EEMD分解的超快速北斗衛(wèi)星鐘差預(yù)報

毛 亞,王潛心,胡 超,張銘彬，于偉宣

(1. 中國礦業(yè)大學(xué)環(huán)境與測繪學(xué)院，江蘇 徐州 221116; 2. 武漢大學(xué)遙感信息工程學(xué)院，湖北 武漢 430079)

衛(wèi)星鐘差的預(yù)報精度將對衛(wèi)星星歷的預(yù)報精度及衛(wèi)星的自主導(dǎo)航能力產(chǎn)生較大的影響[1]。關(guān)于鐘差的預(yù)報模型研究，國內(nèi)外作了許多研究。目前研究較為成熟的鐘差預(yù)報模型主要包括：多項式模型[2-3]、灰色模型[4]、神經(jīng)網(wǎng)絡(luò)[5]等方法。二次多項式模型顧及衛(wèi)星鐘差的物理特性，是目前廣播星歷中廣泛采用的鐘差外推方法，但是二次多項式在衛(wèi)星鐘差的長期預(yù)報中誤差累計較快，極易產(chǎn)生較大的偏差；灰色模型只需較少的試驗數(shù)據(jù)即可建立預(yù)報模型，崔先強等最早提出利用灰色模型對衛(wèi)星鐘差進行預(yù)報[4]，并且分析了二次多項式模型在長期預(yù)報中的缺陷，研究發(fā)現(xiàn)灰色模型在短期預(yù)報中與二次多項式精度相當(dāng)，但是在長期預(yù)報中其預(yù)報精度明顯優(yōu)于二次多項式模型；文獻[6]指出一個復(fù)雜的、非線性、非平穩(wěn)變化的時間序列很難用單一模型進行有效的預(yù)報；衛(wèi)星鐘極易受外界環(huán)境和自身因素的影響，因此鐘差灰色模型無法取得較好的結(jié)果；神經(jīng)網(wǎng)絡(luò)模型是基于風(fēng)險最小原理建立的，易陷于局部最小和網(wǎng)絡(luò)結(jié)構(gòu)難以構(gòu)建等問題，從而導(dǎo)致學(xué)習(xí)過度的情況出現(xiàn)；基于此，雷雨等[7]采用基于經(jīng)驗?zāi)B(tài)分解(empirical mode decomposition,EMD)和最小二乘支持向量機(least squares support vector machine,LSSVM)相結(jié)合的鐘差預(yù)報方法，預(yù)報結(jié)果明顯高于二次多項式模型、灰色模型和單一的LSSVM模型。

由于EMD中存在模態(tài)混淆的問題[8-9]，本文集合經(jīng)驗?zāi)B(tài)分解(ensemble empirical mode decomposition,EEMD)進行殘差的分解，構(gòu)建一種高精度的組合鐘差預(yù)報模型。文中采用iGMAS官網(wǎng)發(fā)布的超快速鐘差產(chǎn)品進行試驗和結(jié)果分析，首先針對iGMAS發(fā)布的北斗衛(wèi)星鐘差進行穩(wěn)定性分析，針對分析結(jié)果提出該組合預(yù)報模型；之后采用IGS發(fā)布的GPS衛(wèi)星鐘差數(shù)據(jù)預(yù)報，驗證該模型的正確性；最后將該模型應(yīng)用到北斗衛(wèi)星鐘差中。

1 預(yù)報模型

EEMD的本質(zhì)是對一個信號進行平穩(wěn)化處理，其結(jié)果是將一個非平穩(wěn)的時間序列分解成一系列較為平穩(wěn)的時間序列，這種方法能夠有效地處理非平穩(wěn)、非線性的時間序列，已有較為詳細(xì)的敘述[9]，在此不再贅述。

為更為直觀地分析原始鐘差時間序列和去除趨勢項后殘差序列的特征，以及EEMD對殘差序列的分解效果，從國際GNSS監(jiān)測評估系統(tǒng)(International GNSS Monitoring & Assessment System，iGMAS)下載2016年年積日303該天數(shù)據(jù)(采樣間隔15 min)，其原始數(shù)據(jù)變化趨勢及殘差分解效果如圖1、圖2所示。

