融合机器学习和非线性自适应滤波的地球自转参数预报方法研究

The high-precision prediction of Earth Rotation Parameters (ERP) is essential for astro-geodynamics, high-precision space navigation and positioning, and on-board autonomous orbits determination and deep space exploration. This project is aimed to study theory and method of combining the machine learning and nonlinear adaptive filter for ERP prediction based on the exiting prediction theories and algorithm of ERP. Through multi-scale wavelet decomposition and singular spectrum analysis (SSA), the deterministic time varying signal of ERPs series can be more precisely and reasonably detected and modeled with the help of statistical hypothesis test. Through optimization of dynamic state model and construction the adaptive factor for adjusting the contribution of dynamic information and observation information, a new ERP prediction method base on a nonlinear adaptive filtering is developed. By introducing machine learning methods such as back-propogated neural networks (BPNN), support vector machines (SVM) and random forests (RF) and establishing a set of suitable principles for model selection and combination, ERP prediction based on optimal selection and combination of machine-learning models is proposed. Based on united software platform, the up-to-date IERS standard and distributed parallel computation technology, an adaptive, high-efficient and high-precision ERPs prediction software will be developed.

地球自转参数（ERP）高精度预报对天文地球动力学、自主导航、深空探测等研究具有重要意义。本项目在充分借鉴国内外现有预报理论和方法基础上，开展融合机器学习和非线性自适应滤波的ERP预报方法研究。通过多尺度小波分解和奇异谱分析，获取精细的ERP确定性时变信号的频谱特征，并结合统计检验模型，建立一套更为合理、精确的ERP时变模型；通过优化ERP动力学模型和状态噪声模型，构造调整动力学模型和观测模型贡献大小的自适应因子，建立一套基于非线性自适应滤波的ERP预报模型；在此基础上，引入反向传播神经网络（BPNN）、支持向量机（SVM）和随机深林（RF）等多种机器学习算法，基于最优化理论与产品综合策略，构建一套基于机器学习的多模型优选与综合的ERP预报方法。采用最新IERS标准和分布式并行算法，研制一套满足能不同预报跨度、高效率、高精度的ERP预报软件，为全球用户在线提供ERP预报产品服务。

地球自转参数（ERP）是地球参考框架和天球参考框架相互转换的重要参数，对卫星精密定轨、深空探测等具有重要意义。由于现代空间大地测量技术数据处理的复杂性和各技术间参考基准的不一致性，高精度ERP数据的获取具有几天至几周的滞后，因此地球自转参数高精度预报技术就显得尤为重要，也一直成为大地测量研究领域的热点问题。本项目从高精度ERP解算和预报理论出发，进一步探究了地球自转运动的时变性特性，将机器学习算法应用于ERP的高精度预报，有效提高地球自转参数的解算和预报精度。项目主要研究内容如下：1）低轨卫星GNSS/SLR数据联合解算地球自转参数研究；2）IGSO与MEO星座对地球自转参数确定贡献研究；3）地球自转运动固有周期特性分析；4）地球自转参数预报改进算法研究；5）基于机器学习的地球自转参数预报算法研究；6）高效率、高精度ERP预报软件研制。取得的创新性成果如下：1）提出了一套联合GNSS L-band/SLR数据的精密轨道确定及地球自转参数解算方法，并量化分析了SLR数据解算地球自转参数的精度贡献；2）提出了一套利用BDS-2/-3数据解算ERP的理论与方法，研究了北斗卫星IGSO与MEO星座对地球自转参数确定的贡献，并评估了不同卫星星座组合解算策略的性能，有效提升了地球自转参数的解算精度；3）分析了不同参考框架下IERS C04序列之间的区别与联系，揭示了2011年3月两序列在极移Y分量上存在较大跳变的具体原因，并评估了两序列对ERP预报结果的影响；4）深入探讨了地球自转固有特性，获取更为精细的地球自转参数时变信息，并分析了ERP各周期项的时变性对预报精度的影响；5）提出了顾及近期数据和时变特性、大气角动量相关参数等一系列地球自转参数预报改进算法，大大提升了常用模型（LS+AR）预报精度和可靠性；6）构建了SSA+LS+SVM、LS+LSTM等一系列基于机器学习的ERP预报模型，在不同分量、不同跨度显著提高了地球自转参数的预报精度；7）研制一套满足能不同预报跨度、高效率、高精度的ERP预报软件。项目发表高水平论文40余篇，申请专利4项，获卫星导航定位科技进步一等奖1项。项目成果将为全球地心参考框架维持与精化、深空导航、国家综合PNT体系建设等提供借鉴和参考。