押少帅，赵兴旺，胡豪杰，刘超，陈健

(安徽理工大学 空间信息与测绘工程学院，安徽 淮南 232001)

0 引 言

全球卫星导航系统(GNSS)是基于时间测量的系统，准确的距离测量实际上就是时间测量[1].星载原子钟作为导航定位的星上时间基准，又是导航卫星的核心有效负荷之一，其性能直接影响导航定位精度[2]，如时间系统上1 ns 的误差，导致3 dm 的距离误差[3].由国际 GNSS 服务(IGS)提供的最终星历，其钟差精度可以达到75 ps[4]，但是这个产品要延迟12～18 天，不能用于实时定位.因此，如何利用较少的数据提高钟差的精度以满足实时定位的要求成为研究的重点.

目前，国内外许多学者对钟差的预报模型做了大量的研究，取得了丰富的成果.常用的模型有时间序列模型(ARIMA)[5]、灰色模型(GM)[6]、一次多项式(LP)模型[7]、二次多项式(QP)模型[8]、谱分析模型[9]和卡尔曼滤波模型[10].由于这些模型适应性不同[11]，且原子钟受外部环境和自身特性的影响，很难找出适合所有卫星的钟差预报模型.近些年，一些学者用机器学习进行钟差预测得到了很好的精度[12-14]，但是机器学习的方法需要设置许多参数，目前对参数的选取还没有一个科学的理论支持，需要不断的尝试才能找到最优参数，这是在机器学习算法中一个未完善的部分.随着北斗三号(BDS-3)的建设到全球组网成功，对BDS 系统原子钟的性能评估也成为一个热点.文献[15]对BDS-3 的原子钟进行了周期性分析和稳定性分析，文献[16]对BDS 系统原子钟进行了频率稳定性分析性，但它们只……