CN111797573A - 一种基于深度学习技术的电离层电子浓度总含量时序预测方法 - Google Patents
一种基于深度学习技术的电离层电子浓度总含量时序预测方法 Download PDFInfo
- Publication number
- CN111797573A CN111797573A CN202010668929.7A CN202010668929A CN111797573A CN 111797573 A CN111797573 A CN 111797573A CN 202010668929 A CN202010668929 A CN 202010668929A CN 111797573 A CN111797573 A CN 111797573A
- Authority
- CN
- China
- Prior art keywords
- model
- ionized layer
- tec
- ionosphere
- time sequence
- 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
Links
- 238000000034 method Methods 0.000 title claims abstract description 18
- 238000005516 engineering process Methods 0.000 title claims abstract description 12
- 238000013135 deep learning Methods 0.000 title claims abstract description 11
- 239000005433 ionosphere Substances 0.000 claims abstract description 40
- 230000006870 function Effects 0.000 claims abstract description 24
- 238000000354 decomposition reaction Methods 0.000 claims abstract description 16
- 230000005570 vertical transmission Effects 0.000 claims abstract description 12
- 238000005457 optimization Methods 0.000 claims abstract description 9
- 238000012360 testing method Methods 0.000 claims abstract description 8
- 238000012549 training Methods 0.000 claims abstract description 7
- 238000004458 analytical method Methods 0.000 claims abstract description 4
- 230000000694 effects Effects 0.000 claims description 15
- 210000002569 neuron Anatomy 0.000 claims description 6
- 238000012163 sequencing technique Methods 0.000 claims description 5
- 230000004913 activation Effects 0.000 claims description 3
- 238000004364 calculation method Methods 0.000 claims description 3
- 238000006243 chemical reaction Methods 0.000 claims description 3
- 238000004891 communication Methods 0.000 claims description 3
- 238000010835 comparative analysis Methods 0.000 claims description 3
- 239000002131 composite material Substances 0.000 claims description 3
- 238000009499 grossing Methods 0.000 claims description 3
- 238000012886 linear function Methods 0.000 claims description 3
- 238000011425 standardization method Methods 0.000 claims description 2
- 230000007547 defect Effects 0.000 abstract description 3
- 238000010276 construction Methods 0.000 abstract 1
