• 
    

    
    

      99热精品在线国产_美女午夜性视频免费_国产精品国产高清国产av_av欧美777_自拍偷自拍亚洲精品老妇_亚洲熟女精品中文字幕_www日本黄色视频网_国产精品野战在线观看 ?

      一種基于機(jī)器學(xué)習(xí)算法的區(qū)域/單站ZTD組合預(yù)測(cè)模型

      2022-04-14 07:27:24楊旭何祥祥王媛媛譚福臨陳雄川
      全球定位系統(tǒng) 2022年1期
      關(guān)鍵詞:單站測(cè)站預(yù)測(cè)值

      楊旭,何祥祥,王媛媛,譚福臨,陳雄川

      (1.安徽理工大學(xué) 礦區(qū)環(huán)境與災(zāi)害協(xié)同監(jiān)測(cè)煤炭行業(yè)工程研究中心,安徽 淮南 232001;2.安徽理工大學(xué) 礦山采動(dòng)災(zāi)害空天地協(xié)同監(jiān)測(cè)與預(yù)警安徽普通高校重點(diǎn)實(shí)驗(yàn)室,安徽 淮南 232001;3.安徽理工大學(xué) 空間信息與測(cè)繪工程學(xué)院,安徽 淮南 232001;4.自然資源部大地測(cè)量數(shù)據(jù)處理中心,西安 710054)

      0 引言

      根據(jù)天頂對(duì)流層總延遲(ZTD)模型應(yīng)用時(shí)所需條件的不同,可將ZTD 模型分為兩大類.第一類ZTD 模型需要實(shí)測(cè)氣象參數(shù),如大氣壓、水汽壓和溫度,主要包括Hopfield、Saastamoinen 以及Black 等模型[1],在實(shí)際導(dǎo)航定位中,有時(shí)會(huì)遇到無(wú)法獲取氣象參數(shù)或者獲取的氣象參數(shù)不穩(wěn)定等情況,給導(dǎo)航定位帶來(lái)了不便.鑒于此,眾多學(xué)者建立了第二類無(wú)實(shí)測(cè)氣象參數(shù)的經(jīng)驗(yàn)ZTD 模型,它依靠大量的經(jīng)驗(yàn)數(shù)據(jù)建立了各種影響因素與ZTD 之間的映射,由于無(wú)需任何氣象參數(shù)的參與,該經(jīng)驗(yàn)ZTD 模型已取得了長(zhǎng)足發(fā)展,主要包括早期的UNB 系列、EGNOS 模型以及近年來(lái)一些學(xué)者提出的GPT2、GPT2w 和IGGtrop等模型[2].

      近年來(lái),機(jī)器學(xué)習(xí)技術(shù)在多個(gè)領(lǐng)域得到了廣泛應(yīng)用,在ZTD 建模方面也取得了一定的成就.王勇等[3]以南加州GPS 網(wǎng)的GPS 測(cè)站的ZTD 數(shù)據(jù)為研究對(duì)象,利用BP 神經(jīng)網(wǎng)絡(luò)算法,以測(cè)站經(jīng)緯度和海拔為輸入量,對(duì)ZTD 預(yù)測(cè)模型展開(kāi)了研究.為了克服傳統(tǒng)BP 神經(jīng)網(wǎng)絡(luò)計(jì)算量大,易出現(xiàn)“過(guò)擬合”現(xiàn)象以及模型不穩(wěn)定的問(wèn)題,肖恭偉等[4]提出了基于改進(jìn)的BP 神經(jīng)網(wǎng)絡(luò)建立區(qū)域ZTD 模型,該模型以歸一化處理后的測(cè)站大地經(jīng)緯度和大地高為模型輸入,以ZTD 為輸出.時(shí)瑤佳等[5]提出了一種基于Keras 平臺(tái)的長(zhǎng)短期記憶網(wǎng)絡(luò)ZTD 預(yù)測(cè)模型,并與BP 神經(jīng)網(wǎng)絡(luò)模型的預(yù)測(cè)效果進(jìn)行了對(duì)比,實(shí)驗(yàn)結(jié)果表明:LSTM模型預(yù)測(cè)結(jié)果的均方根誤差(RMSE)達(dá)到了毫米級(jí),其平均絕對(duì)誤差和平均絕對(duì)百分比誤差均比BP 模型低,LSTM 模型在精度和穩(wěn)定性上較BP模型均有明顯提高.本文以香港連續(xù)運(yùn)行參考站(CORS)網(wǎng)為例,針對(duì)無(wú)需輸入實(shí)時(shí)氣象參數(shù)這一特點(diǎn),在以參與建模測(cè)站三維坐標(biāo)為輸入的基礎(chǔ)上,同時(shí)考慮ZTD時(shí)變特征,利用BP 神經(jīng)網(wǎng)絡(luò)算法構(gòu)建區(qū)域ZTD 預(yù)測(cè)模型.此外,以ZTD 單站時(shí)間序列數(shù)據(jù)為基礎(chǔ),利用LSTM 算法建立單站ZTD 預(yù)測(cè)模型.最后在兩種ZTD 模型的基礎(chǔ)上提出區(qū)域/單站ZTD 組合模型.

