CN109214091A - 基于elm的电离层f2层临界频率的预测方法 - Google Patents

基于elm的电离层f2层临界频率的预测方法 Download PDF

Info

Publication number
CN109214091A
CN109214091A CN201811047092.3A CN201811047092A CN109214091A CN 109214091 A CN109214091 A CN 109214091A CN 201811047092 A CN201811047092 A CN 201811047092A CN 109214091 A CN109214091 A CN 109214091A
Authority
CN
China
Prior art keywords
elm
model
fof2
data
elm model
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Pending
Application number
CN201811047092.3A
Other languages
English (en)
Inventor
马建国
白红梅
傅海鹏
吴淘锁
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Tianjin University
Original Assignee
Tianjin University
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Tianjin University filed Critical Tianjin University
Priority to CN201811047092.3A priority Critical patent/CN109214091A/zh
Publication of CN109214091A publication Critical patent/CN109214091A/zh
Pending legal-status Critical Current

Links

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F30/00—Computer-aided design [CAD]
    • G06F30/20—Design optimisation, verification or simulation
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F2111/00—Details relating to CAD techniques
    • G06F2111/10—Numerical modelling

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Computer Hardware Design (AREA)
  • Evolutionary Computation (AREA)
  • Geometry (AREA)
  • General Engineering & Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)

Abstract

本发明公开了一种基于ELM的电离层F2层临界频率的预测方法：获取foF2的影响因子和foF2小时值的实测数据，将数据分为3组，分别作为ELM模型的训练数据、测试数据和验证数据；确定ELM模型的输入变量和输出变量；将训练数据和测试数据导入ELM模型中，对ELM模型进行训练；比较ELM模型的预测误差RMSE和ELM模型精度期望值的大小，直到预测误差RMSE小于期望值，训练结束，确定最优ELM模型；将验证数据导入已经训练好的最优ELM模型中，得到精确的输出预测值。本发明能够实现对foF2的精准、快速预测。

