基于长短时记忆神经网络的北斗导航卫星轨道预报方法技术

本发明专利技术公开了一种基于长短时记忆神经网络的北斗导航卫星轨道预报方法。该方法在动力学模型基础上建立长短时记忆神经网络模型，通过对时刻预报误差的学习及训练，掌握其变化规律，然后用于补偿和改进当前时刻轨道预报误差，从而提高广播星历预报轨道精度，解决了北斗卫星导航系统动力学模型得到的预报轨道随时间推移精度发散较快的问题。时间推移精度发散较快的问题。时间推移精度发散较快的问题。

【技术实现步骤摘要】
基于长短时记忆神经网络的北斗导航卫星轨道预报方法


[0001]本专利技术属于卫星导航定位
，具体涉及一种基于长短时记忆神经网络的北斗导航卫星轨道预报方法。

技术介绍

[0002]广播星历为全球卫星导航系统(Global Navigation Satellite System，GNSS)提供时空基准，在实际应用中由于空间环境摄动因素复杂，导致实时计算出的卫星轨道的误差可达到米级，并没有足够精确的数学模型可以模拟该变化，因此对GNSS实时定位精度造成了影响。由于我国北斗全球卫星导航系统地面轨道监测网地理分布受限，对于无地面站支持的情况，导航卫星需要进行星上自主定轨，这也对卫星轨道的预报精度提出了新的要求。
[0003]神经网络在处理该种非线性问题时，可以通过对历史精确数据的学习来模拟输入参数与输出误差的内在联系，与动力学模型组成混合预报模型，用于改进轨道预报精度。因此，可以根据导航卫星轨道运行特点，提出一种基于长短时记忆神经网络的卫星轨道预报方法用以解决空间环境复杂、地面轨道监测站受限情况下，卫星轨道预报精度不高的问题。

