时间是自然界里最基本的物理度量之一。事实上,它也决定了卫星导航定位系统的发展与应用。卫星导航定位系统对目标的距离和位置的精确量测,实质上是对卫星与目标之间电磁波传递的时间上的精密测量。卫星定位的过程中信号传播受到电离层中折射延时、对流层中折射延时和由地面附近环境反射信号而产生的多路径、以及卫星钟差等等误差因素的影响,而这些都可用时间来度量。由于卫星钟差对卫星导航和定位有着重要的影响,要实时获得高精度的卫星钟差还有待于开展很多的研究工作,如提高原子钟的稳定度、改进或探索预报模型等等,所以本文将着重围绕卫星钟差预报进行研究。从模型方面对卫星钟差的预报,已有几种常用的模型:二次多项式模型、灰色系统模型、时间序列模型和神经网络模型等等。随着对神经网络模型的发展与研究,本文将基于极限学习机(Extreme Learning Machine,ELM)这种新的前向型神经网络模型运用在卫星钟差的预报。以卫星钟差为数据源,探讨了ELM中在不同输入量情况下的ELM预报性能;针对极限学习机自身存在的不足,从隐含层节点个数优化、寻找最佳的随机给定参数对ELM进行优化改进,并比较了不同激励函数对ELM预报的影响。本文将其与ELM及其改进模型的卫星钟差结果与二次多项式模型、RBF神经网络以及灰色系统模型作为参考模型对卫星钟差预报的结果进行对比,预报实验表明,经过改进的极限学习机在一天内预报精度较其他的模型高,一天内预报误差的方差最好的可以达到0.38ns,得出该模型相对其他模型在短期的卫星钟差预报有较大的优势,具有结构简单、较快的学习速度、良好的泛化能力。