[发明专利]一种接收机钟差预测方法

摘要

本发明公开了一种接收机钟差预测方法。本发明针对现有的接收机钟差预测仅采用某一种预测方法往往效果不够理想、预测精度不高的问题，通过对接收机钟差序列进行小波分解与重构，得到低频序列与高频序列；然后对低频序列采用灰色模型进行建模预测，对高频序列采用自回归模型进行建模预测，进而形成接收机钟差组合预测模型。本发明通过融合小波变换、灰色模型以及自回归模型等三种基本建模方法在非线性序列特征提取、低频序列与高频序列预测等方面的优势，有效提高了接收机钟差预测的精度。

主权项

1.一种接收机钟差预测方法，包括如下步骤：S1.对接收机钟差序列{c(t)}进行小波分解与重构，得到低频序列{c_K(t)}与高频序列{d₁(t)}，{d₂(t)}，L，{d_K(t)}，其中，t＝1～n，n为接收机钟差序列长度，K为分解层数；S2.对低频序列{c_K(t)}采用灰色模型进行预测，得到预测序列具体实现过程如下：S21.将序列{c_K(t)}进行一次累加，生成序列cK(1)(t)=cK(1)+cK(2)+LcK(t),t=1~n]]>S22.根据累加的序列建立微分方程：dcK(1)(t)dt+αcK(1)(t)=β]]>S23.应用最小二乘法估计参数α与β，得到其估计值与α‾β‾T=(MTM)-1My]]>其中：M=-12(cK(1)(2)+cK(1)(3))1-12(cK(1)(3)+cK(1)(4))1MM-12(cK(1)(n-1)+cK(1)(n))1,]]>y=cK(2)cK(3)McK(n-1)cK(n)]]>S24.将参数估计值与代入微分方程，得到序列的预测序列：c‾K(1)(t)=(cK(1)-β‾α‾)exp(-α‾(t-1))+β‾α‾]]>S25.对预测序列进行一次累减，得到低频序列{c_K(t)}的预测序列：c‾K(1)=c(1),t=1c‾K(t)=c‾K(1)(t)-c‾K(1)(t-1),t≥2]]>S3.对高频序列{d₁(t)}，{d₂(t)}，L，{d_K(t)}分别采用自回归模型进行预测，得到预测序列具体实现过程如下：S31.将序列{d₁(t)}写成如下形式：d1(t)=Σk=1pφkd1(t-k)+ω(t),t=1~n]]>其中：p为模型阶数，φ₁，L，φ_p表示模型系数，ω(t)为随机噪声；S32.根据AIC准则确定模型阶数p；S33.采用最小二乘法对模型参数φ＝[φ₁ φ₂ L φ_p]^T进行估计：φ‾=(VTV)-1Vr]]>其中：V=d1(p)Ld1(1)d1(p+1)Ld1(2)MMd1(n-1)Ld1(n-p),]]>r=d1(p+1)d1(p+2)Md1(n)]]>S34.根据参数估计值以及模型阶数p，得到序列{d₁(t)}的预测序列：d‾1(t)=φ‾1d‾1(t-1)+φ‾2d‾1(t-2)+L+φ‾pd‾1(t-p)]]>S35.对其他高频序列{d₂(t)}，L，{d_K(t)}分别进行和{d₁(t)}相同的操作，得到预测序列S4.将低频序列{c_K(t)}以及高频序列{d₁(t)}，{d₂(t)}，L，{d_K(t)}的预测结果进行合成，得到接收机钟差序列{c(t)}的整体预测序列：c‾(t)=c‾K(t)+d‾1(t)+d‾2(t)+L+d‾K(t).]]>