      1 ZTD 預(yù)測(cè)模型構(gòu)建

      1.1 區(qū)域ZTD 建模數(shù)據(jù)預(yù)處理

      在進(jìn)行區(qū)域ZTD 建模時(shí),選擇了香港CORS 網(wǎng)18 個(gè)監(jiān)測(cè)站連續(xù)14 天觀測(cè)數(shù)據(jù)(2017 年年積日121—134),采用Bernese 軟件進(jìn)行了高精度數(shù)據(jù)處理,得到的ZTD 數(shù)據(jù)序列采樣間隔為1 h.在實(shí)際建模中,以HKWS 測(cè)站年積日為134 的ZTD 為真值作為驗(yàn)證數(shù)據(jù),因此需選擇除HKWS 測(cè)站以外的測(cè)站ZTD 數(shù)據(jù)參與區(qū)域ZTD 建模.

      在獲取初始信息并準(zhǔn)備建立數(shù)學(xué)模型時(shí),為避免較大數(shù)值的變化掩蓋掉小數(shù)值的變化并加快網(wǎng)絡(luò)收斂速度,有必要對(duì)數(shù)據(jù)進(jìn)行量化和集成,以消除對(duì)預(yù)測(cè)結(jié)果的影響.為了消除數(shù)據(jù)之間顯著的數(shù)量級(jí)差異,需要進(jìn)行數(shù)據(jù)歸一化操作[6],本文將測(cè)站各個(gè)時(shí)間點(diǎn)在WGS-84 坐標(biāo)系下的三維坐標(biāo)(X,Y,Z)、時(shí)刻t為基于某一起始?xì)v元經(jīng)過(guò)的時(shí)間,以秒計(jì)和相應(yīng)的ZTD 數(shù)據(jù)歸一化到[–1,1]這一區(qū)間內(nèi),該歸一化的方式可用下式表達(dá):

      式中:ymax=1 和ymin=-1 為參數(shù),表示數(shù)據(jù)歸一化之后的上限和下限;xmax和xmin表示待歸一化的數(shù)據(jù)分別在WGS-84 坐標(biāo)系下的三維坐標(biāo)、時(shí)間以及ZTD序列中的最大值和最小值;x為待歸一化的數(shù)據(jù).

      數(shù)據(jù)歸一化后,數(shù)量級(jí)會(huì)大幅降低,且無(wú)量綱影響,將會(huì)對(duì)神經(jīng)網(wǎng)絡(luò)訓(xùn)練速度以及效果產(chǎn)生優(yōu)化,表1為歸一化后的部分?jǐn)?shù)據(jù).

