基于改进PSO-BP模型的钟差预报研究.pdf
《基于改进PSO-BP模型的钟差预报研究.pdf》由会员分享,可在线阅读,更多相关《基于改进PSO-BP模型的钟差预报研究.pdf(7页珍藏版)》请在咨信网上搜索。
1、2024年2 月第44卷第1期文章编号:10 0 0-7 2 0 2(2 0 2 4)0 1-0 0 41-0 7宇航计测技术Journal of Astronautic Metrology and MeasurementFeb.2024Vol.44No.1D0I:10.12060/j.issn.1000-7202.2024.01.07基于改进PSO-BP模型的钟差预报研究张颖博1-2,刘音华1.2.*,刘娅1.2(1.中国科学院国家授时中心,西安7 10 6 0 0;2.中国科学院大学,北京10 140 8)摘要:针对BP神经网络训练时陷入局部最优解导致预报钟差不稳定的问题,采用改进粒子群优
2、化神经网络的钟差预报模型。首先改进粒子群优化算法中几个重要参数生成的方法,再将BP神经网络的初始权值和阈值作为粒子的位置,通过改进的粒子群优化算法迭代,寻找网络的最优初始权值和阈值,提高BP神经网络钟差预报的稳定性和准确性。从理论上分析改进后的PSO算法原理,利用改进后的模型预测钟差,经过分析全局最优适应度曲线、粒子群优化前后BP模型多次预报钟差的试验,证明该算法优化的有效性。与ARMA和 GM(1,1)等传统的预报模型相比,基于改进的粒子群优化神经网络模型的钟差预报精度分别提高了8 6.5%和7 9%。关键词:钟差预报;粒子群优化算法;BP神经网络中图分类号:P127.1文献标识码:ARes
3、earch on Clock Difference Prediction Based on ImprovedPSO-BP ModelZHANG Yingbo2,LIU Yinhua-2.,LIU Ya-2(1.National Timing Center,Chinese Academy of Sciences,Xian 710600,China;2.University of Chinese Academy of Sciences,Beijing 101408,China)Abstract:In order to solve the problem that the clock error p
4、rediction caused by falling into the local optimal solutionduring the training process of BP neural networks,the improved particle swarm optimization BP neural network is used for theclock difference forecast model.Firstly,the method of generating several essential parameters in the particle swarmop
5、timization algorithm is improved.Then the initial weights and thresholds of the BP neural network are used as the positionsof the particles.The improved particle swarm optimization algorithm iteratively searches the optimal initial weights andthresholds of the network to improve the clock error pred
6、iction of BP neural networks,stability and accuracy.This paperanalyzes the improvement principle and uses this model to predict clock error,which proves the effectiveness of theoptimization of the algorithm after analyzing the global optimal fitness curve and the experiments of the BP model before a
7、ndafter the particle swarm optimization many times,forecasting the clock difference.Compared with the traditional forecastingmodels such as the ARMA model and CM(1,1)mode,the accuracy of the clock difference forecast based on the improvedparticle swarm optimization neural network model is improved b
