基于Bi-LSTM神经网络的大气阻力系数预测OA北大核心CSTPCD

大气阻力难以精确建模,是低轨卫星精密定轨与轨道预测最大的动力学误差源。定轨处理时考虑利用时变的大气阻力系数(C_(D))来吸收大气阻力模型误差,从而获得较好的轨道拟合结果。然而由于缺少精确的建模方法来反映C_(D)参数的时变特征,导致轨道预报误差逐渐发散。针对该问题,提出基于Bi-LSTM神经网络预测C_(D)参数的轨道预报方法。首先通过动力学定轨方法解算GRACE-C卫星(GRCC)和Sentinel-3A卫星(SN3A)长期的C_(D)参数序列,然后采用Bi-LSTM神经网络方法进行C_(D)参数预测。结果显示,GRCC和SN3A卫星C_(D)预测值的MAE均值分别为0.0302和0.0774,RMSE均值分别为0.0416和0.1018。将C_(D)参数预测结果运用到两颗卫星4组轨道预报实验中,结果表明,GRCC卫星预报7d的最高平均精度为12.28m,平均精度提升率均在90%以上;SN3A卫星最高平均精度为16.00m,平均精度提升率最高可达74.82%。