闞起源

引言：地球定向參數(shù)預報、地球定向參數(shù)應用等內(nèi)容受激發(fā)源影響極易導致研究準確性降低，進而影響相關(guān)框架轉(zhuǎn)換效果，并且，數(shù)據(jù)處理難度會逐漸加大，最終會延遲地球定向參數(shù)獲取時間.從中能夠看出，本文這一論題具有探究必要性和重要性，具體探究如下.

1 地球定向參數(shù)研究必要性

我國研究地球定向參數(shù)的時間相對較早，實際研究的過程中構(gòu)建了時間參考系統(tǒng)，以便為論題分析提供支持.由于學者研究視域不斷拓展、研究理論內(nèi)容不斷豐富，總結(jié)得知地球自轉(zhuǎn)變化有規(guī)律可循，這為地球定向參數(shù)研究奠定了良好基礎.以往研究設備主要為光學儀器，但該設備實際應用的過程中易受其他因素影響，進而會大大降低中觀測準確性.后來相關(guān)研究技術(shù)不斷升級，應用GPS技術(shù)、VLBI技術(shù)、DORIS技術(shù)研究地球定向參數(shù)，能夠大大提高測量準確性，測量精度是以往的十倍，這意味著研究學者能夠獲得豐富的地球動力學信息，能為關(guān)聯(lián)問題分析提供便利，有利于加快地球動力學發(fā)展步伐.

針對地球定向參數(shù)精確值深入探究，除了能夠促進地球動力學發(fā)展，還能擴大其應用范圍，我國航空航天事業(yè)定位準確性會大大提高.由于地球定向參數(shù)解算程序十分繁瑣，并且數(shù)值獲取時間較長，因此，應以地球定向參數(shù)預測為基礎，掌握三天內(nèi)定向參數(shù)數(shù)值，同時，建立預測模型，盡最大可能提高地球定向參數(shù)預測準確性.

2 地球定向參數(shù)研究進展及參數(shù)測定

2.1 研究進展

地球定向參數(shù)研究進展主要從兩方面來分析，第一方面即是極移研究進展，第二方面即日長研究進展，其中，極移研究進展最早由德國學者提出，提出時間于十九世紀八十年代，研究可知，極移周期項包括長周期項、季節(jié)性擺動、線性趨勢項、錢德勒擺動、高頻變化項.極移激發(fā)源周期分量從時間尺度、季節(jié)性擺動、長期趨勢、高頻變化等方面來分析，各個方面依次對應的內(nèi)容主要有可能的激發(fā)源；大氣、地下水、海洋物質(zhì)在分布；地殼反彈、冰川融化；大氣、潮汐變化.日長研究進展研究內(nèi)容細分為日長的長期變化、周期性變化、不規(guī)則變化、激發(fā)源等，其中，潮汐摩擦導致日長周期延長；周期性變化內(nèi)容具體指的短周期變化、季節(jié)變化、周日變化；不規(guī)則變化具體指的是年際變化、高頻不規(guī)則變化、十年尺度變化、年代際變化等.

2.2 參數(shù)測定

地球定向參數(shù)測定的過程中，既要選用適合的觀測手段，又要合理排列地球定向參數(shù)數(shù)據(jù)序列.

地球定向參數(shù)測量技術(shù)更新?lián)Q代的過程即大地測量技術(shù)發(fā)展的過程，最早應用的技術(shù)即甚長基線干涉技術(shù)，這一技術(shù)最早應用于天文學，在空間測量方面的精度相對較高，并且技術(shù)穩(wěn)定性較強，甚長基線干涉技術(shù)實際應用時需要建立地球參考框架，在區(qū)域地殼形變監(jiān)測、地球定向參數(shù)確定方面提供了技術(shù)支持.之后激光測衛(wèi)技術(shù)被成功研制，該技術(shù)具有準確定位、高精度等優(yōu)勢，激光測衛(wèi)技術(shù)適用于板塊運動監(jiān)測、自轉(zhuǎn)參數(shù)確定.全球定位系統(tǒng)成功研制后，該系統(tǒng)通過發(fā)揮高精度、全天候等優(yōu)勢被廣泛應用，上世紀九十年代成功建立全球定位系統(tǒng)連續(xù)觀測網(wǎng)，并相繼提供種類多樣的數(shù)據(jù)產(chǎn)品.相對比而言，全球定位系統(tǒng)能夠有效彌補上述兩種技術(shù)存在的不足，預測可知，全球定位系統(tǒng)未來應用前景十分廣闊.此外，DORIS技術(shù)應用監(jiān)測時間相對較短，現(xiàn)有觀測站接近60個，DORIS技術(shù)獲取的數(shù)據(jù)信息利用IDS高效處理、具體分析，分析、處理后的數(shù)據(jù)在地球定向參數(shù)解算中發(fā)揮了重要作用[1].