Description

基于ELM的电离层F2层临界频率的预测方法
技术领域
本发明涉及一种涉及电离层参数建模领域，更具体的说，是涉及一种基于ELM的电离层F2层临界频率的预测方法。
背景技术
在过去的30年中，随着电子和通信等现代科技的迅速发展,许多科学技术的研究和应用都关注到大气对无线电波传播的影响。因此，充分了解电离层，是人类对自身生存环境认识和利用的重要基础。F2层的临界频率(F2-layer critical frequency,foF2)是主要的电离层特征参数，它的时空变化对高频通信、导航、全球定位卫星和高频无线电系统具有重要的影响。foF2的预测建模对于上述系统的开发具有指导意义。最常用的预测模型是国际参考电离层International Reference Ionosphere，IRI)模型，它包括由InternationalUnion ofRadio Science(URSI)和International Radio Consultative Committee(CCIR)提出的两个系数选项。然而，IRI模型是一个月平均值预测模型，对于短期foF2的预测精度不高。为此，许多研究人员根据历史数据建立了不同类型的预测foF2短期变化的行为模型，例如：线性回归模型、神经网络模型和支持向量机模型等等。但是，这些研究结果只关注了如何提高模型的预测精度，而忽略了模型训练速度的问题。实际上，对于一个预测模型而言，在保证预测精度的前提下提高模型的训练速度也是至关重要的。
发明内容
本发明的目的是为了克服现有技术中的不足，提出一种基于F2层的临界频率(foF2)及相关影响因子的实测数据，应用Extreme Learning Machine(ELM)，建立以小时值、日值、太阳活动指数和地磁指数作为输入变量的foF2的短期预测方法，即一种基于ELM的电离层F2层临界频率的预测方法，以实现对foF2的精准、快速预测。
本发明的目的是通过以下技术方案实现的。
本发明的基于ELM的电离层F2层临界频率的预测方法，包括以下步骤：
步骤一，获取foF2的影响因子(包括太阳活动指数、地磁活动指数)和foF2小时值的实测数据，将数据分为3组，分别作为ELM模型的训练数据、测试数据和验证数据；
步骤二，确定ELM模型的输入变量(小时值、日值、F10.7、SSN和AP)和输出变量(foF2小时值)；
步骤三，将训练数据和测试数据导入ELM模型中，对ELM模型进行训练；
步骤四，比较ELM模型的预测误差RMSE和ELM模型精度期望值的大小，如果预测误差RMSE小于期望值，则ELM模型训练完成，确定最优ELM模型；如果预测误差RMSE大于期望值，则需要通过调整参数(激励函数、隐藏层数和隐藏神经元个数)进行重新训练，直到预测误差RMSE小于期望值，训练结束，确定最优ELM模型；其中ELM模型的预测误差RMSEELM按以下公式计算：
其中，foF2obs表示为foF2的观测值，即输出变量中的测试数据；foF2pred·ELM表示预测值，即训练数据和测试数据导入ELM模型后的输出结果；N表示样本数量；
步骤五，将验证数据导入已经训练好的最优ELM模型中，得到精确的输出预测值，从而验证最优模型的泛化能力。
与现有技术相比，本发明的技术方案所带来的有益效果是：
本发明首次将ELM模型应用到电离层参数的预测建模中。相比于传统的神经网络，能够以更快地学习速度得到近似或略高的预测精度。此外，ELM与IRI模型相比较时，ELM展现出了更好的预测性能，在不同的三个太阳活动年(太阳活动低年(1997)、太阳活动高年(2000)、太阳活动中年(2013))比较两个模型每小时的预测误差时，基于ELM预测模型的RMSE在大部分时刻都低于IRI模型。综上所述，我们提出的基于ELM模型预测foF2的技术及方法，解决了传统神经网络模型训练速度慢及IRI模型预测精度不高的问题，为foF2的精准、实时预测提供了一种更为有效的方法。
附图说明
图1是本发明基于ELM的电离层F2层临界频率的预测方法的流程图；
图2是ELM与IRI(包含URSI和CCIR)在不同时刻的预测结果比较；
图3是ELM与IRI(包含URSI和CCIR)在不同太阳活动年全年平均误差比较结果。
具体实施方式
下面结合附图对本发明作进一步的描述。
本发明的基于ELM的电离层F2层临界频率的预测方法，如图1，包括以下步骤：
步骤一，准备预测模型使用数据：获取foF2的影响因子(包括太阳活动指数、地磁活动指数)和foF2小时值的实测数据，将数据分为3组，分别作为ELM模型的训练数据、测试数据和验证数据；
步骤二，确定ELM模型的输入变量(小时值、日值、F10.7、SSN和AP)和输出变量(foF2小时值)；
步骤三，将训练数据和测试数据导入ELM模型中，对ELM模型进行训练；
步骤四，比较ELM模型的预测误差RMSE和ELM模型精度期望值(即ELM最优模型的RMSE，以下简称期望值)的大小，如果预测误差RMSE小于期望值，则ELM模型训练完成，确定最优ELM模型；如果预测误差RMSE大于期望值，则需要通过调整参数(激励函数、隐藏层数和隐藏神经元个数)进行重新训练，直到预测误差RMSE小于期望值，训练结束，确定最优ELM模型。其中ELM模型的预测误差RMSEELM按以下公式计算：
其中，foF2obs表示为foF2的观测值，即输出变量中的测试数据；foF2pred·ELM表示预测值，即训练数据和测试数据导入ELM模型后的输出结果；N表示样本数量；
步骤五，将验证数据导入已经训练好的最优ELM模型中，得到精确的输出预测值，从而验证最优模型的泛化能力。
实施例一：
本发明提出了一种基于ELM的电离层F2层临界频率的预测方法。现结合澳大利亚Darwin站1995-2013年每天每小时foF2值的预测模型的建立方法对本发明进行详细的说明。在本实施例中，激励函数选取sigmoid，隐藏层神经元个数为50。
步骤一，获取foF2的影响因子(包括太阳活动指数、地磁活动指数)和foF2小时值的实测数据，将数据分为3组，分别作为ELM模型的训练数据、测试数据和验证数据。
其中，太阳活动指数和地磁活动指数都下载于美国国家海洋和大气管理局(http://www.noaa.gov)。foF2小时值的实测数据下载于澳大利亚政府气象局空间气象服务中心(http://www.sws.bom.gov.au)。
步骤二，确定ELM模型的输入变量(小时值、日值、F10.7、SSN和AP)和输出变量(foF2小时值)。其中，F10.7为10.7cm太阳辐射通量(10.7cm solar radio flux)，SSN为太阳黑子(sunspot number)，AP为地磁指数(3h planetary magnetic index)。
步骤三，将训练数据和测试数据导入ELM模型中，对ELM模型进行训练。
比较ELM模型的预测误差RMSE和ELM模型精度期望值(即ELM最优模型的RMSE，以下简称期望值)的大小，如果预测误差RMSE小于期望值，则ELM模型训练完成，确定最优ELM模型；如果预测误差RMSE大于期望值，则需要通过调整参数(激励函数、隐藏层数和隐藏神经元个数)进行重新训练，直到预测误差RMSE小于期望值，训练结束，确定最优ELM模型，即ELM模型的预测误差RMSEELM，按公式(1)计算。
步骤五，将验证数据导入已经训练好的最优ELM模型中，得到精确的输出预测值，从而验证最优模型的泛化能力。
计算IRI模型预测结果与观测值的RMSE：
其中，foF2obs表示为foF2的观测值，即输出变量中的测试数据；foF2pred·IRI表示IRI模型预测结果；N表示样本数量。
ELM模型较IRI模型的改进度的值为：
其中，RMSEIRI指的是IRI模型的CCIR或URSI选项的RMSE值，RMSEELM指的是ELM模型的RMSE值。
分析预测效果。如表格1所示，相比于传统的神经网络，ELM模型可以在保证学习精度的前提下比传统的神经网络模型训练速度更快。与国际参考电离层(IRI)模型比较，ELM展现出了更好的预测优势。如图2所示，在1997年的每一个时刻，ELM模型的预测RMSE都低于IRI模型预测的RMSE，最优的改进度的值(foF2IMP(％))达到73.9％。在2000年，除了1UT、9UT、12-14UT、20UT，其余时刻的预测RMSE都低于IRI模型预测的RMSE，最优的foF2IMP(％)达到44.2％。在2013年，除1UT以外全部时刻的预测RMSE都低于IRI模型预测的RMSE，最优的foF2IMP(％)达到56.5％。从图3可以很明显的观察到，在三个不同的太阳活动年，ELM模型获得的RMSE低于IRI(包括URSI和CCIR选项)模型。1997年和2013年，ELM模型对URSI和CCIR的年平均foF2IMP(％)均大于40％。2000年，对URSI和CCIR的年平均foF2IMP(％)分别为27.2％和33.3％。
表1在不同时刻ELM与BP预测的RMSE和模型训练时间的比较
综上所述，应用ELM建立foF2的预测模型，不仅克服了传统神经网络模型的速度慢的问题，而且预测效果优于IRI模型。换句话说，ELM模型为foF2的预测提供了一种更为有效的方法。
尽管上面对本发明进行了描述，但本发明并不局限于上述，在不脱离本发明保护的范围情况下，还可做出很多形式，这些均属于本发明的保护之内。