8、y 86.5%and 79%,respectively.Keywords:Clock difference forecast;Particle swarm optimization algorithm;BP neural network收稿日期:2 0 2 3-0 9-19;修回日期:2 0 2 4-0 1-2 3作者简介:张颖博(19 9 4-),男,在读博士研究生,主要研究方向:时间频率测量技术。通讯作者:刘音华(19 8 1-),女,研究员,博士,主要研究方向:高精度时间频率测量、卫星导航、现代授时等技术。420 引 言精确的钟差预报可以运用在实时动态精密单点定位、卫星自主导航以及接收机
9、自主完好性检测等方面。在时间尺度的计算,为时间保持提供实时驾驭参考也很重要2 。此外,钟差预报在时间测量、时间比对等方面可以与实测的钟差数据形成对照,度量测量的钟差精确性等领域都具有十分重要的意义3比较成熟的钟差预报模型有多项式QP模型、灰色CM(1,1)模型、时间序列模型:典型的有ARMA模型、神经网络模型等4。QP模型形式简单,但是容易受到噪声和钟差中的周期项影响,精度难以进一步提升5。GM(1,1)模型的灰微分方程与拟合的微分方程难以完全一致,影响模型的预报精度6 。ARMA模型的计算方法比较繁琐,对非平稳序列预报精度低7 。传统的神经网络由于结构简单、具有较强的非线性映射能力,在非线性
10、拟合,预测数据等方面应用十分广泛8 钟差信号存在着频率源的不稳定性和多种噪声,钟差由趋势项(频率偏差产生)和非平稳项(各类噪声产生)组成9 。而BP模型则是利用非线性基函数实现从输人到输出的非线性映射,可以通过训练来接近任何非线性函数10 。网络沿着误差减小最快方向通过反向计算对权值和阈值进行调整,随着训练的进行,最终的误差会逐渐减小。但是采用BP模型预报钟差过程中,初始权值和阈值为随机值,经过训练可能陷入局部极值,即局部最优解,错失全局极值点,造成网络训练结果具有偶然性,导致钟差预报结果有较大的不稳定性。针对这一问题,利用粒子群优化(PSO)BP神经网络的算法来提高钟差预报的稳定性和精确性。
11、然而标准的粒子群算法也有陷人局部极值、后期收敛慢的问题。因此需要改进粒子群优化算法中重要参数的生成方法,然后进行迭代计算BP神经网络最优的初始权值和阈值。经过试验分析,改进后的PSO-BP算法可以进一步提高钟差预报精度。1改进的粒子群优化算法对粒子群优化算法中的三个重要参数的生成方法进行改进。从原本固定不变的值,优化为随着宇航计测技术迭代不断更新的值。1.1粒子群优化算法粒子群优化算法中的粒子通过群内相互学习、信息传递以及个体积累自身寻优的经验,聚成一个群体,并且朝着目标一最优位置前进,粒子通过个体最优和群体最优两个位置向量更新自身的位置12.13。用适应度函数来度量每次迭代运算时粒子得到的最
12、优位置。求解方法如下:假设群体有s个粒子,每个粒子是D维向量,其中第i个粒子(i=1,2,s)的位置向量记为X,=(x i,z,,x i p),粒子i每次迭代的最优位置为P,=(Pa,Pa,,Pi p),所有粒子每次迭代的最优位置为P,=(Pa l,P2,,PD),粒子i的速度为V,=(ui,uiz,Uip)。粒子i的第d维位置更新如式(1)和式(2)所示。(2)式中:k一i-迭代次数;d一粒子i的维数,取值1,2,D;0惯性权值;ci一个体学习因子;,r2随机值;c2群体因子;速度的权重。此外,防止粒子盲目搜索,将va限制在(-mx,Umx);xia限制在(-xmx,xmx)。1.2参数改进
13、的粒子群优化算法越大,粒子速度在相邻两次迭代计算时幅度变化越大,越有利于全局寻优;反之值越小,对于局部寻优更有利14。为了平衡算法中全局寻优和局部寻优的能力,对PSO算法中采用非线性递减生成方法,原理如式(3)所示wh=mx-(0mx-mn)式中:k当前送代次数;;0 max大值,一般取0.9;minK一一总的选代次数。随着运算的进行,非线性递减。开始迭代寻优时,适应度较大,说明距离最优解较远,此时需要较大的值使算法具有较强的面向全局寻找最优解的能力;随着迭代的进行,选较小的值更有利于算法在局部寻找最优解。同时对PSO算法中的学习因子通过非对称线性变化的参数生成方法进行改进。在初始寻优时,把c
14、设置较大、C设置较小来扩大搜索范围。随着迭代的进行,Ci线性递减,C2线性递增,在全局最优2024年a,k+1k(3)惯性权重的最最小值,一般取0.4;第1期位置上逐渐收敛粒子。原理如式(4)和式(5)所示ct=el+(cll-c)finini*(K)ainifinc=c+(C2式中:cc,初始值,取2.5;cl0.5;0c,初始值,取1;cmfin2改进的钟差预报PSO-BP模型BP模型原理参考文献15,不再详细叙述。改进参数生成方法的PSO-BP模型预报钟差过程分为以下几个步骤:1)钟差数据的预处理:首先将钟差数据进行一次差分消除趋势项,通过绝对中位差法(MAD)对异常值进行剔除并修正。对
15、差分数据进行归一化处理,目的是统一数据范围,提高模型训练过程中的稳定性,并且加快模型训练的速度。2)划分包括输人数据和输出数据在内的钟差数据的训练集和测试集:划分L组每组M维的数据作为输人,记作T=(t(1),t(2)t(L);同时有L组每组J维的卫星钟差数据作为输出Y,=(y(1),y(2)y(L)。M 维输入和J维输出对应,将L组数据中的P组数据作为训练集,T组作为测试集。3改进的PSO算法实现步骤如下:确定神经网络结构:设计的BP模型输入层、隐含层、输出层神经元个数M、I J分别为4、9、1;隐含层层数为1。PSO 算法初始化:输人到隐含的权值m,共49个;输人到隐含的阈值bi,共9 个
