随着当前各领域对高精度实时导航定位的需求日益增长,卫星钟差数据的准确性是制约其广泛应用的重要因素之一,建立高精度的钟差预报模型对高精度实时定位有重要意义。人工神经网络在处理非线性数据时有较大优势,但是网络中模型参数的随机初始化会导致建模结果不稳定,使目标方程陷入局部最小值。MEA算法仿照人类的思维进化,利用趋同和异化操作,其全局寻优和收敛较快的优势,可很好地解决神经网络的初始参数选择问题。相比于静态神经网络,动态神经网络中增加了反馈和记忆,具有良好的动态性,能更好地适用于时间序列的处理,为钟差建模提供了一种新方法。本文主要介绍了卫星导航中常用的钟差预报模型,结合浅层静态神经网络和动态神经网络算法,针对传统BP神经网络过拟合现象容易出现的问题和NAR神经网络在时间序列建模预报的优势,提出了基于MEA-BP算法构建卫星钟差预报模型和基于NAR算法构建钟差预报模型,通过IGS精密钟差产品进行了短期及中短期预报实验。主要研究内容和工作如下:(1)介绍了多项式模型、多项式+周期项模型、灰色模型及时间序列模型,利用GPS实际数据对常用模型进行了实验,根据预报结果对比分析了各模型的优势和局限性。(2)在钟差拟合构建模型前,对原始钟差数据进行一次差处理,将新得到的数据序列代入模型中进行训练预报,并对结果进行还原处理得到最终钟差数据。通过一次差处理后的钟差数据,进行神经网络建模预报时,精度和稳定性比利用原始数据进行建模预报有了显著提高。(3)针对BP神经网络在卫星钟差建模中的问题,利用以下措施进行改进:利用数值模拟求得最佳隐含层节点数;通过MEA算法对权值和阈值的初始值进行优选,构建了适用于钟差预报的MEA-BP模型,并给出该模型进行钟差预报的具体步骤。实验结果表明:1)MEA-BP算法可避免常规BP算法陷入局部最优,在钟差预报中有更高的预报精度。2)在四个时段的短期预报中,MEA-BP模型的预报精度分别优于0.36ns、0.38ns、0.62ns和1.56ns,最低可分别提升9.09%、18.08%、16.39%和24.35%,当预报时长增加时,其预报误差曲线起伏较稳定,说明新模型在钟差短期和中短期预报中的精度及稳定性均高于四种常规模型,表现出了良好的预报性能。3)针对不同拟合时长及采样间隔的数据进行研究,当拟合数据量增加时,模型预报精度逐渐升高,选择30s间隔的数据得到的精度最高。(4)介绍了 NAR动态神经网络算法,利用该算法在时间序列处理中的优势,构建了基于卫星钟差预报的NAR网络结构,并进行了短期钟差预报。结果表明:1)除G24卫星预报精度相对较低(可能与其数据有明显波动有关),其余卫星预报精度均控制在0.35ns以内,在4个时段的钟差预报中精度普遍提高23%以上,最高可分别提升86.49%、89.44%、93.81%和95.19%,预报误差曲线变化起伏较小,说明NAR算法的预报性能优于四种传统模型,可对卫星钟差进行有效预测,且在训练时有较少的迭代次数,可大大提高预报效率,在钟差短期预报中的实用性及稳定性是较佳的。2)讨论了延时阶数、拟合数据量及采样间隔对预报精度的影响,延时阶数选择不当会严重影响钟差预报精度,精度变化最大在ns级别;在前半天的数据建模中,模型预报精度随着拟合数据的增多而升高;与5min和15min间隔的数据相比,数据间隔为30s时可获得相对较高的预报精度。