- 238000012935 Averaging Methods 0.000 description 2
- 230000009471 action Effects 0.000 description 1
- 230000004075 alteration Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 230000007423 decrease Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000007935 neutral effect Effects 0.000 description 1
- 230000005855 radiation Effects 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 238000002759 z-score normalization Methods 0.000 description 1
Images
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
- G06F30/27—Design optimisation, verification or simulation using machine learning, e.g. artificial intelligence, neural networks, support vector machines [SVM] or training a model
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"
Landscapes
- Engineering & Computer Science (AREA)
- Business, Economics & Management (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Strategic Management (AREA)
- Economics (AREA)
- Evolutionary Computation (AREA)
- Human Resources & Organizations (AREA)
- General Physics & Mathematics (AREA)
- Development Economics (AREA)
- Artificial Intelligence (AREA)
- Tourism & Hospitality (AREA)
- Operations Research (AREA)
- General Business, Economics & Management (AREA)
- Marketing (AREA)
- Entrepreneurship & Innovation (AREA)
- Quality & Reliability (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Game Theory and Decision Science (AREA)
- Medical Informatics (AREA)
- Software Systems (AREA)
- Computer Hardware Design (AREA)
- Geometry (AREA)
- General Engineering & Computer Science (AREA)
- Position Fixing By Use Of Radio Waves (AREA)
Abstract
本发明公开了一种基于深度学习技术的电离层电子浓度总含量时序预测方法,包括求电离层垂直传输延迟值、计算GPS相位平滑伪距、转化垂直方向的电子浓度总含量VTEC、EEMD分解、模型构建、模型训练、模型预测、模型测试结果以及不同模型的精度分析的步骤;本发明涉及的电离层电子浓度总含量时序预测方法更加科学合理,通过利用电离层时变性对半变异函数进行了优化,构建了灵活可调的半变异函数,充分有效利用了电离层VTEC在时间域上的结构变化和空间域上的相关性、结构性与变异性特征,基于此实现了电离层VTEC克里金空间优化实时建模,规避了函数模型的弊端,较好的实现了电离层电子浓度总含量GPS、TEC的时序预测。
Description
技术领域
本发明涉及电离层领域,具体为一种基于深度学习技术的电离层电子浓度总含量时序预测方法。
背景技术
地球大气的一个电离层,由于太阳辐射和地球以外各种射线的电离作用,距地球表面60千米以上的整个地球大气层都处于完全电离或是部分电离的状态,磁层是完全电离的区域,而电离层则是部分电离的大气区域,电离层的特性可以由一些基本参数来表示,主要的参数有电子密度、电子温度、离子密度、离子温度等,电离层各个高度上的大气成分、大气密度等因素都会使电子密度发生变化,电子密度也是随电离层的高度而发生变化的,在60公里以上的区域,电子密度先是随着电离层高度的升高而增加,当到达某个最大值的时候,又随着电离层的高度增加而减少,根据电离层中不同电子密度最大值所在区域的高度不同,各层的临界频率是和该层的最大电子浓度相对应的,即反映了该层最大电子密度的变化情况。