      表1 歸一化前后的部分?jǐn)?shù)據(jù)

      利用BP 神經(jīng)網(wǎng)絡(luò)算法建立區(qū)域ZTD 模型,得到預(yù)測(cè)值后,還需要通過(guò)反歸一化處理把這些歸一化的ZTD 預(yù)測(cè)值數(shù)據(jù)還原到原始數(shù)據(jù)的數(shù)量級(jí).

      1.2 單站ZTD 建模數(shù)據(jù)預(yù)處理

      單站ZTD 建模時(shí),選擇未參與區(qū)域建模的HKWS測(cè)站連續(xù)13 天(2017 年年積日121—133) ZTD 數(shù)據(jù)參與建模,以第134 天的ZTD 為真值進(jìn)行預(yù)測(cè)效果驗(yàn)證.

      為了防止模型擬合效果差或者出現(xiàn)訓(xùn)練發(fā)散的問(wèn)題,首先對(duì)訓(xùn)練和測(cè)試數(shù)據(jù)進(jìn)行標(biāo)準(zhǔn)化處理.標(biāo)準(zhǔn)化的目的是使原始訓(xùn)練數(shù)據(jù)服從均值為0 和方差為1 的分布以去除量綱的影響,這有利于不同數(shù)據(jù)之間的比較與分析[7].標(biāo)準(zhǔn)化的方式為

      式中:x為待標(biāo)準(zhǔn)化的ZTD 值;為ZTD 序列的平均值;xstd為ZTD 序列的標(biāo)準(zhǔn)差.標(biāo)準(zhǔn)化后的部分?jǐn)?shù)據(jù)如表2 所示.

      表2 標(biāo)準(zhǔn)化前后的ZTD m

      標(biāo)準(zhǔn)化處理后,進(jìn)行ZTD 預(yù)測(cè),使用之前計(jì)算的參數(shù)對(duì)數(shù)據(jù)去標(biāo)準(zhǔn)化,可得到最后的ZTD 預(yù)測(cè)值.

      1.3 精度評(píng)判標(biāo)準(zhǔn)

      采用RMSE 和平均偏差(Bias)作為評(píng)價(jià)預(yù)測(cè)模型精度的指標(biāo).RMSE 用于衡量模型預(yù)測(cè)值和真值之間的偏差,Bias 可以很好的反映出模型是否存在系統(tǒng)誤差[8].以上精度指標(biāo)的計(jì)算公式如下:

      式中:yi-為測(cè)試集上的真實(shí)值-預(yù)測(cè)值;N為預(yù)報(bào)樣本個(gè)數(shù).

      2 建模思路與方法

      2.1 BP 神經(jīng)網(wǎng)絡(luò)和LSTM 神經(jīng)網(wǎng)絡(luò)

      BP 神經(jīng)網(wǎng)絡(luò)是一種按照誤差逆?zhèn)鞑ニ惴ㄓ?xùn)練的多層前饋網(wǎng)絡(luò),是目前應(yīng)用最廣泛的神經(jīng)網(wǎng)絡(luò)模型之一[9].對(duì)訓(xùn)練集D={(x1,y1),(x2,y2),···,(xm,ym)},其中xi∈Rd,yi∈Rl,即輸入的特征是d維的,輸出的值是一個(gè)一維的實(shí)值向量[10].對(duì)于一個(gè)具有d個(gè)輸入神經(jīng)元、l個(gè)輸出神經(jīng)元、q個(gè)隱含層神經(jīng)元的多層前饋網(wǎng)絡(luò)結(jié)構(gòu),對(duì)于訓(xùn)練列(xk,yk),假定神經(jīng)網(wǎng)絡(luò)的輸出為,即

      式中:βj為輸出層第j個(gè)神經(jīng)元接收到的輸入;θj為輸出層第j個(gè)神經(jīng)元的閾值.則網(wǎng)絡(luò)在(xk,yk)上的均方誤差Ek為

      BP 算法基于逐步梯度下降的方案,可在目標(biāo)負(fù)梯度的方向上調(diào)整參數(shù).對(duì)于式(3)中的誤差Ek,給定學(xué)習(xí)率 η,有

      式中,ωhj為隱層第h個(gè)神經(jīng)元與輸出層第j個(gè)神經(jīng)元之間的連接權(quán).其更新公式為

      式中,gi為輸出層神經(jīng)元的梯度項(xiàng).