國際地球自轉(zhuǎn)服務組織針對地球定向參數(shù)變化時間序列權(quán)威發(fā)布，序列來源于數(shù)據(jù)綜合結(jié)算操作，相對而言，序列準確性較高，序列內(nèi)容包括IERSEOPC01、IERSEOPC04、IERSEOPC02/03.現(xiàn) 如今，模型構(gòu)建、模型分析主要以EOPC04序列為基礎，并據(jù)此衡量模型預測效果.

3 地球定向參數(shù)的預報及應用分析

3.1 時間序列法

3.1.1 數(shù)據(jù)處理

數(shù)據(jù)處理的過程中，利用IERSEOPC04這一序列分析定向參數(shù)值，通過極移時間完成預測.從日長角度來講，應對數(shù)據(jù)預處理，處理過程功能中選用適合的計算方法，按照扣除固體潮、預測日長變化序列等步驟完成數(shù)據(jù)預處理任務.數(shù)據(jù)預處理工作執(zhí)行時，參照IERS規(guī)范，應用日長影響計算公式，針對未知序列準確取值，通過公式代入求得固體地球帶諧潮項值，并對比分析固體地球帶諧潮項對日長的影響.大部分預測模型針對地球定向參數(shù)預測時首選組合預測方式，步驟主要為：利用最小二乘法完成擬合處理，擬合對象主要為地球定向參數(shù)序列周期項或者趨勢項，之后進行外推預測；應用擬合殘差法深層次預測，獲取預測結(jié)果，擬合殘差法能夠直觀顯示中長期變化情況，能為長期預測奠定良好基礎.由于不同時間段的精度預測要求存在差異，再加上，部分參數(shù)受外界因素影響較大，最終會出現(xiàn)異?，F(xiàn)象，導致地球定向參數(shù)預測準確性大大降低[2].

3.1.2 構(gòu)建RLS+ARIMA模型

ARMA模型構(gòu)建：上世紀七十年代，西方學者通過模型組合的方式進行地球定向參數(shù)預測分析，參與組合的方式主要有回歸模型、自回歸滑動平均模型、移動平均模型.現(xiàn)如今，RLS+ARIMA模型構(gòu)建后主要用于分析日長預報，對此，研究人員持差異化分析觀點，部分研究人員持不同分析觀點，其中，ARMA模型、AR模型均發(fā)揮過預測作用.相對比而言，本文介紹的RLS+ARIMA模型在關(guān)聯(lián)性分析方面有重要意義.需要特別說明的是，ARMA模型能夠滿足序列平穩(wěn)性需要，并且序列周期性特征明顯，此時數(shù)據(jù)預處理的常用方法為差分法，該方法應用后構(gòu)建完成的模型被稱為ARIMA模型.在此期間，應在觀察數(shù)據(jù)變化趨勢圖的基礎上，依據(jù)數(shù)據(jù)完成函數(shù)判斷任務.

模型識別：在模型分類、模型種類總結(jié)的基礎上，總結(jié)時間序列特點，同時，對比分析時間序列以及模型序列在特點方面的異同，最終優(yōu)選適合的模型.在這一過程中，需要應用自相關(guān)函數(shù)公式、偏相關(guān)函數(shù)公式完成不同模型數(shù)據(jù)數(shù)據(jù)特征的對比[3].

模型定階：該環(huán)節(jié)參照FPE準則、AIC準則、BIC準則檢驗模型適用性.

模型參數(shù)估計：該環(huán)節(jié)應用的估計方法主要為Yule-Walker方法，其中，ARMA模型參數(shù)估計過程較繁瑣，具體估計時，首先掌握該模型截尾特點，然后有序完成自回歸參數(shù)估計工作，最后獲取滑動平均參數(shù)，在這一過程中應用的函數(shù)主要有自協(xié)方差函數(shù).

計算及分析：為避免預算量過大，適當減少模型階數(shù)，同時，應用歷元殘差數(shù)據(jù)完成對獲取數(shù)據(jù)結(jié)果的檢驗，最終獲取極移坐標.針對模型合理性分析時，對比AR模型以及ARIMA模型，對比分析后選用相對合理的模型.分析可知，ARIMA模型實際應用的過程中，存在誤差快速增長這一不足，因此，應探索有效措施予以處理.

