基于遗传算法与思维进化算法优化的BP神经网络在卫星钟差预测中的性能对比研究

《Applied Sciences》:Comparative Study of Satellite Clock Bias Prediction Models Based on Genetic Algorithm and Mind Evolutionary Algorithm-Optimized BP Neural Networks Hongwei Bai, Chao Liu, Yifei Shen and Zhongchen Guo

【字体: 大 中 小 】 时间:2026年04月24日 来源:Applied Sciences 2.5

编辑推荐:

  为解决卫星导航系统高精度实时定位授时需求,研究人员针对传统BP神经网络预测卫星钟差易陷入局部最优、误差发散快的问题,开展了利用遗传算法(GA)和思维进化算法(MEA)优化BP神经网络的对比研究。结果表明,GA优化的GABP模型在短期(2-6 h)和长期(12-24 h)预测中均表现最优,其24 h预测的平均均方根误差(RMS)仅为标准BP模型的10.9%,对铯钟卫星G24的24 h预测精度更是MEABP模型的23倍,展现出卓越的全局优化能力和稳定性,为高精度卫星钟差预测提供了可靠解决方案。

  
在当今高度依赖精准时空信息的时代,全球导航卫星系统(GNSS)如同隐形的太空灯塔,为从手机导航到金融交易、从无人驾驶到灾害监测的无数应用提供着不可或缺的定位、导航与授时(PNT)服务。然而,这些高悬于天际的卫星并非完美无瑕的计时器。每颗卫星搭载的原子钟(主要是铷原子钟和铯原子钟)会受到太空环境、器件老化等多种因素影响,产生与标准时间之间的偏差,即卫星钟差(SCB)。这个看似微小的偏差,却是影响GNSS最终服务精度的关键误差源之一。用户虽然可以获取国际GNSS服务(IGS)发布的事后精密钟差产品,但这无法满足实时或近实时应用的需求;而IGS超快速预报星历或广播星历等实时产品,其精度又相对较低。因此,如何精准预测卫星钟差的未来变化,从而为用户同时提供高精度与高时效性的钟差数据,成为了卫星导航领域一个至关重要且充满挑战的研究课题。
传统上,学者们尝试过灰色预测模型、二次多项式模型、自回归滑动平均模型(ARMA)等多种方法,但各有局限。近年来,擅长处理非线性关系的神经网络,尤其是反向传播(BP)神经网络,被引入钟差预测领域。然而,标准的BP神经网络存在对初始权重敏感、易陷入局部最优、在预测中误差快速发散等固有缺陷。为了突破这些瓶颈,一项发表在《Applied Sciences》上的研究另辟蹊径,将两种强大的全局优化算法——仿生物自然选择与遗传机制的遗传算法(GA),以及模拟人类思维进化过程的思维进化算法(MEA)——与BP神经网络相结合,构建了GABP和MEABP两种优化模型,并与标准BP模型展开了一场全方位的“性能对决”。
为了开展这项研究,作者主要运用了以下几项关键技术方法:首先,研究基于IGS提供的精密钟差产品数据,选取了涵盖不同原子钟类型(IIR、IIR-M、IIF铷钟及铯钟)的6颗代表性GPS卫星数据作为实验样本。其次,构建了三种神经网络预测模型:标准BP神经网络、遗传算法优化的BP神经网络(GABP)和思维进化算法优化的BP神经网络(MEABP),并详细设定了各模型的网络结构、激活函数、学习率等参数以及优化算法的种群大小、交叉变异概率等关键参数。最后,采用均方根误差(RMS)、误差范围和误差均值作为评价指标,在2小时、6小时、12小时和24小时等多个预测时长上,对三种模型的预测精度与稳定性进行了系统的对比评估与分析。
研究结果
3.1. 数据预处理
为提升数据质量,研究将原始的钟差相位数据转换为频率数据,以放大相邻历元间的差异,从而更有效地利用基于中位数的粗差探测方法(采用“3×MAD”规则)识别并剔除异常值。结果显示,所有卫星的粗差比例均低于2%,数据质量总体较高。剔除的粗差通过前后正常历元的线性插值进行替换,预处理后的频率数据变得显著平滑,为后续预测奠定了良好基础。
3.2. 三种神经网络钟差预测模型性能对比