由于电离层受太阳与地磁活动以及中性风等外部综合效应的影响,使其具有空间相关性、变异性且随机变化的特性,自然因素和认为因素都会引起电离层的扰动,地球磁场会严重影响电离层的状态,另外,磁暴和太阳耀斑等活动也会引起电离层暴,影响电离层的各个参数,因此需要对电离层电子浓度总含量时序进行预测,为此,我们提出一种基于深度学习技术的电离层电子浓度总含量时序预测方法。
发明内容
本发明的目的在于提供一种基于深度学习技术的电离层电子浓度总含量时序预测方法,以解决背景技术中提出的问题。
为实现上述目的,本发明提供如下技术方案:一种基于深度学习技术的电离层电子浓度总含量时序预测方法,其特征在于,包括以下步骤:
S1:根据GNSS基准站的原始观测数据包括的伪距观测量和载波相位观测量,计算GNSS基准站在卫星视线方向上的电离层电子浓度总含量的信息;
S2:通过卫星导航接收机接收广域增强信息,获得电离层格网点排序信息及其相应的电离层垂直传输延迟值;
S3:探测并修复GPS周跳,并计算GPS相位平滑伪距;
S4:计算通信链路的路径中间点的加权电离层垂直传输延迟值,将加权电离层垂直传输延迟值转换为电离层电子浓度总含量值TEC;
S5:EEMD分解:选区高斯白噪声0.2倍标准差,加入到TEC时间序列中,对复合序列进行100次EMD分解得到一系列不同频率且特征单一的IMF分量;
S6:将卫星视线方向LOS的电离层TEC(STEC)转化为垂直方向的电子浓度总含量VTEC,转化公式为:STEC=VTEC·F(Z);
S7:在卫星导航接收机上输入电离层电子浓度总含量值TEC,将输入的电离层电子浓度总含量值TEC时间序列,通过经验模态分解算法进行多时间尺度分解,得到n个本征模态函数分量和一个趋势分量,其中n为大于1的自然数;
S8:模型构建:使用的数据包括电离层TEC、太阳活动指数F1Q.7、地磁活动指数ap、太阳风速度up和行星际磁场南向分量,数据时间范围为1990-2016年,取2001和2015年的数据作为测试数据集,测试年份的太阳活动性和地磁扰动情况;
S9:模型训练:设模型的输入X经过隐藏层计算后的输出为P={P1,P2,…,PL},Pp=GRUforward(Xp,Cp-1,Hp-1),其中Cp-1和Hp-1分别表示上一时刻GRU神经元的状态和输出,Xp表示当前时刻的输入,GRUforward表示GRU神经元的更新公式,将loss函数最小作为模型优化目标,应用Adma优化算法不断更新网络权重,得到最终的GRU模型;
S10:模型预测:利用训练好的模型(记为GRUnet)采用迭代的方法进行预测,将训练集最后一组数据输入GRUnet得到输出结果为:Pf=GRUnet(Yf)={pm-L+2},将新序列输入到模型中则可获取m+2时刻的预测值pm+2,依次计算得到预测序列,反标准化则可得到最终的预测结果;
S11:模型测试结果:定义AP指数低于20时为地磁平静,考虑地磁扰动对电离层有持续影响,若地磁活动水平连续三天均平静,则为电离层宁静期,即当日和前两日AP指数均低于20,否则为电离层扰动期,分别计算模型预测扰动期和宁静期TEC的RMSE,并且为了更直观评估模型对电离层暴的预测结果,计算电离层TEC相对于其27天(前后各13天)滑动中值的相对偏差;
S12:不同模型的精度分析:为了验证LSTM模型的预报精度,采用BPNN模型和RNN模型进行对比分析。以预测拟合电离层TEC值图形与计算误差的形式来实证其差异。
优选的,所述S6中投影函数Z为测站接收机处卫星天顶距;Z′为穿刺点处卫星天顶距;Re为地球半径;Rr为测站接收机到地心的距离;Hion为电离层薄层高度;α=0.9782为比例因子。
优选的,所述S4中的电离层电子浓度总含量值TEC时间序列,在进行多时间尺度分解之前采用Z-SCORE标准化方法进行数据的标准化处理。
优选的,所述S9中对得到的各分量和趋势项进行标准化建立LSTM模型,激活函数为线性函数,优化器为Adma算法,目标函数为均方差。
与现有技术相比,本发明的有益效果是:本发明涉及的电离层电子浓度总含量时序预测方法更加科学合理,通过求平均值,求电离层格网点排序信息及其相应的电离层垂直传输延迟值的操作达到数据平滑,通过利用电离层时变性对半变异函数进行了优化,构建了灵活可调的半变异函数,充分有效利用了电离层VTEC在时间域上的结构变化和空间域上的相关性、结构性与变异性特征,基于此实现了电离层VTEC克里金空间优化实时建模,规避了函数模型的弊端,较好的实现了电离层电子浓度总含量GPS、TEC的时序预测。
附图说明
图1为2001和2015年F1Q.7指数及ap指数的变化示意图;
图2为RNN、LSTM、BPNN 3种模型的预报结果对比图。
具体实施方式
下面将结合本发明实施例中的附图,对本发明实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例仅仅是本发明一部分实施例,而不是全部的实施例。基于本发明中的实施例,本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例,都属于本发明保护的范围。
请参阅图1-图2,本发明提供一种技术方案:一种基于深度学习技术的电离层电子浓度总含量时序预测方法,包括以下步骤:
