一种基于神经网络的北斗实时精密时钟预测方法与流程

本发明属于船舶导航技术领域，具体涉及一种利用若干个基于北斗导航卫星系统的观测基准网，根据卷积神经网络能够通过对样本的学习来对非线性时间序列进行较为准确预测的特点，利用事后的时钟参数和多层结构的卷积神经网络，实现卫星时钟的智能预测，进而辅助用户得到高精度定位结果的基于神经网络的北斗实时精密时钟预测方法。

背景技术：

海洋的开发与探索对于我国海洋战略发展和海军建设等具有重要的意义。为拓展近海和远海的开发和利用，亟需开展为海面航行、海洋测绘和资源勘探等提供高精度定位方法的研究。基于北斗导航星历的单点定位技术，以其成本低和作用范围广等优势成为一种被广泛使用的定位方式。但是考虑到北斗导航系统播发的导航星历中时钟参数误差较大等因素，用户使用导航星历得到的定位误差较大，定位性能受到很大约束。为了减少时钟参数误差对用户定位精度的影响，利用地面观测站网的观测数据来优化时钟参数，然后通过预测的方式生成实时精密时钟产品的方法被广泛使用。

然而受卫星导航星载原子钟类型以及在轨服役时间长短等方面的差异，传统二次多项式模型和灰色模型等无法准确描述时钟参数的非线性特性。卷积神经网络通过对大量样本的学习，能够较为准确的预测非线性时间序列。如何充分利用卷积神经网络来描述并预测时钟参数，是真正意义上提高实时精密时钟产品精度的关键所在，进而辅助用户获得高精度定位结果。综上所述，设计一种新型基于神经网络的北斗实时精密时钟预测方法对于提升用户定位精度具有重要意义。

技术实现要素：

本发明的目的在于提供一种基于神经网络的北斗实时精密时钟预测方法。

本发明的目的是这样实现的：

一种基于神经网络的北斗实时精密时钟预测方法，包括如下步骤：

步骤1，地面观测站收集北斗导航系统的卫星观测信息和导航信息，通过互联网通信链路发送到数据处理中心；

步骤2，数据处理中心提取导航信息和观测信息，经过数据预处理，数据中心基于广播星历的轨道参数，在消除卫星时钟的基础上生成卫星精密轨道；

步骤3，数据中心基于卫星精密轨道，建立非差消电离的时钟估计观测模型，同时基于模糊度整数约束，通过模糊度分解方式逐级求解模糊度参数；

步骤4，基于步骤3中的模糊度固定解，求解卫星时钟参数，并重复迭代步骤3和4，直到参数估计的残差符合精度要求；

步骤5，构建五级结构的卷积神经网络，利用步骤4中生成的卫星时钟参数对神经网络进行训练；

步骤6，基于步骤5中神经网络训练结果，预测实时的时钟参数，并通过卫星通信链路将预测值播发给全球任意用户。

步骤2中消除卫星时钟的双差观测方程，

y＝hx0+ε

其中

y(tl)表示tl时刻的双差观测信息，表示tl时刻的观测系数矩阵，φ表示状态转移矩阵，x0表示待估轨道参数，ε表示观测噪声。

考虑多种卫星摄动力的卫星动力学方程为：

式中，r，分别为卫星质心在惯性坐标系中的三维位置、速度、加速度,p为动力学参数，gme为地球引力常数，a1是作用在卫星上的各种摄动力之和，a表示卫星运动时的总加速度，t为时间参数。

步骤3中非差消电离的时钟估计观测模型为：

其中l和p表示卫星相位和伪距观测，r表示星地距离，c表示光速，表示卫星时钟参数，表示接收机钟差，λif表示if组合波长，nif表示if组合模糊度参数，mtrop和t分别表示对流层投影函数和天顶对流层，εl,if和εp,if分别表示载波相位和伪距观测噪声。

if组合的模糊度nif参数不具备整数特性，为了有效固定模糊度参数，将nif进行分解，并逐级固定。

其中f1和f2分别表示载波b1i和b2i的频率，n1和n1分别表示载波b1i和b2i的模糊度参数。

宽巷模糊度利用宽巷组合进行固定：

其中l1和l2分别表示载波b1i和b2i的相位观测值，p1和p2分别表示载波b1i和b2i的伪距观测值。

在固定宽巷模糊的前提下，将n1-n2回代到观测模型中，求解窄巷模糊度n1的浮点解，并通过整周模糊度最小二乘估计方式固定n1。

本发明的有益效果在于：

本发明充分利用卷积神经网络通过对大量样本的学习能够较为准确的预测非线性时间序列特性，通过全球卫星观测站的数据计算卫星时钟参数，利用神经网络实现时钟参数的预测，并播发给用户用以修正卫星时钟误差，真正意义上提高用户定位精度。