实验使用了2021年12月15日至16日的数据,用前24小时(288个历元,采样间隔5分钟)数据训练模型,并预测未来2、6、12、24小时的钟差。结果表明,在全部六颗卫星上,GABP模型的预测偏差和误差均为最小,MEABP模型次之,BP模型表现最差,但这种性能差距的幅度强烈依赖于原子钟类型。对于铷原子钟卫星(G02, G06, G10, G29),GABP在长期预测(12-24小时)中的优势最为明显。对于铯原子钟卫星(G08, G24),模型间的性能差距急剧扩大。例如,对于卫星G24,GABP模型24小时预测的RMS误差(1.600 ns)比MEABP模型(37.590 ns)低约23倍。这表-明MEA的同化-异化机制不适合铯钟的高噪声特性,而GA的变异驱动多样性维护则能实现鲁棒优化。
预测误差图显示,GABP模型在所有预测时长上都产生最小且最稳定的误差,仅随着预测时长延长有温和增长。MEABP模型的误差低于标准BP模型,但在长期预测中表现出明显的误差增长。BP模型则在多数情况下产生最大误差和最快的误差发散。
详细的定量评估指标(见文中表2)提供了全面对比。GABP神经网络模型在短期预测中展现出明显优势(2小时预测平均RMS为0.063 ns)。在24小时预测中,GABP模型的平均RMS误差(6.516 ns)仅为标准BP模型误差的10.9%。GABP模型在六个卫星类型和四个预测时长上的精度指标均优于MEABP模型,在特定场景下其优势达到数量级。
3.3. 跨不同时间段和卫星的扩展验证
为评估模型在初始测试日(2021年12月15-16日)之外的泛化能力,研究在三个独立时间段(2021年2-3月、6月、10月)和六颗不同卫星上进行了附加实验。结果一致表明,在所有情况下,GABP模型始终产生最小的误差,而MEABP表现出更大的误差,BP模型误差最大。GABP模型在所有六颗卫星上都获得了显著优于MEABP和BP模型的RMS、误差范围和误差均值,展现了最高的预测精度和最強的稳定性。
4. 讨论与5. 结论
基于GABP、MEABP和BP模型预测结果的对比分析,可以得出结论:BP模型与真实值的偏差最大、预测误差最高,MEABP模型次之,而GABP模型与真实值最为接近、预测误差最小。在相同预测条件下,GABP和MEABP模型均比BP模型达到了更高的精度,这表明利用GA和MEA优化BP的初始权重和阈值能有效提升预测精度。GABP模型在相同条件下性能优于MEABP模型,可归因于其增强的全局优化能力与模型泛化性、更优的特征学习与长期依赖性捕捉能力,以及对噪声和复杂动态的更强鲁棒性。
该研究得出以下关键结论:GABP模型在预测精度和稳定性上均展现出全面优势。GA的融合有效优化了神经网络的权重和阈值,赋予了GABP模型更强的全局优化能力。实验结果表明,无论是在短期(2-6小时)还是长期(12-24小时)预测中,GABP模型在预测误差(RMS)方面均显著优于MEABP和BP模型。GABP模型对不同的原子钟类型和预测时长均表现出强大的适应性,该模型对铷钟和铯钟均保持了高预测精度和稳定性。尽管MEABP模型的表现优于标准BP模型,但其在本研究中的竞争-合作机制表现出早熟收敛倾向,对钟差序列内的随机扰动也更敏感,导致其在长期预测(特别是对铯钟)中误差控制能力不足,产生显著的系统偏差。GABP模型的泛化能力在多个非连续日期和不同季节(2021年2-3月、6月、10月)使用另外六颗卫星进行的实验中得到进一步验证,在所有情况下GABP均持续优于MEABP和BP。
总而言之,凭借其卓越的全局优化能力和稳定性,GABP神经网络模型被验证为一种用于高精度短期和长期卫星钟差预测的有效且可靠的解决方案,其性能全面超越了MEABP和传统BP模型。这项研究不仅为修正星载原子钟差提供了一种优越的预测模型,也为进一步提升卫星导航系统的服务精度提供了坚实的技术支持。未来工作将进一步把所提方法与LSTM、CNN等先进深度学习模型进行比较,采用更全面的评估指标,并引入典型基准模型进行更深入的对比验证,以探索更多潜在的预测结构。
相关新闻
生物通微信公众号
微信
新浪微博

热点排行

    今日动态 | 人才市场 | 新技术专栏 | 中国科学人 | 云展台 | BioHot | 云讲堂直播 | 会展中心 | 特价专栏 | 技术快讯 | 免费试用

    版权所有 生物通

    Copyright© eBiotrade.com, All Rights Reserved

    联系信箱:

    粤ICP备09063491号