      BP 神經(jīng)網(wǎng)絡(luò)最突出的優(yōu)點(diǎn)是具有非常強(qiáng)的非線性擬合能力[11],通過(guò)其強(qiáng)大的學(xué)習(xí)能力,根據(jù)每一次輸出和期望之間的誤差不斷調(diào)整連接權(quán)值,最終在訓(xùn)練樣本和輸出值之間構(gòu)建一種映射,從而實(shí)現(xiàn)數(shù)據(jù)預(yù)測(cè).

      LSTM 神經(jīng)網(wǎng)絡(luò)是遞歸神經(jīng)網(wǎng)絡(luò)(RNN)的一種變體,LSTM 擴(kuò)展了其記憶能力[12].圖1 給出了LSTM內(nèi)部原理結(jié)構(gòu)示意圖,示意圖符號(hào)⊕代表兩個(gè)向量的加法運(yùn)算,?代表兩個(gè)向量的點(diǎn)乘運(yùn)算,σ 為sigmoid激活函數(shù),tanh 為雙曲正切激活函數(shù).

      圖1 LSTM 內(nèi)部原理圖

      LSTM 神經(jīng)網(wǎng)絡(luò)設(shè)計(jì)的核心是圍繞“記憶能力”開(kāi)展的,為了實(shí)現(xiàn)這種記憶功能,LSTM 引入了三個(gè)“門”的概念,即遺忘門ft、輸入門it和輸出門ot.遺忘門的主要功能是決定應(yīng)該保留或者拋棄哪些信息,輸入門用來(lái)更新單元狀態(tài),輸出門可以控制下個(gè)狀態(tài)的隱藏信息的值.利用LSTM 能有效捕捉長(zhǎng)期時(shí)變信息的優(yōu)勢(shì),以單個(gè)測(cè)站前期ZTD 時(shí)間序列為輸入,就能預(yù)測(cè)未來(lái)ZTD 數(shù)據(jù),這一特點(diǎn)在無(wú)法得到氣象信息的環(huán)境下進(jìn)行ZTD 預(yù)測(cè),優(yōu)勢(shì)更為明顯,可行性更強(qiáng),穩(wěn)定性更高.

      2.2 區(qū)域ZTD 建模

      考慮到BP 神經(jīng)網(wǎng)絡(luò)算法在處理大量數(shù)據(jù)時(shí)可以挖掘出內(nèi)在的有效信息以及找尋其中包含的非線性關(guān)系,因此在區(qū)域ZTD 建模中選擇與ZTD 的變化有關(guān)的變量和對(duì)應(yīng)的ZTD,將歸一化后的值作為模型輸入,最終訓(xùn)練得出最佳網(wǎng)絡(luò).測(cè)試時(shí),輸入為需要預(yù)測(cè)的某些時(shí)刻的歸一化后的WGS-84 坐標(biāo)系下的三維坐標(biāo)以及這些時(shí)刻的時(shí)間,輸出即為對(duì)應(yīng)的ZTD 預(yù)測(cè)值.有關(guān)研究表明,對(duì)于一個(gè)有隱含層的神經(jīng)網(wǎng)絡(luò),只要隱含節(jié)點(diǎn)足夠多,就可以以任意精度逼近一個(gè)非線性函數(shù)[13].在利用BP 神經(jīng)網(wǎng)絡(luò)算法進(jìn)行區(qū)域ZTD 建模時(shí),沒(méi)有確定的公式和原則能準(zhǔn)確選取最優(yōu)的隱含層節(jié)點(diǎn)數(shù),但是可以通過(guò)一些經(jīng)驗(yàn)公式確定隱含層節(jié)點(diǎn)個(gè)數(shù)的大致范圍,本文采用以下經(jīng)驗(yàn)公式[14]:

