基于極限學習機對衛(wèi)星鐘差預報的應用研究.pdf

1、時間是自然界里最基本的物理度量之一。事實上，它也決定了衛(wèi)星導航定位系統(tǒng)的發(fā)展與應用。衛(wèi)星導航定位系統(tǒng)對目標的距離和位置的精確量測，實質(zhì)上是對衛(wèi)星與目標之間電磁波傳遞的時間上的精密測量。衛(wèi)星定位的過程中信號傳播受到電離層中折射延時、對流層中折射延時和由地面附近環(huán)境反射信號而產(chǎn)生的多路徑、以及衛(wèi)星鐘差等等誤差因素的影響，而這些都可用時間來度量。由于衛(wèi)星鐘差對衛(wèi)星導航和定位有著重要的影響，要實時獲得高精度的衛(wèi)星鐘差還有待于開展很多的研究工作，

2、如提高原子鐘的穩(wěn)定度、改進或探索預報模型等等，所以本文將著重圍繞衛(wèi)星鐘差預報進行研究。
　　從模型方面對衛(wèi)星鐘差的預報，已有幾種常用的模型：二次多項式模型、灰色系統(tǒng)模型、時間序列模型和神經(jīng)網(wǎng)絡模型等等。隨著對神經(jīng)網(wǎng)絡模型的發(fā)展與研究，本文將基于極限學習機（Extreme Learning Machine，ELM）這種新的前向型神經(jīng)網(wǎng)絡模型運用在衛(wèi)星鐘差的預報。以衛(wèi)星鐘差為數(shù)據(jù)源，探討了ELM中在不同輸入量情況下的ELM預報性能；針

3、對極限學習機自身存在的不足，從隱含層節(jié)點個數(shù)優(yōu)化、尋找最佳的隨機給定參數(shù)對ELM進行優(yōu)化改進，并比較了不同激勵函數(shù)對ELM預報的影響。
　　本文將其與ELM及其改進模型的衛(wèi)星鐘差結(jié)果與二次多項式模型、RBF神經(jīng)網(wǎng)絡以及灰色系統(tǒng)模型作為參考模型對衛(wèi)星鐘差預報的結(jié)果進行對比，預報實驗表明，經(jīng)過改進的極限學習機在一天內(nèi)預報精度較其他的模型高，一天內(nèi)預報誤差的方差最好的可以達到0.38ns，得出該模型相對其他模型在短期的衛(wèi)星鐘差預報有較大