S1:根据GNSS基准站的原始观测数据包括的伪距观测量和载波相位观测量,计算GNSS基准站在卫星视线方向上的电离层电子浓度总含量的信息;
S2:通过卫星导航接收机接收广域增强信息,获得电离层格网点排序信息及其相应的电离层垂直传输延迟值;
S3:探测并修复GPS周跳,并计算GPS相位平滑伪距;
S4:计算通信链路的路径中间点的加权电离层垂直传输延迟值,将加权电离层垂直传输延迟值转换为电离层电子浓度总含量值TEC;
S5:EEMD分解:选区高斯白噪声0.2倍标准差,加入到TEC时间序列中,对复合序列进行100次EMD分解得到一系列不同频率且特征单一的IMF分量;
S6:将卫星视线方向LOS的电离层TEC(STEC)转化为垂直方向的电子浓度总含量VTEC,转化公式为:STEC=VTEC·F(Z);
S7:在卫星导航接收机上输入电离层电子浓度总含量值TEC,将输入的电离层电子浓度总含量值TEC时间序列,通过经验模态分解算法进行多时间尺度分解,得到n个本征模态函数分量和一个趋势分量,其中n为大于1的自然数;
S8:模型构建:使用的数据包括电离层TEC、太阳活动指数F1Q.7、地磁活动指数ap、太阳风速度up和行星际磁场南向分量,数据时间范围为1990-2016年,取2001和2015年的数据作为测试数据集,测试年份的太阳活动性和地磁扰动情况如图1所示;图1为2001和2015年F1Q.7指数及ap指数的变化示意图;
S9:模型训练:设模型的输入X经过隐藏层计算后的输出为P={P1,P2,…,PL},Pp=GRUforward(Xp,Cp-1,Hp-1),其中Cp-1和Hp-1分别表示上一时刻GRU神经元的状态和输出,Xp表示当前时刻的输入,GRUforward表示GRU神经元的更新公式,将loss函数最小作为模型优化目标,应用Adma优化算法不断更新网络权重,得到最终的GRU模型;
S10:模型预测:利用训练好的模型(记为GRUnet)采用迭代的方法进行预测,将训练集最后一组数据输入GRUnet得到输出结果为:Pf=GRUnet(Yf)={pm-L+2},将新序列输入到模型中则可获取m+2时刻的预测值pm+2,依次计算得到预测序列,反标准化则可得到最终的预测结果;
S11:模型测试结果:定义AP指数低于20时为地磁平静,考虑地磁扰动对电离层有持续影响,若地磁活动水平连续三天均平静,则为电离层宁静期,即当日和前两日AP指数均低于20,否则为电离层扰动期,分别计算模型预测扰动期和宁静期TEC的RMSE,并且为了更直观评估模型对电离层暴的预测结果,计算电离层TEC相对于其27天(前后各13天)滑动中值的相对偏差;
S12:不同模型的精度分析:为了验证LSTM模型的预报精度,采用BPNN模型和RNN模型进行对比分析。以预测拟合电离层TEC值图形与计算误差的形式来实证其差异;图2为RNN、LSTM、BPNN 3种模型的预报结果对比图;其中横坐标为预测历元的个数,1h为一个历元;纵坐标表示TEC值(以TECu个数计);由图2可以看出相较于其他模型LSTM模型的预测结果明显优于RNN模型和BPNN模型,能够更好的拟合IGS中心提供的TEC值,误差更小;计算不同模型在不同纬度预测结果的性能可以看出LSTM模型的MAD和RMSE的值是上述模型中最小的,即LSTM模型的预测误差比BPNN、RNN模型都小,预测精度更高,同时LSTM模型的预报精度在不同纬度地区的略有差异,低纬度和高纬度地区预报结果的平均绝对百分比误差明显高于高纬度地区,这是由于在不同纬度地区TEC值含量有很大不同所导致的;
S6中投影函数Z为测站接收机处卫星天顶距;Z′为穿刺点处卫星天顶距;Re为地球半径;Rr为测站接收机到地心的距离;Hion为电离层薄层高度;α=0.9782为比例因子。
S4中的电离层电子浓度总含量值TEC时间序列,在进行多时间尺度分解之前采用Z-SCORE标准化方法进行数据的标准化处理。
S9中对得到的各分量和趋势项进行标准化建立LSTM模型,激活函数为线性函数,优化器为Adma算法,目标函数为均方差。
本发明涉及的电离层电子浓度总含量时序预测方法更加科学合理,通过求平均值,求电离层格网点排序信息及其相应的电离层垂直传输延迟值的操作达到数据平滑,通过利用电离层时变性对半变异函数进行了优化,构建了灵活可调的半变异函数,充分有效利用了电离层VTEC在时间域上的结构变化和空间域上的相关性、结构性与变异性特征,基于此实现了电离层VTEC克里金空间优化实时建模,规避了函数模型的弊端,较好的实现了电离层电子浓度总含量GPS、TEC的时序预测。
尽管已经示出和描述了本发明的实施例,对于本领域的普通技术人员而言,可以理解在不脱离本发明的原理和精神的情况下可以对这些实施例进行多种变化、修改、替换和变型,本发明的范围由所附权利要求及其等同物限定。
Claims (4)
1.一种基于深度学习技术的电离层电子浓度总含量时序预测方法,其特征在于,包括以下步骤:
S1:根据GNSS基准站的原始观测数据包括的伪距观测量和载波相位观测量,计算GNSS基准站在卫星视线方向上的电离层电子浓度总含量的信息;
S2:通过卫星导航接收机接收广域增强信息,获得电离层格网点排序信息及其相应的电离层垂直传输延迟值;
S3:探测并修复GPS周跳,并计算GPS相位平滑伪距;
S4:计算通信链路的路径中间点的加权电离层垂直传输延迟值,将加权电离层垂直传输延迟值转换为电离层电子浓度总含量值TEC;