附图说明

图1是运用本发明的基于神经网络的北斗实时精密时钟预测方法的实施例示意图。

具体实施方式

下面结合附图对本发明做进一步描述。

本发明提供一种基于神经网络的北斗实时精密时钟预测方法，充分利用卷积神经网络通过对大量样本的学习，能够较为准确的预测非线性时间序列特性，基于事后时钟产品实现实时精密时钟产品的预测，并播发给用户端用以修正时钟误差，以期达到高精度定位的目的。该方法同时采用事后精密时钟参数估计方法和卷积神经网络技术，确保实时精密时钟产品的精度。本发明基于卷积神经网络能够通过对样本的学习来对非线性时间序列进行较为准确预测的特性，进行实时精密时钟产品的预测，包括以下步骤：

步骤1，地面观测站收集北斗导航系统的卫星观测信息和导航信息，通过互联网通信链路发送到数据处理中心；

步骤2，数据处理中心提取导航信息和观测信息，经过数据预处理，数据中心基于广播星历的轨道参数，在消除卫星时钟的基础上生成卫星精密轨道；

步骤3，数据中心基于卫星精密轨道，建立非差消电离的时钟估计观测模型，同时基于模糊度整数约束，通过模糊度分解方式逐级求解模糊度参数；

步骤4，基于步骤3中的模糊度固定解，求解卫星时钟参数，并重复迭代步骤3和4，直到参数估计的残差符合精度要求；

步骤5，构建五级结构的卷积神经网络，利用步骤4中生成的卫星时钟参数对神经网络进行训练；

步骤6，基于步骤5中神经网络训练结果，预测实时的时钟参数，并通过卫星通信链路将预测值播发给全球任意用户。

本发明集成北斗接收机技术、卫星运动、神经网络、无线通信，海洋环境和计算机数据处理等技术，利用卷积神经网络通过对大量样本的学习能够较为准确的预测非线性时间序列特性，基于全球卫星观测站的观测数据计算并预测卫星时钟参数，有效辅助海面航行、海洋测绘和资源勘探等用户获得高精度定位信息。

步骤2中数据中心基于广播星历的轨道参数，观测信息和卫星动力学模型构建双差观测模型，在消除卫星时钟的基础上生成卫星精密轨道；

步骤3中基于步骤2中生成的卫星精密轨道，建立非差消电离的时钟估计观测模型，同时基于模糊度整数约束，通过模糊度分解方式逐级求解模糊度参数，进而实现卫星精密钟差的求解；

步骤5中构建包括输入层、卷积层、池化层、全连接层和输出层的五级结构卷积神经网络，并利用步骤4中生成的卫星时钟参数通过正向传播和逆向传播两种方式对神经网络进行训练，得到神经网络参数，进而实现时钟参数的高精度预测。

实施例：

本发明是基于神经网络的北斗实时精密时钟预测方法，具体步骤包括：

步骤1，卫星观测信息收集

首先利用全球均匀分布的地面观测站，收集导航系统的卫星观测信息和导航信息，然后利用互联网通信链路将各个测站收集的信息发送到数据处理中心，数据处理中心对观测和导航信息备份并做进一步处理；

步骤2，卫星精密轨道生成

数据处理中心提取导航信息和观测信息，经过数据预处理，数据中心基于广播星历的轨道参数，观测信息和卫星动力学模型，在消除卫星时钟的基础上生成卫星精密轨道；

消除卫星时钟的双差观测方程，

y＝hx0+ε(1)

其中y(tl)表示tl时刻的双差观测信息，表示tl时刻的观测系数矩阵，φ表示状态转移矩阵，x0表示待估轨道参数，ε表示观测噪声。

考虑多种卫星摄动力的卫星动力学方程为：

式中，r，分别为卫星质心在惯性坐标系中的三维位置、速度、加速度,p为动力学参数，gme为地球引力常数，a1是作用在卫星上的各种摄动力之和，a表示卫星运动时的总加速度，t为时间参数。