3.2 神經(jīng)網(wǎng)絡法

3.2.1 神經(jīng)網(wǎng)絡概述

所謂神經(jīng)網(wǎng)絡法，指的是人工神經(jīng)網(wǎng)絡，該方法在信息分布式處理、存儲等方面起到了重要作用，該方法優(yōu)勢主要表現(xiàn)為：魯棒性、容錯性，在非線性問題處理方面取得了具有實踐指導作用的研究結(jié)果.神經(jīng)網(wǎng)絡法研究經(jīng)歷了不同階段，其中，BP算法應用意味著神經(jīng)網(wǎng)絡正式用于實踐，并且相關(guān)學者建立了神經(jīng)網(wǎng)絡模型[4].

神經(jīng)網(wǎng)絡細分不同類型，其中，徑向基神經(jīng)網(wǎng)絡具有良好的局部優(yōu)化性能，并且結(jié)構(gòu)簡單、學習用時短，它以徑向基函數(shù)為基礎，有步驟完成輸入矢量變換，同時，在高維空間中完成數(shù)據(jù)交換，高效解決線性劃分問題.徑向基神經(jīng)網(wǎng)絡組成部分包括三方面，第一方面即輸入層，第二方面即隱含層，第三方面即輸出層，網(wǎng)絡結(jié)果如圖1所示.徑向基神經(jīng)網(wǎng)絡借助高斯函數(shù)完成激勵任務，徑向基神經(jīng)網(wǎng)絡學習的過程中，應用到的參數(shù)主要有輸出單元權(quán)值、RBF中心、方差.學習階段細分為自主學習、監(jiān)督學習，前者需要確定基函數(shù)方差，后者需要確定權(quán)值.

圖1 徑向基神經(jīng)網(wǎng)絡結(jié)構(gòu)

3.2.2 EOP預測

總結(jié)已有分析內(nèi)容可知，地球定向參數(shù)呈現(xiàn)非線性特點，神經(jīng)網(wǎng)絡方法顯示較強的非線性逼近能力，與此同時，專業(yè)學者針對神經(jīng)網(wǎng)絡高度關(guān)注，并完成了定向參數(shù)的全面預測，預測內(nèi)容包括地球定向參數(shù)、日長參數(shù)等.預測期間首先應用最小二乘法，然后應用神經(jīng)網(wǎng)絡法，以此提高神經(jīng)網(wǎng)絡預報分析效率.

EOP預測的過程中，應首先確定輸入樣本長度，合理設置輸入、輸出模式，這對神經(jīng)網(wǎng)絡預測效果有重要影響，如果輸入樣本長度過長，那么神經(jīng)網(wǎng)絡訓練面臨較大壓力，適宜長度為10.然后，以RBF神經(jīng)網(wǎng)絡二次建模為基礎完成EOP預測，借助神經(jīng)網(wǎng)絡完成對極移以及日長參數(shù)兩方面的預報，與此同時，全面總結(jié)所獲取觀測值特點，利用模型完成特定時間段的預報，并記錄預測殘差，接下來進行二次預報，疊加第一次和第二次的預測結(jié)果，得到最終預測結(jié)果（如表1所示），最后，構(gòu)建神經(jīng)網(wǎng)絡ARMA組合預測模型，遵循神經(jīng)網(wǎng)絡作函數(shù)模型構(gòu)建、預測殘差分析、預測殘差隨機模型構(gòu)建這一原則，隨著預測時間的延長，神經(jīng)網(wǎng)絡ARMA組合預測模型在預測誤差補償方面的優(yōu)勢逐漸突出，誤差補償精度相應提高[5].

表11 ms——5ms日長預測精度兩次預測結(jié)果表

4 結(jié)論

綜上所述，針對“地球定向參數(shù)的預報與應用”這一論題展開探究時，大致了解論題分析的必要性，并掌握地球定向參數(shù)研究進展，以及參數(shù)測定理論內(nèi)容，應用時間序列法、神經(jīng)網(wǎng)絡法完成地球定向參數(shù)預報與應用分析任務.分析可知，短時預測無論是應用神經(jīng)網(wǎng)絡時間序列組合預測模型，還是應用RBF神經(jīng)網(wǎng)絡二次建模，均能獲取的良好的預測效果.日長預測方法有待進一步分析，我國在日長預測方法探究方面有較大進步空間.