Claims (1)

1.一种基于ELM的电离层F2层临界频率的预测方法，其特征在于，包括以下步骤：
步骤一，获取foF2的影响因子(包括太阳活动指数、地磁活动指数)和foF2小时值的实测数据，将数据分为3组，分别作为ELM模型的训练数据、测试数据和验证数据；
步骤二，确定ELM模型的输入变量(小时值、日值、F10.7、SSN和AP)和输出变量(foF2小时值)；
步骤三，将训练数据和测试数据导入ELM模型中，对ELM模型进行训练；
步骤四，比较ELM模型的预测误差RMSE和ELM模型精度期望值的大小，如果预测误差RMSE小于期望值，则ELM模型训练完成，确定最优ELM模型；如果预测误差RMSE大于期望值，则需要通过调整参数(激励函数、隐藏层数和隐藏神经元个数)进行重新训练，直到预测误差RMSE小于期望值，训练结束，确定最优ELM模型；其中ELM模型的预测误差RMSEELM按以下公式计算：
其中，foF2obs表示为foF2的观测值，即输出变量中的测试数据；foF2pred·ELM表示预测值，即训练数据和测试数据导入ELM模型后的输出结果；N表示样本数量；
步骤五，将验证数据导入已经训练好的最优ELM模型中，得到精确的输出预测值，从而验证最优模型的泛化能力。
CN201811047092.3A 2018-09-08 2018-09-08 基于elm的电离层f2层临界频率的预测方法 Pending CN109214091A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201811047092.3A CN109214091A (zh) 2018-09-08 2018-09-08 基于elm的电离层f2层临界频率的预测方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201811047092.3A CN109214091A (zh) 2018-09-08 2018-09-08 基于elm的电离层f2层临界频率的预测方法

Publications (1)

Publication Number Publication Date
CN109214091A true CN109214091A (zh) 2019-01-15

Family

ID=64987838

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201811047092.3A Pending CN109214091A (zh) 2018-09-08 2018-09-08 基于elm的电离层f2层临界频率的预测方法

Country Status (1)

Country Link
CN (1) CN109214091A (zh)