16、;隐含到输出的权值,共9 1个;隐含到输出的阈值b,共1个。随机初始化55维向量1m,b;,j,b,作为粒子的位置向量X,;同理初始化55维速度向量V;粒子群规模s设置为50;K设置为10 0;适应度为训练后的BP神经网络预测钟差数据的均方误差MSE:N适应度=(n)-(n)Nn.=式中:N预报的历元个数;t(n)实际钟差;(n)一一经过训练后的网络预测的钟差。根据粒子的位置和钟差训练集的输人输出数据,得到适应度值,更新粒子位置P,和Pg。迭代完成时,如果存储的每次迭代的全局最优适应度收基于改进PSO-BP模型的钟差预报研究()(4)()(5)C2ini一-c2终止值,取2.2 5。(6)43
17、.敛,则输出最优适应度的粒子位置将最优的粒子位置向量划分不同层之间的权值和阈值输入到BP神经网络作为初值。4)BP神经网络通过反向修正方法获得最佳的(K)网络权值和阈值。用经过训练的神经网络预测钟-c终止值,取一差数据,具体过程如下:初始化网络的参数:训练次数、学习率和训练目标。对处理好的训练集数据进行训练,隐含层传递函数f选为Sigmoid函数10 ,网络对训练集的第p组数据预测值Y。(p)为Y.(p)=2uflMi=1m=1由网络的实际输出Y。与期望输出Y,得到误差E,当误差E未达到训练目标时,继续进行迭代,达到训练目标时迭代完成。由测试集的输人数据对钟差数据进行预测,对预测数据反归一化、
18、反差分得到预测的原始钟差,通过测试集的期望钟差计算均方根误差RMSE。模型预报钟差流程如图1所示。3改进的PSO-BP模型的钟差预报试验分析采用IGS提供的钟差产品数据进行试验分析,训练集数据时段最好选取整数倍的BDS运行周期。选取时间为2 0 2 3年2 月8 日0 时至9 日2 4时的数据,采样间隔为5min,共有57 6 个历元的钟差数据点。前2 8 8 个历元的钟差数据作为训练集,后2 8 8个历元的钟差数据作为测试集。3.1参数改进前后PSO算法对比试验改进的PSO算法中的值以非线性递减的方法生成,C和c值则以非对称线性变化的方式生成。与取值为0.9、c和c取值为1.49 445的固
- 配套讲稿:
如PPT文件的首页显示word图标,表示该PPT已包含配套word讲稿。双击word图标可打开word文档。
- 特殊限制:
部分文档作品中含有的国旗、国徽等图片,仅作为作品整体效果示例展示,禁止商用。设计者仅对作品中独创性部分享有著作权。
- 关 键 词:
- 基于 改进 PSO BP 模型 预报 研究
1、咨信平台为文档C2C交易模式,即用户上传的文档直接被用户下载,收益归上传人(含作者)所有;本站仅是提供信息存储空间和展示预览,仅对用户上传内容的表现方式做保护处理,对上载内容不做任何修改或编辑。所展示的作品文档包括内容和图片全部来源于网络用户和作者上传投稿,我们不确定上传用户享有完全著作权,根据《信息网络传播权保护条例》,如果侵犯了您的版权、权益或隐私,请联系我们,核实后会尽快下架及时删除,并可随时和客服了解处理情况,尊重保护知识产权我们共同努力。
2、文档的总页数、文档格式和文档大小以系统显示为准(内容中显示的页数不一定正确),网站客服只以系统显示的页数、文件格式、文档大小作为仲裁依据,平台无法对文档的真实性、完整性、权威性、准确性、专业性及其观点立场做任何保证或承诺,下载前须认真查看,确认无误后再购买,务必慎重购买;若有违法违纪将进行移交司法处理,若涉侵权平台将进行基本处罚并下架。
3、本站所有内容均由用户上传,付费前请自行鉴别,如您付费,意味着您已接受本站规则且自行承担风险,本站不进行额外附加服务,虚拟产品一经售出概不退款(未进行购买下载可退充值款),文档一经付费(服务费)、不意味着购买了该文档的版权,仅供个人/单位学习、研究之用,不得用于商业用途,未经授权,严禁复制、发行、汇编、翻译或者网络传播等,侵权必究。
4、如你看到网页展示的文档有www.zixin.com.cn水印,是因预览和防盗链等技术需要对页面进行转换压缩成图而已,我们并不对上传的文档进行任何编辑或修改,文档下载后都不会有水印标识(原文档上传前个别存留的除外),下载后原文更清晰;试题试卷类文档,如果标题没有明确说明有答案则都视为没有答案,请知晓;PPT和DOC文档可被视为“模板”,允许上传人保留章节、目录结构的情况下删减部份的内容;PDF文档不管是原文档转换或图片扫描而得,本站不作要求视为允许,下载前自行私信或留言给上传者【自信****多点】。
5、本文档所展示的图片、画像、字体、音乐的版权可能需版权方额外授权,请谨慎使用;网站提供的党政主题相关内容(国旗、国徽、党徽--等)目的在于配合国家政策宣传,仅限个人学习分享使用,禁止用于任何广告和商用目的。
6、文档遇到问题,请及时私信或留言给本站上传会员【自信****多点】,需本站解决可联系【 微信客服】、【 QQ客服】,若有其他问题请点击或扫码反馈【 服务填表】;文档侵犯商业秘密、侵犯著作权、侵犯人身权等,请点击“【 版权申诉】”(推荐),意见反馈和侵权处理邮箱:1219186828@qq.com;也可以拔打客服电话:4008-655-100;投诉/维权电话:4009-655-100。