技术实现思路

[0004]针对现有技术不足，本专利技术提供一种基于长短时记忆神经网络的北斗导航卫星轨道预报方法，包括以下步骤：
[0005]步骤1，计算一定时间段内的北斗系统卫星广播星历轨道位置、精密星历轨道位置，并将其归算到同一地心地固直角坐标系下；
[0006]步骤2，计算步骤1中两种轨道位置的差异，并转换到卫星切向法向径向坐标系中；
[0007]步骤2.1，计算从地心地固系转换到切向法向径向坐标系的转换矩阵；
[0008]步骤2.2，计算切向法向径向坐标系下卫星在两种星历之间的位置差异；
[0009]步骤3，构建长短时记忆神经网络LSTM，将每颗卫星当前时刻t前m个历元的卫星切向法向径向坐标系中的位置差异作为输入序列，对LSTM神经网络进行训练；
[0010]步骤4，利用步骤3训练好的LSTM神经网络预报的位置差异改进当前时刻轨道预报误差。
[0011]而且，所述步骤1中地心地固直角坐标系原点为地球质心，X轴在赤道平面内指向本初子午线，Z轴与地球平均自转轴平行，正向北极，Y轴在赤道平面内与X轴、Z轴垂直，指向0
°
N 90
°
E，对广播星历进行卫星天线相位中心偏移(PCO)改正计算出卫星轨道位置由精密星历计算出卫星轨道位置并采用滑动窗口MAD方法或三倍标准差方法去除广播星历和精密星历轨道位置中的粗差，将任意时刻北斗导航系统的卫星s在广播星历(brdc)和精密星历(prec)中同一地心地固直角坐标系下的位置分别表示为：
[0012][0013]式中，为卫星s在地心地固坐标系下的广播星历坐标，为卫星s在地心地固坐标系下的精密星历坐标。
[0014]而且，所述步骤2.1中切向法向径向坐标系(ACR)以卫星质心为原点，三轴方向分别为：径向(Radial)为卫星位置矢量，法向(Cross)为卫星轨道面法向，由卫星位置矢量与卫星速度叉乘获得，切向(Along)与径向和法向构成右手直角坐标系，地心地固系转换到切向法向径向坐标系的转换矩阵计算方式为：
[0015][0016]e
A
＝e
C
×
e
R
ꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ
(3)
[0017][0018][0019]式中，为地心地固系转换(ECEF)到切向法向径向坐标系(ACR)的转换矩阵，为卫星s在地心地固坐标系下的精密星历坐标，v为卫星s在地心地固坐标系下的经过地球自转改正后的精密星历速度。
[0020]而且，所述步骤2.2中任意时刻转换至切向法向径向坐标系的卫星s在两种星历之间的位置差异如下：
[0021][0022]式中，为切向法向径向坐标系下卫星s在两种星历之间的位置差异，为地心地固直角坐标系(ECEF)转换到切向法向径向坐标系(ACR)的转换矩阵，为卫星s在地心地固坐标系下的精密星历坐标，为卫星s在地心地固坐标系下的广播星历坐标。
[0023]而且，所述步骤3中训练前需先设置LSTM神经网络的超参数，input_size为输入x
t
中预期特征的数量，hidden_size为隐藏状态h
t
中的特征数，num_layers为重复层的数量，LSTM神经网络通过输入门、遗忘门、输出门这三个门来控制细胞门以及每个隐层的输出，对输入序列中的每个元素计算下列参数，并通过Adam优化器进行反向传播迭代训练，
[0024]i
t
＝σ(W
xi
x
t
+b
xi
+W
hi
h
t
‑1+b
hi
)
ꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ
(7)
[0025]f
t
＝σ(W
xf
x
t
+b
xf
+W
hf
h
t
‑1+b
hf
)
ꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ
(8)
[0026]g
t
＝tanh(W
xg
x
t
+b
xg
+W
hg
h
t
‑1+b
hg
)
ꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ
(9)
[0027]o
t
＝σ(W
xo
x
t
+b
xo
+W
ho
h
t
‑1+b
ho
)
ꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ
(10)
[0028]c
t
＝f
t
⊙
c
t
‑1+i
t
⊙
g
t
ꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ
(11)
[0029]h
t
＝o
t
⊙
tanh(c
t
)
ꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ
(12)
[0030]y
t
＝W
hy
h
t
+b
hy
ꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ
(13)
[0031]式中，i
t
、f
t
、g
t
、o
t
分别是输入门、遗忘门、细胞门和输出门，c
t
是t时刻的细胞状态，c
t
‑1是t
‑
1时刻的细胞本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于长短时记忆神经网络的北斗导航卫星轨道预报方法，其特征在于，包括以下步骤：步骤1，计算一定时间段内的北斗系统卫星广播星历轨道位置、精密星历轨道位置，并将其归算到同一地心地固直角坐标系下；步骤2，计算步骤1中两种轨道位置的差异，并转换到卫星切向法向径向坐标系中；步骤2.1，计算从地心地固系转换到切向法向径向坐标系的转换矩阵；步骤2.2，计算切向法向径向坐标系下卫星在两种星历之间的位置差异；步骤3，构建长短时记忆神经网络LSTM，将每颗卫星当前时刻t前m个历元的卫星切向法向径向坐标系中的位置差异作为输入序列，对LSTM神经网络进行训练；步骤4，利用步骤3训练好的LSTM神经网络预报的位置差异改进当前时刻轨道预报误差。2.如权利要求1所述的一种基于长短时记忆神经网络的北斗导航卫星轨道预报方法，其特征在于：步骤1中地心地固直角坐标系原点为地球质心，X轴在赤道平面内指向本初子午线，Z轴与地球平均自转轴平行，正向北极，Y轴在赤道平面内与X轴、Z轴垂直，指向0
°
N90
°
E，对广播星历进行卫星天线相位中心偏移PCO改正计算出卫星轨道位置由精密星历计算出卫星轨道位置并采用滑动窗口MAD方法或三倍标准差方法去除广播星历和精密星历轨道位置中的粗差，将任意时刻北斗导航系统的卫星s在广播星历brdc和精密星历prec中同一地心地固直角坐标系下的位置分别表示为：式中，为卫星s在地心地固坐标系下的广播星历坐标，为卫星s在地心地固坐标系下的精密星历坐标。3.如权利要求1所述的一种基于长短时记忆神经网络的北斗导航卫星轨道预报方法，其特征在于：步骤2.1中切向法向径向坐标系ACR以卫星质心为原点，三轴方向分别为：径向Radial为卫星位置矢量，法向Cross为卫星轨道面法向，由卫星位置矢量与卫星速度叉乘获得，切向Along与径向和法向构成右手直角坐标系，地心地固系转换到切向法向径向坐标系的转换矩阵计算方式为：e
A
＝e
C
×
e
R
ꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ
(3)(3)
式中，为地心地固系ECEF转换到切向法向径向坐标系ACR的转换矩阵，为卫星s在地心地固坐标系下的精密星历坐标，v为卫星s在地心地固坐标系下的经过地球自转改正后的精密星历速度。4.如权利要求1所述的一种基于长短时记忆神经网络的北斗导航卫星轨道预报方法，其特征在于：步骤2.2中任意时刻转换至切向法向径向坐标系的卫星s在两种星历之间的位置差异如下：式中，为切向法向径向坐标系下卫星s在两种星历之间的位置差异，为地心地固直角坐标系ECEF转换到切向法向径向坐标系ACR的转换矩阵，为卫星s在地心地固坐标系下的精密星历坐标，为卫星s在地心地固坐标系下的广播星历坐标。5.如权利要求1所述的一种基于长短时记忆神经网络的北斗导航卫星轨道预报方法，其特征在于：步骤3中训练前需先设置LSTM神经网络的超参数，input_size为输入x
t
中预期特征的数量，hidden_size为隐藏状态h
t
中的特征数，num_layers为重复层的数量，LSTM神经网络通过输入门、遗忘门、输出门这三个门来控制细胞门以及每个隐层的输出，对输入序列中的每个元素计算下列参数，并通过Adam优化器进行反向传播迭代训练，i
t
＝σ(W
xi
x
t
+b
xi
+W
hi
h
t
‑1+b
hi
)
ꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ
(7)f
t
＝σ(W
xf
x
t
+b
xf
+W
hf
h
t
‑1+b
hf
)
ꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ
(8)g
t
＝tanh(W
xg
x
t
+b
xg
+W
hg
h
t
‑1+b
hg
)
ꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ
(9)o
t
＝σ(W

【专利技术属性】
技术研发人员：胡志刚，阚昊宇，陈雷，赵齐乐，
申请(专利权)人：武汉大学，
类型：发明
国别省市：