结合卫星观测方程式(1)和动力方程式(2)，基于最小二乘参数估计方法计算得到卫星精密轨道参数。

步骤3，时钟参数估计模型

数据中心基于步骤2中生成的卫星精密轨道，建立非差消电离的时钟估计观测模型，同时基于模糊度整数约束，通过模糊度分解方式逐级求解模糊度参数。

非差消电离的时钟估计观测模型为：

其中l和p表示卫星相位和伪距观测，r表示星地距离，c表示光速，表示卫星时钟参数，表示接收机钟差，λif表示if组合波长，nif表示if组合模糊度参数，mtrop和t分别表示对流层投影函数和天顶对流层，εl,if和εp,if分别表示载波相位和伪距观测噪声。

if组合的模糊度nif参数不具备整数特性，为了有效固定模糊度参数，将nif进行分解，并逐级固定。

其中f1和f2分别表示载波b1i和b2i的频率，n1和n1分别表示载波b1i和b2i的模糊度参数。

宽巷模糊度利用宽巷组合进行固定：

其中l1和l2分别表示载波b1i和b2i的相位观测值，p1和p2分别表示载波b1i和b2i的伪距观测值。

在固定宽巷模糊的前提下，将n1-n2回代到观测模型中，求解窄巷模糊度n1的浮点解，并通过整周模糊度最小二乘估计方式固定n1。

步骤4，卫星时钟参数估计

基于步骤3中的模糊度固定解，利用最小二乘估计算法求解卫星时钟参数，并重复迭代步骤3和4，直到参数估计的残差符合精度要求；

步骤5，神经网络构建和训练

为了有效预测时钟参数的非线性特性，构建五级结构的卷积神经网络，并利用步骤4中生成的卫星时钟参数对神经网络进行训练。

卷积神经网络主要包括输入层、卷积层、池化层、全连接层和输出层。输入层主要包括时钟参数；卷积层主要是提取数据的多个特征图；在池化层采用最大池化技术将某些特征进行聚合统计，使特征图的维度降低，减少神经网络节点；在全连接层将整合卷积层与池化层中具有明显区分性的局部信息，提取特征并分类；最后以观测值与预测值之间的均方差函数作为代价损失函数，以网络的损失函数达到最小作为准则计算神经网络参数。

为了得到神经网络的参数，基于步骤4中生成的时钟参数，通过正向传播和逆向传播两种方式对神经网络进行训练。

正向传播主要是特征图转换的过程，输入样本通过层层特征转换后在全连接层进行分类，然后得到神经网络预测结果，并计算其与真实观测的偏差项。逆向传播是将正向传播的误差从最后的输出层向第一层的输入层传递，同时计算误差相对于权值参数的梯度，并对根据误差的梯度方向和大小对权值向量和偏移量进行修正。

训练过程基于上述两个传播方向迭代的进行，当输出误差减小到一定程度时模型收敛，同时迭代停止。

步骤6，基于步骤5中神经网络参数，预测实时的时钟参数，并通过卫星通信链路将预测值播发给全球任意用户。

综上，本发明公开一种基于神经网络的北斗实时精密时钟预测方法。本发明基于卷积神经网络能够通过对样本的学习来对非线性时间序列进行较为准确预测的特点，通过构建多层结构的卷积神经网络，实现卫星时钟的智能预测，进而辅助用户得到高精度定位结果。本发明由地面卫星观测站，互联网通信链路，数据处理中心和卫星通信链路等组成。本发明方法是：地面观测站收集北斗导航系统的卫星观测信息和导航信息，通过互联网通信链路发送到数据处理中心；数据处理中心提取导航信息和观测信息，在消除卫星时钟的基础上生成卫星精密轨道；基于卫星精密轨道建立非差消电离观测模型，并通过模糊度分解方式逐级求解模糊度参数；在模糊度固定的条件下求解卫星钟差，重复迭代直到参数估计的残差符合精度要求；构建五级结构的卷积神经网络，利用前述估计的卫星时钟对神经网络进行训练；基于神经网络预测任意时刻的时钟参数，并通过卫星通信链路将预测值播发给全球任意用户。本发明利用卫星的地面观测信息和多层卷积神经网络预测非线性时间序列的特征，做到真正意义上北斗实时精密时钟的预测，为海面航行、海洋测绘和资源勘探等北斗高精度导航定位用户提供实时高精度卫星时钟修正信息，辅助用户获得实时高精度定位结果。

当然，本发明还可有其他多种实施例，在不偏离本发明精神及其实质的情况下，熟悉本领域的技术人员当可根据本发明做出各种相应的调整，但这些相应的调整都应属于本发明所附的权利要求的保护范围。