圖1 鐘差原始數(shù)據(jù)

圖2 EEMD分解結(jié)果

圖1為原子鐘的原始時間序列，從圖中可以看出衛(wèi)星鐘差存在一定的趨勢項，扣除趨勢項后的時間序列是一個非平穩(wěn)、非線性的時間序列(如圖2中殘差)，無法采用單一的預(yù)報模型進行準(zhǔn)確預(yù)報，而EEMD方法能夠?qū)⒁粋€非平穩(wěn)的時間序列分解成若干較為平穩(wěn)的時間序列(如圖2中殘差MF1—MF5)和一個余項?；诖?，將EEMD方法引入北斗衛(wèi)星鐘差預(yù)報模型中，構(gòu)成組合預(yù)報模型。

本文主要根據(jù)EEMD分解后得到的時間序列的特征,考慮各模型的優(yōu)缺點，選擇合適的比例因子將灰色模型[12](gray forecast model,GM)、最小二乘支持向量機[13]、自回歸模型(autoregressive model,AR)、多項式模型(quadratic polynomial,QP)的模型預(yù)報值進行線性組合以確定最終預(yù)報值。本文所構(gòu)建組合預(yù)報模型具體公式如下，式中GM、QP、AR、LSSVM分別表示各模型的預(yù)報值

imfi=α1·GM+α2·QP+α3·AR+α4·LSSVM

(1)

式中，imfi為模態(tài)IMF的預(yù)報值；[α1α2α3α4]為比例因子。

(2)

(3)

式中

(4)

(5)

根據(jù)比例因子確定單個時間序列的預(yù)測值，之后對各時間序列的預(yù)報值進行重構(gòu)，得到最終鐘差預(yù)報值{ΔT(j),j=N+1,N+2,…,N+P}，其中P表示預(yù)報歷元的個數(shù)。ΔT(j)的表達式為

(6)

圖3 鐘差預(yù)報流程

2 EEMD分解的鐘差預(yù)報分析

衛(wèi)星鐘差數(shù)據(jù)用于定位時當(dāng)系統(tǒng)性偏差小于2.5×10-7s時，系統(tǒng)誤差將被接收機鐘差吸收[15]，對定位結(jié)果影響不大。因此在進行衛(wèi)星鐘差精度分析時采用標(biāo)準(zhǔn)差表示鐘差預(yù)報精度更具有現(xiàn)實意義。在精度評定時以最終的鐘差產(chǎn)品作為真值，采用二次差的方法進行衛(wèi)星鐘差的預(yù)報精度分析[1]。

2.1 GPS衛(wèi)星鐘預(yù)報分析

該小節(jié)選用國際GNSS服務(wù)組織(The International GNSS Service，IGS)發(fā)布的GPS衛(wèi)星鐘差數(shù)據(jù)進行預(yù)報試驗。選取GPS周第1932周，一周的igu產(chǎn)品，采用一天數(shù)據(jù)建模預(yù)報接下來24 h的衛(wèi)星鐘差，預(yù)報精度與igu預(yù)報部分精度進行比較。選擇銣鐘PRN01、06，銫鐘PRN09、10共4顆GPS衛(wèi)星進行預(yù)報分析，試驗結(jié)果見圖4—圖7及表1。