S5:EEMD分解:选区高斯白噪声0.2倍标准差,加入到TEC时间序列中,对复合序列进行100次EMD分解得到一系列不同频率且特征单一的IMF分量;
S6:将卫星视线方向LOS的电离层TEC(STEC)转化为垂直方向的电子浓度总含量VTEC,转化公式为:STEC=VTEC·F(Z);
S7:在卫星导航接收机上输入电离层电子浓度总含量值TEC,将输入的电离层电子浓度总含量值TEC时间序列,通过经验模态分解算法进行多时间尺度分解,得到n个本征模态函数分量和一个趋势分量,其中n为大于1的自然数;
S8:模型构建:使用的数据包括电离层TEC、太阳活动指数F1Q.7、地磁活动指数ap、太阳风速度up和行星际磁场南向分量,数据时间范围为1990-2016年,取2001和2015年的数据作为测试数据集,测试年份的太阳活动性和地磁扰动情况;
S9:模型训练:设模型的输入X经过隐藏层计算后的输出为P={P1,P2,…,PL},Pp=GRUforward(Xp,Cp-1,Hp-1),其中Cp-1和Hp-1分别表示上一时刻GRU神经元的状态和输出,Xp表示当前时刻的输入,GRUforward表示GRU神经元的更新公式,将loss函数最小作为模型优化目标,应用Adma优化算法不断更新网络权重,得到最终的GRU模型;
S10:模型预测:利用训练好的模型(记为GRUnet)采用迭代的方法进行预测,将训练集最后一组数据输入GRUnet得到输出结果为:Pf=GRUnet(Yf)={pm-L+2},将新序列输入到模型中则可获取m+2时刻的预测值pm+2,依次计算得到预测序列,反标准化则可得到最终的预测结果;
S11:模型测试结果:定义AP指数低于20时为地磁平静,考虑地磁扰动对电离层有持续影响,若地磁活动水平连续三天均平静,则为电离层宁静期,即当日和前两日AP指数均低于20,否则为电离层扰动期,分别计算模型预测扰动期和宁静期TEC的RMSE,并且为了更直观评估模型对电离层暴的预测结果,计算电离层TEC相对于其27天(前后各13天)滑动中值的相对偏差;
S12:不同模型的精度分析:为了验证LSTM模型的预报精度,采用BPNN模型和RNN模型进行对比分析。以预测拟合电离层TEC值图形与计算误差的形式来实证其差异。
2.根据权利要求1所述的一种基于深度学习技术的电离层电子浓度总含量时序预测方法,其特征在于:所述S6中投影函数Z为测站接收机处卫星天顶距;Z′为穿刺点处卫星天顶距;Re为地球半径;Rr为测站接收机到地心的距离;Hion为电离层薄层高度;α=0.9782为比例因子。
3.根据权利要求1所述的一种基于深度学习技术的电离层电子浓度总含量时序预测方法,其特征在于:所述S4中的电离层电子浓度总含量值TEC时间序列,在进行多时间尺度分解之前采用Z-SCORE标准化方法进行数据的标准化处理。
4.根据权利要求1所述的一种基于深度学习技术的电离层电子浓度总含量时序预测方法,其特征在于:所述S9中对得到的各分量和趋势项进行标准化建立LSTM模型,激活函数为线性函数,优化器为Adma算法,目标函数为均方差。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010668929.7A CN111797573A (zh) | 2020-07-13 | 2020-07-13 | 一种基于深度学习技术的电离层电子浓度总含量时序预测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010668929.7A CN111797573A (zh) | 2020-07-13 | 2020-07-13 | 一种基于深度学习技术的电离层电子浓度总含量时序预测方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN111797573A true CN111797573A (zh) | 2020-10-20 |
Family
ID=72808422
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010668929.7A Pending CN111797573A (zh) | 2020-07-13 | 2020-07-13 | 一种基于深度学习技术的电离层电子浓度总含量时序预测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111797573A (zh) |
Cited By (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112231987A (zh) * | 2020-11-04 | 2021-01-15 | 华东交通大学 | 一种基于VMD与Elman神经网络的电离层预报方法 |
CN113361476A (zh) * | 2021-07-02 | 2021-09-07 | 中国地震局地震预测研究所 | 一种基于人工智能技术的张衡一号震前异常信号识别方法 |
CN113591991A (zh) * | 2021-08-02 | 2021-11-02 | 中国民航大学 | 一种结合电离层层析技术的电离层tec组合预测方法 |