      式中:n為輸入層神經(jīng)元個(gè)數(shù);m為輸出神經(jīng)元個(gè)數(shù);a為取值在1~10 的整數(shù).本試驗(yàn)中,根據(jù)經(jīng)驗(yàn)公式易得l在3~13 取值.實(shí)際試驗(yàn)中,在基于經(jīng)驗(yàn)公式的基礎(chǔ)上,繼續(xù)采用“試錯(cuò)法”(trail-by-error)調(diào)整,即根據(jù)已知的測(cè)試數(shù)據(jù)進(jìn)行訓(xùn)練測(cè)試,觀察誤差和正確率的大小,不斷調(diào)整網(wǎng)絡(luò)訓(xùn)練過(guò)程中的相關(guān)參數(shù),此處為隱含層節(jié)點(diǎn)數(shù)目.最終確定隱含層節(jié)點(diǎn)數(shù)目為12.

      2.3 單站ZTD 建模

      對(duì)于單站ZTD 建模,無(wú)需考慮建模測(cè)站的三維空間位置,只需要ZTD 時(shí)間序列數(shù)值.LSTM 神經(jīng)網(wǎng)絡(luò)具有良好的記憶能力,輸入?yún)?shù)為對(duì)HKWS 測(cè)站年積日121—133 共計(jì)13 天的標(biāo)準(zhǔn)化后的ZTD 序列值,對(duì)其進(jìn)行LSTM 單站ZTD 建模,輸出值為預(yù)測(cè)得到HKWS 測(cè)站第14 天24 h ZTD 值.同樣選取HKWS 測(cè)站年積日為134 的ZTD 為真值作為驗(yàn)證數(shù)據(jù).

      2.4 區(qū)域/單站ZTD 組合模型

      使用前13 天數(shù)據(jù)建模所用的參數(shù)訓(xùn)練BP 神經(jīng)網(wǎng)絡(luò),對(duì)HKWS 測(cè)站第14 天24 h ZTD 進(jìn)行預(yù)測(cè),同時(shí)采用HKWS 前13 天ZTD 序列值進(jìn)行LSTM 建模,預(yù)測(cè)得到HKWS 測(cè)站第14 天24 h ZTD 值,再使用兩種模型分別預(yù)測(cè)的HKWS 測(cè)站第14 天每小時(shí)的ZTD 加權(quán)值作為組合預(yù)測(cè)值.加權(quán)方式為

      此加權(quán)方式逐步利用兩種模型預(yù)測(cè)得到的ZTD與實(shí)際值之間的RMSE,逐步更新權(quán)重,綜合考慮了兩種模型在預(yù)測(cè)過(guò)程中出現(xiàn)的新的預(yù)測(cè)值和之前階段的預(yù)測(cè)值.按照式(10)中加權(quán)方案,則組合模型在i歷元對(duì)應(yīng)的ZTD 為

      圖2~3 給出了區(qū)域、單站以及ZTD 組合模型HKWS 測(cè)站ZTD 預(yù)測(cè)值和ZTD 真值與預(yù)測(cè)值差值的絕對(duì)值對(duì)比情況.可以看到,基于BP 神經(jīng)網(wǎng)絡(luò)算法的區(qū)域ZTD 模型難以反映ZTD 的波動(dòng)情況,但反映了ZTD 的變化趨勢(shì),其預(yù)測(cè)結(jié)果更傾向于曲線型,基于LSTM 的單站ZTD 模型可以隨著實(shí)際ZTD 的波動(dòng)而起伏,但其與實(shí)際值仍有一些差異.而區(qū)域/單站ZTD 模型綜合了兩種模型的優(yōu)點(diǎn),對(duì)ZTD 進(jìn)行了更為準(zhǔn)確的預(yù)測(cè).