圖4 GPS衛(wèi)星鐘24 h預(yù)報殘差

圖6 GPS衛(wèi)星鐘24 h預(yù)報精度

圖5 GPS衛(wèi)星鐘6 h預(yù)報殘差

圖7 GPS衛(wèi)星鐘6 h預(yù)報精度

ns

圖4—圖7為采用本文算法進行預(yù)報的鐘差結(jié)果與IGS發(fā)布的超快速衛(wèi)星鐘差預(yù)報部分之間的比較，24 h、6 h預(yù)報精度最高分別提高了12.5%、25.8%。對比結(jié)果表明，24 h預(yù)報精度較6 h的預(yù)報精度明顯提高；另外銫鐘的預(yù)報精度要比銣鐘的預(yù)報精度高。試驗分析表明本文所提出的鐘差預(yù)報算法對GPS鐘差預(yù)報精度與IGU預(yù)報部分精度相當(dāng)。我國北斗導(dǎo)航系統(tǒng)同樣搭載著高精度的銣原子鐘，因此本文所提算法也應(yīng)適用于北斗衛(wèi)星鐘差。下面將詳細(xì)介紹本文所提算法在BDS衛(wèi)星鐘差預(yù)報中的應(yīng)用。

2.2 BDS衛(wèi)星鐘預(yù)報分析

為了充分分析本文所提鐘差預(yù)報模型的效果，選取iGMAS發(fā)布的2016年年積日為303至332共30天的超快速(ISU)鐘差數(shù)據(jù)作為試驗數(shù)據(jù)。分別從GEO、IGSO、MEO這3類衛(wèi)星中各選取衛(wèi)星一顆(C03、C09、C12)進行試驗，同樣與iGMAS公布的超快速產(chǎn)品預(yù)報部分精度進行對比。采用1天數(shù)據(jù)進行建模數(shù)據(jù)預(yù)報后面6、12和24 h的鐘差。預(yù)報結(jié)果如圖8—圖13和表2所示。

圖8 BDS衛(wèi)星鐘24 h預(yù)報殘差

圖9 BDS衛(wèi)星鐘12 h預(yù)報殘差

圖8—圖13表示北斗衛(wèi)星鐘差24 h、12 h和6 h鐘差預(yù)報殘差與ISU-P殘差的對照圖，圖15—圖17和表3表示C02、C09、C12衛(wèi)星預(yù)報殘差統(tǒng)計。通過一天數(shù)據(jù)進行建模分析，本文所提算法相對于ISU-P預(yù)報精度有較大提高，24 h預(yù)報精度分別提升了31.1%、30.7%、26%，12 h預(yù)報精度分別提升了43%、23%、21.8%，6 h預(yù)報精度分別提升了13.3%、7.3%、31.8%。星鐘差隨著預(yù)報時間的增加，ISU-P存在著明顯的漂移，誤差累計較快，而本文所采用的鐘差預(yù)報方法誤差累積較慢，取得了較好的結(jié)果。MEO衛(wèi)星鐘差的預(yù)報精度相對于GEO和IGSO衛(wèi)星鐘精度較好，也反映出MEO衛(wèi)星鐘較為穩(wěn)定，與上文中所做穩(wěn)定性分析相符。在所選擇33天的試驗數(shù)據(jù)中，有些天預(yù)報精度較差是由于數(shù)據(jù)質(zhì)量不好無法進行準(zhǔn)確模態(tài)分解導(dǎo)致的。

圖11 C02衛(wèi)星24預(yù)報殘差精度統(tǒng)計

圖12 C09衛(wèi)星12預(yù)報殘差精度統(tǒng)計

圖13 C12衛(wèi)星6預(yù)報殘差精度統(tǒng)計

表3 預(yù)報鐘差精度統(tǒng)計 ns

3 結(jié) 論

本文為提高北斗衛(wèi)星鐘差預(yù)報精度，提出聯(lián)合多項式和EEMD模型構(gòu)建組合鐘差預(yù)報模型，首先采用IGS發(fā)布的GPS鐘差數(shù)據(jù)驗證本文所提預(yù)報模型的正確性，之后對BDS衛(wèi)星鐘差進行預(yù)報。采用所提鐘差預(yù)報模型對GPS衛(wèi)星鐘差進行預(yù)報，得到的鐘差預(yù)報結(jié)果與IGS發(fā)布的IGU-P部分進行對比分析，24 h和6 h鐘差預(yù)報精度相對于IGS預(yù)報部分分別提高了1.4%、6%、12.5%、1.7%和0%、3.4%、-4.5%、25.8%，充分說明了該算法對鐘差預(yù)報的有效性；最后將本文所提算法應(yīng)用于BDS衛(wèi)星鐘差預(yù)報，采用1 d數(shù)據(jù)進行建模預(yù)報接下來6、12、24 h的鐘差，試驗結(jié)果表明6、12、24 h較iGMAS北斗衛(wèi)星鐘差超快速預(yù)報部分提高幅度分別為26.0%～31.1%、21.8%～43.0%、7.3%～31.8%。本文所提算法具有較高的穩(wěn)定性，能夠較大幅度提高北斗衛(wèi)星鐘差的預(yù)報精度。