CN115062526A (zh) * | 2022-02-22 | 2022-09-16 | 中国科学院自动化研究所 | 基于深度学习的三维电离层电子浓度分布模型训练方法 |
CN116400385A (zh) * | 2023-03-21 | 2023-07-07 | 湖北珞珈实验室 | 一种底层大气与电离层耦合异常探测系统及方法 |
CN116611329A (zh) * | 2023-05-19 | 2023-08-18 | 复旦大学 | 基于深度算子网络的电离层电子总含量的四维估计方法 |
CN116882594A (zh) * | 2023-09-06 | 2023-10-13 | 数字太空(北京)智能技术研究院有限公司 | 基于有限递归和深度学习的地磁ap指数中期预报方法 |
Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110441795A (zh) * | 2019-08-13 | 2019-11-12 | 苏州时空复弦网络科技有限公司 | 一种基于时空结构信息的中国区域电离层vtec精确建模方法 |
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 |
-
2020
- 2020-07-13 CN CN202010668929.7A patent/CN111797573A/zh active Pending
Patent Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110441795A (zh) * | 2019-08-13 | 2019-11-12 | 苏州时空复弦网络科技有限公司 | 一种基于时空结构信息的中国区域电离层vtec精确建模方法 |
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 |
Non-Patent Citations (4)
Title |
---|
吉长东等: "深度学习LSTM 模型的电离层总电子含量预报", 导航定位学报 * |
房成贺等: "综合伪距相位观测的实时电离层延迟格网改正算法研究", 大地测量与地球动力学 * |
袁天娇等: "基于深度学习递归神经网络的电离层总电子含量经验预报模型", 空间科学学报 * |
马国辉等: "基于深度学习GRU 模型的电离层总电子含量预报", 测绘与空间地理信息 * |
Cited By (14)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112231987B (zh) * | 2020-11-04 | 2022-05-17 | 华东交通大学 | 一种基于VMD与Elman神经网络的电离层预报方法 |
CN112231987A (zh) * | 2020-11-04 | 2021-01-15 | 华东交通大学 | 一种基于VMD与Elman神经网络的电离层预报方法 |
CN113361476B (zh) * | 2021-07-02 | 2023-07-25 | 中国地震局地震预测研究所 | 一种基于人工智能技术的张衡一号震前异常信号识别方法 |
CN113361476A (zh) * | 2021-07-02 | 2021-09-07 | 中国地震局地震预测研究所 | 一种基于人工智能技术的张衡一号震前异常信号识别方法 |
CN113591991A (zh) * | 2021-08-02 | 2021-11-02 | 中国民航大学 | 一种结合电离层层析技术的电离层tec组合预测方法 |
CN113591991B (zh) * | 2021-08-02 | 2023-10-17 | 中国民航大学 | 一种结合电离层层析技术的电离层tec组合预测方法 |
CN115062526A (zh) * | 2022-02-22 | 2022-09-16 | 中国科学院自动化研究所 | 基于深度学习的三维电离层电子浓度分布模型训练方法 |
CN115062526B (zh) * | 2022-02-22 | 2024-05-28 | 中国科学院自动化研究所 | 基于深度学习的三维电离层电子浓度分布模型训练方法 |
CN116400385A (zh) * | 2023-03-21 | 2023-07-07 | 湖北珞珈实验室 | 一种底层大气与电离层耦合异常探测系统及方法 |
CN116400385B (zh) * | 2023-03-21 | 2024-01-12 | 湖北珞珈实验室 | 一种底层大气与电离层耦合异常探测系统及方法 |
CN116611329A (zh) * | 2023-05-19 | 2023-08-18 | 复旦大学 | 基于深度算子网络的电离层电子总含量的四维估计方法 |
CN116611329B (zh) * | 2023-05-19 | 2024-05-03 | 复旦大学 | 基于深度算子网络的电离层电子总含量的四维估计方法 |
CN116882594A (zh) * | 2023-09-06 | 2023-10-13 | 数字太空(北京)智能技术研究院有限公司 | 基于有限递归和深度学习的地磁ap指数中期预报方法 |
