes[M]．Hefei:University of Science and Technology of China Press,1998．(從爽．面向Matlab工具箱的神經(jīng)網(wǎng)絡理論與應用[M]．合肥:中國科技大學出版社,1998．)

[21] BUHMANN M D．Radial Basis Functions[J]．Acta Numerica, 2000,11:1-38．[22] ROBERT J,SCHILLING JAMES,CARROLL J．Approximation of Nonlinear Systems with Radial Basis Function Neural Networks[J]．IEEE Transactions on Neural Networks,2001,12(1):21-28．

[23] REN Dongfeng,XU Aigong．Application RBF Network Based on Genetic Algorithm Optimization to Establish GPS Height Conversion Model in Mining Area[J]．Journal of Geodesy and Geodynamics,2012,32(4):103-105．(任東風,徐愛功．基于遺傳算法優(yōu)化的徑向基神經(jīng)網(wǎng)絡在礦區(qū)GPS高程轉換中的應用[J]．大地測量與地球動力學, 2012,32(4):103-105．)

(責任編輯:宋啟凡)

The Application of Radial Basis Function Neural Network in the GPS Satellite Clock Bias Prediction

WANG Guocheng1,2,LIU Lintao1,XU Aigong3,SU Xiaoqing1,2,LIANG Xinghui1
1．State Key Laboratory of Geodesy and Earth’s Dyanamics,Institute of Geodesy and Geophysics,Chinese Academy of Sciences,Wuhan 430077,China;2．University of Chinese Academy of Sciences,Beijing 100049,China;3．School of Geomatics,Liaoning Technical University,Fuxin 123000,China

Satellite atomic clocks can be easily influenced by various factors in space,so the clock behaviour is not sufficiently described and cannot achieved a reliable high-precision prediction by the existed model,such as a linear model,a quadratic polynomial model,grey model and so on．Radial basis function neural network was used in the continuous prediction of four GPS satellite clock bias with five minutes,one hour and one day in this paper,the root mean square error was better than 0．8 ns,0．6 ns and 1 ns,respectively,these prove the reliability of the radial basis network structure on the clock error forecasting．

GPS satellite clock bias;radial basis function;clock bias prediction

WANG Guocheng(1980—),male,PhD candidate,majors in geodesy and survey Engineering．

P228

A

1001-1595(2014)08-0803-05

國家自然科學基金(41021003)

2013-03-15

王國成(1980—),男,博士生,研究方向為大地測量學與測繪工程。

E-mail:guocgeng51796＠163．com

WANG Guocheng,LIU Lintao,XU Aigong,et al．The Application of Radial Basis Function Neural Network in the GPS Satellite Clock Bias Prediction[J]．Acta Geodaetica et Cartographica Sinica,2014,43(8):803-807．(王國成,柳林濤,徐愛功,等．徑向基函數(shù)神經(jīng)網(wǎng)絡在GPS衛(wèi)星鐘差預報中的應用[J]．測繪學報,2014,43(8):803-807．)

10．13485/j．cnki．11-2089．2014．0078

修回日期:2014-02-18