基于机器学习的单站对流层延迟预测建模

• 作者: 聂帅 葛雅倩 谭福临 钟东升
• 来源期刊: 中国科技纵横
• 关键词: 偏最小二乘 极限学习机 BP神经网络:对流层延迟模型
• 年，卷（期）: 2021,（9）
• 所属期刊栏目: 信息技术与应用
• 页码范围: 27-29
• 页数: 3页
• 分类号: P228
• 语种: 中文

摘要

随着人工智能算法的快速发展,利用机器学习算法归纳数据的规律,并在此基础上进行建模,最终实现数据的修正或预测,已经成为科研领域的一种重要研究方法.本文提出一种基于偏微分方程(PLS)和极限学习机(ELM)的建模方法,并利用GNSS连续运行参考站(HKSL)获取的ZTD数据,建立单站PLS和单站ELM对流层预测模型,并将结果与传统BP神经网络所建立的对流层预测模型对比.结果显示,三种方法的均方根误差及平均偏差有着明显区别—BP神经网络预测模型的均方根误差最小为8mm,平均偏差最小为13mm.而ELM模型及PLS模型的同类指标仅为1mm～2mm,稳定性高.