      圖2 3 種模型在HKWS 測(cè)站ZTD 預(yù)測(cè)結(jié)果

      圖3 3 種模型在HKWS 測(cè)站ZTD 預(yù)測(cè)殘差對(duì)比

      通過(guò)計(jì)算得到基于BP 神經(jīng)網(wǎng)絡(luò)算法的區(qū)域ZTD 模型和基于LSTM 神經(jīng)網(wǎng)絡(luò)的單站ZTD 模型在HKWS 測(cè)站對(duì)ZTD 預(yù)測(cè)的RMSE 和Bias 情況,如表3 所示.

      表3 3 種模型預(yù)測(cè)ZTD 的RMSE 和Bias mm

      由表3 可知,對(duì)于HKWS 測(cè)站,基于BP 神經(jīng)網(wǎng)絡(luò)算法的區(qū)域ZTD 預(yù)測(cè)模型和基于LSTM 神經(jīng)網(wǎng)絡(luò)的單站ZTD 模型的RMSE 分別是10.2 mm 和10.4 mm,而區(qū)域/單站ZTD 模型組合的RMSE 為8.5 mm,相較于區(qū)域ZTD 模型和單站ZTD 模型精度分別提高了17.2%和18.4%;區(qū)域和單站模型對(duì)ZTD 預(yù)測(cè)的Bias 分別為2.4 mm 和–2.6 mm,而組合模型的Bias為–0.07 mm,平均偏差得到顯著降低.

      3 結(jié)論與展望

      本文在區(qū)域ZTD 模型和單站ZTD 模型的基礎(chǔ)上建立了區(qū)域/單站ZTD 組合模型.實(shí)驗(yàn)結(jié)果表明其精度比單一的區(qū)域或單站ZTD 模型精度有所提高.考慮到對(duì)歷史RMSE 表現(xiàn)較優(yōu)的模型ZTD 預(yù)測(cè)值賦權(quán)較高,組合模型的ZTD 預(yù)測(cè)值不一定取到最優(yōu)值,利用相關(guān)優(yōu)化算法對(duì)組合模型中權(quán)重進(jìn)行自適應(yīng)調(diào)節(jié),可進(jìn)一步提高模型的預(yù)測(cè)精度和穩(wěn)定性.

      猜你喜歡
      單站測(cè)站預(yù)測(cè)值
      IMF上調(diào)今年全球經(jīng)濟(jì)增長(zhǎng)預(yù)期
      企業(yè)界(2024年8期)2024-07-05 10:59:04
      GNSS鐘差估計(jì)中的兩種測(cè)站選取策略分析
      穩(wěn)定的紅牛有多強(qiáng),維斯塔潘單站大滿貫
      ——2022 F1意大利大獎(jiǎng)賽
      世界汽車(2022年5期)2022-06-10 10:18:36
      加拿大農(nóng)業(yè)部下調(diào)2021/22年度油菜籽和小麥產(chǎn)量預(yù)測(cè)值
      ±800kV直流輸電工程合成電場(chǎng)夏季實(shí)測(cè)值與預(yù)測(cè)值比對(duì)分析
      單站優(yōu)化,打造綜合生態(tài)圈——專訪中國(guó)石油遼寧沈陽(yáng)銷售分公司副總經(jīng)理梁洪濤
      基于方位角和勻速圓周運(yùn)動(dòng)的單站無(wú)源定位算法
      法電再次修訂2020年核發(fā)電量預(yù)測(cè)值
      全球GPS測(cè)站垂向周年變化統(tǒng)計(jì)改正模型的建立
      測(cè)站分布對(duì)GPS解算ERP的影響分析
      石门县| 湖北省| 孟津县| 来安县| 松阳县| 漳平市| 庄浪县| 克东县| 通渭县| 镇远县| 赫章县| 台湾省| 巫溪县| 金川县| 泌阳县| 同江市| 潼关县| 邳州市| 富阳市| 秦安县| 铜陵市| 那曲县| 肥东县| 谢通门县| 文登市| 长岭县| 新密市| 辽源市| 福海县| 赞皇县| 金坛市| 新丰县| 科技| 饶平县| 南汇区| 小金县| 汕头市| 平陆县| 孟连| 兴安盟| 康马县|