摘要:
大气阻力是低轨卫星受到的最大非引力摄动, 大气阻力的计算误差主要来源于热层大气密度经验模型误差, 目前经验模型的误差较大, 普遍在30%以上. 为提高经验模型的预报精度, 提出一种基于SegRNN(Segment Recurrent Neural Network)的热层大气密度经验模型校准方法. 该方法使用SegRNN的分块和并行策略进行模型训练和推理, 避免了传统RNN(Recurrent Neural Network)因迭代次数过多而引起误差累积与梯度不稳定的问题. 通过分析大气密度与Ap, F10.7和F10.7a外部环境参数的变化关系, 提出了一种改进的神经网络架构SegRNN with Residual Block. 该架构通过引入外部环境参数作为动态协变量(Covariates), 使用Residual Block(RB)提取预报时段的密度相关信息, 从而进一步提高SegRNN的预报精度. 利用GRACE(Gravity Recovery and Climate Experiment)星载加速度计反演得到的密度数据对NRLMSISE 2.0进行校准实验. 结果表明, NRLMSIS 2.0模型原始误差为31.3%, 经SegRNN校准后, 误差降低至8.0%, 引入动态协变量后, 模型误差进一步降低至7.2%, 最终校准模型误差下降了24.1%, 校准效果显著.