致謝：感謝國際GNSS監(jiān)測評估系統(tǒng)(iGMAS)提供的數(shù)據(jù)。

參考文獻：

[1] 黃觀文. GNSS星載原子鐘質(zhì)量評價及精密鐘差算法研究[D]. 西安：長安大學(xué), 2012.

[2] KOSAKA M. Evaluation Method of Polynomial Models’ Prediction Performance for Random Clock Error[J]. Journal of Guidance Control & Dynamics, 1987, 10(6):523-527.

[3] 王甫紅, 夏博洋, 龔學(xué)文. 顧及鐘差變化率的GPS衛(wèi)星鐘差預(yù)報法[J]. 測繪學(xué)報, 2016, 45(12):1387-1395.

[4] 崔先強, 焦文海. 灰色系統(tǒng)模型在衛(wèi)星鐘差預(yù)報中的應(yīng)用[J]. 武漢大學(xué)學(xué)報(信息科學(xué)版), 2005, 30(5):447-450.

[5] 梁月吉, 任超, 楊秀發(fā),等. 結(jié)合雙樹復(fù)小波和廣義回歸神經(jīng)網(wǎng)絡(luò)的鐘差預(yù)報方法研究[J]. 測繪通報, 2016(1):6-10.

[6] HUANG N E, WU M, QU W, et al. Application of Hilbert-Huang Transform to Non-stationary Financial Time Series Analysis[J]. Applied Stochastic Models in Business & Industry, 2003, 19(3):245-268.

[7] 雷雨, 趙丹寧. 基于經(jīng)驗?zāi)Ｊ椒纸夂妥钚《酥С窒蛄繖C的衛(wèi)星鐘差預(yù)報[J]. 天文學(xué)報, 2014, 55(3):216-227.

[8] ZHENG J, CHENG J, YANG Y. Partly Ensemble Empirical Mode Decomposition: An Improved Noise-assisted Method for Eliminating Mode Mixing[J]. Signal Processing, 2014, 96:362-374.

[9] LEI Y, HE Z, ZI Y. EEMD Method and WNN for Fault Diagnosis of Locomotive Roller Bearings[J]. Expert Systems with Applications, 2011, 38(6):7334-7341.

[10] 付文舉. GNSS在軌衛(wèi)星鐘特性分析及鐘差預(yù)報研究[D]. 西安：長安大學(xué), 2014.

[11] 孟繁林. 集合經(jīng)驗?zāi)B(tài)分解的理論及應(yīng)用研究[D]. 鎮(zhèn)江：江蘇科技大學(xué), 2013.

[12] 鄧聚龍. 灰色控制系統(tǒng)[J]. 華中科技大學(xué)學(xué)報(自然科學(xué)版), 1982(3):11-20.

[13] BRABANTER K D, KARSMAKERS P, OJEDA F, et al. LS-SVMlab Toolbox User’s Guide: Version 1.7[J]. Ku Leuven Leuven, 2011, 66(8): 6-9.

[14] 李浩軍, 唐詩華, 黃杰. 經(jīng)典選權(quán)迭代法研究與兩步抗差估計的提出[J]. 海洋測繪, 2007, 27(1):17-20.

[15] 于合理, 郝金明, 宋超,等. 衛(wèi)星鐘系統(tǒng)偏差對精密單點定位精度的影響[J]. 測繪科學(xué)技術(shù)學(xué)報, 2013, 30(2):136-139.