Cited By (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111160646A (zh) * 2019-12-30 2020-05-15 北京航空航天大学 一种基于深度学习框架的全球电离层总电子含量预测方法
CN112508262A (zh) * 2020-12-02 2021-03-16 西安邮电大学 一种利用神经网络预测电离层频率扩展f发生概率的方法
CN112860593A (zh) * 2021-02-09 2021-05-28 山东英信计算机技术有限公司 一种存储系统的gc性能预测方法、系统、介质及设备
CN113139327A (zh) * 2020-01-19 2021-07-20 中国科学院国家空间科学中心 一种基于gru网络模型的电离层tec单点预测方法及系统
CN113640863A (zh) * 2021-08-06 2021-11-12 应急管理部国家自然灾害防治研究院 检测电离层测高仪foF2扰动的方法、相关设备

Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN107911185A (zh) * 2017-11-03 2018-04-13 中国电波传播研究所（中国电子科技集团公司第二十二研究所） 一种适用于电离层暴期间短波链路的最高可用频率计算方法
CN107977535A (zh) * 2017-12-22 2018-05-01 天津大学 一种基于elm的射频功放温度特性建模方法

Patent Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN107911185A (zh) * 2017-11-03 2018-04-13 中国电波传播研究所（中国电子科技集团公司第二十二研究所） 一种适用于电离层暴期间短波链路的最高可用频率计算方法
CN107977535A (zh) * 2017-12-22 2018-05-01 天津大学 一种基于elm的射频功放温度特性建模方法

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
E. O. OYEYEMI: "On the global model for foF2 using neural networks" *

Cited By (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111160646A (zh) * 2019-12-30 2020-05-15 北京航空航天大学 一种基于深度学习框架的全球电离层总电子含量预测方法
CN113139327A (zh) * 2020-01-19 2021-07-20 中国科学院国家空间科学中心 一种基于gru网络模型的电离层tec单点预测方法及系统
CN113139327B (zh) * 2020-01-19 2024-03-12 中国科学院国家空间科学中心 一种基于gru网络模型的电离层tec单点预测方法及系统
CN112508262A (zh) * 2020-12-02 2021-03-16 西安邮电大学 一种利用神经网络预测电离层频率扩展f发生概率的方法
CN112860593A (zh) * 2021-02-09 2021-05-28 山东英信计算机技术有限公司 一种存储系统的gc性能预测方法、系统、介质及设备
CN113640863A (zh) * 2021-08-06 2021-11-12 应急管理部国家自然灾害防治研究院 检测电离层测高仪foF2扰动的方法、相关设备

Similar Documents

Publication Publication Date Title
CN109214091A (zh) 基于elm的电离层f2层临界频率的预测方法
CN107703564B (zh) 一种降雨预测方法、系统及电子设备
Habarulema et al. Prediction of global positioning system total electron content using neural networks over South Africa
CN113156439B (zh) 一种基于数据驱动的sar风场海浪联合反演方法及系统
EP3794386B1 (en) Determination of location-specific weather information for agronomic decision support
CN107679476B (zh) 一种海冰类型遥感分类方法
Liu et al. A new statistical downscaling model for autumn precipitation in China
CN106251027B (zh) 基于模糊支持向量分位数回归的电力负荷概率密度预测方法
Frolov et al. Improved statistical prediction of surface currents based on historic HF-radar observations
CN110909447B (zh) 一种高精度电离层区域短期预报方法
Yue et al. Statistical analysis on spatial correlation of ionospheric day-to-day variability by using GPS and Incoherent Scatter Radar observations
Yan et al. Robustness analysis and new hybrid algorithm of wideband source localization for acoustic sensor networks
CN113420939A (zh) 云图预报方法、设备及存储介质
CN109919515A (zh) 生态环境质量评价方法及装置
CN113255239A (zh) 用于预测超高压输电线路杆塔覆冰厚度的深度学习方法
CN111079835B (zh) 一种基于深度全连接网络的Himawari-8大气气溶胶反演方法
CN113139327B (zh) 一种基于gru网络模型的电离层tec单点预测方法及系统
Liu et al. The relationship among probabilistic, deterministic and potential skills in predicting the ENSO for the past 161 years
Yang et al. One day ahead prediction of global TEC using Pix2pixhd
CN117933095A (zh) 一种基于机器学习的地表发射率实时反演及同化方法
Feng A new method for ionospheric short-term forecast using similar-day modeling
Yang et al. An analysis and assessment of kriging interpolation algorithm for merging meteorological high-resolution precipitation
Chen et al. Forecasting the ionospheric f0F2 parameter one hour ahead using a support vector machine technique
Sun et al. Statistical downscaling prediction of sea surface winds over the global ocean
Gillard et al. Assessment of the acoustic adaptation hypothesis in frogs using large‐scale citizen science data

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination
WD01 Invention patent application deemed withdrawn after publication
WD01 Invention patent application deemed withdrawn after publication

Application publication date: 20190115