CN116882594B (zh) * | 2023-09-06 | 2023-12-01 | 数字太空(北京)智能技术研究院有限公司 | 基于有限递归和深度学习的地磁ap指数中期预报方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111797573A (zh) | 一种基于深度学习技术的电离层电子浓度总含量时序预测方法 | |
CN113379107B (zh) | 基于lstm和gcn的区域电离层tec预报方法 | |
CN111665575B (zh) | 一种基于统计动力的中长期降雨分级耦合预报方法及系统 | |
CN109145434A (zh) | 一种利用改进bp神经网络预测广播星历轨道误差的方法 | |
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 | |
Inyurt et al. | Regional application of ANFIS in ionosphere time series prediction at severe solar activity period | |
CN113704693A (zh) | 一种高精度的有效波高数据估计方法 | |
CN115951430A (zh) | 一种基于lstm的地磁指数预报方法 | |
Otsuka et al. | GSMaP RIKEN Nowcast: Global precipitation nowcasting with data assimilation | |
Natras et al. | Regional ionosphere delay models based on CORS data and machine learning | |
Chen et al. | Establishment and assessment of hourly high‐resolution gridded air temperature data sets in Zhejiang, China | |
Kotulak et al. | Sibsonian and non-Sibsonian natural neighbour interpolation of the total electron content value | |
CN116933083A (zh) | 一种电离层总电子含量预测方法、系统、电子设备及介质 | |
CN111932017A (zh) | 一种适合于单站电离层tec的短期预报方法 | |
CN116050163A (zh) | 一种基于气象站的生态系统碳水通量计算方法及系统 | |
CN114089443B (zh) | 一种基于tec积分量及季节变化系数的uhf频段电离层闪烁事件预报方法 | |
Tian et al. | Estimation model of global ionospheric irregularities: an artificial intelligence approach | |
Chu et al. | A machine learning-based method for wind fields forecasting utilizing GNSS radio occultation data | |
CN115062526A (zh) | 基于深度学习的三维电离层电子浓度分布模型训练方法 | |
Shi et al. | A Grey Model for Short-Term Prediction of the Ionospheric TEC | |
Heo et al. | Bayesian spatial modeling of precipitation data | |
Song et al. | Performance evaluation of modified IRI2016 and its application to the 24 hr ahead forecast foF2 mapping over China | |
Maryam et al. | New optimization methods for designing rain stations network using new neural network, election, and whale optimization algorithms by combining the Kriging method | |
CN117634325B (zh) | 资料受限河口区域极值事件识别和复合洪水灾害分析方法和系统 | |
Wu et al. | The Offset Position Prediction of Light Buoy Based on Grey Optimization Multiplicative Seasonal Model |
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 | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20201020 |
|
RJ01 | Rejection of invention patent application after publication |