CN113591991B - 一种结合电离层层析技术的电离层tec组合预测方法 - Google Patents

一种结合电离层层析技术的电离层tec组合预测方法 Download PDF

Info

Publication number
CN113591991B
CN113591991B CN202110880389.3A CN202110880389A CN113591991B CN 113591991 B CN113591991 B CN 113591991B CN 202110880389 A CN202110880389 A CN 202110880389A CN 113591991 B CN113591991 B CN 113591991B
Authority
CN
China
Prior art keywords
ionospheric
vtec
sequence
total electron
electron content
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.)
Active
Application number
CN202110880389.3A
Other languages
English (en)
Other versions
CN113591991A (zh
Inventor
尹萍
闫晓鹏
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.)
Civil Aviation University of China
Original Assignee
Civil Aviation University of China
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 Civil Aviation University of China filed Critical Civil Aviation University of China
Priority to CN202110880389.3A priority Critical patent/CN113591991B/zh
Publication of CN113591991A publication Critical patent/CN113591991A/zh
Application granted granted Critical
Publication of CN113591991B publication Critical patent/CN113591991B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
    • G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01S—RADIO DIRECTION-FINDING; RADIO NAVIGATION; DETERMINING DISTANCE OR VELOCITY BY USE OF RADIO WAVES; LOCATING OR PRESENCE-DETECTING BY USE OF THE REFLECTION OR RERADIATION OF RADIO WAVES; ANALOGOUS ARRANGEMENTS USING OTHER WAVES
    • G01S19/00—Satellite radio beacon positioning systems; Determining position, velocity or attitude using signals transmitted by such systems
    • G01S19/01—Satellite radio beacon positioning systems transmitting time-stamped messages, e.g. GPS [Global Positioning System], GLONASS [Global Orbiting Navigation Satellite System] or GALILEO
    • G01S19/13—Receivers
    • G01S19/35—Constructional details or hardware or software details of the signal processing chain
    • G01S19/37—Hardware or software details of the signal processing chain
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/044—Recurrent networks, e.g. Hopfield networks
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods
    • G06N3/084—Backpropagation, e.g. using gradient descent

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Data Mining & Analysis (AREA)
  • General Physics & Mathematics (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Artificial Intelligence (AREA)
  • General Engineering & Computer Science (AREA)
  • Evolutionary Computation (AREA)
  • Software Systems (AREA)
  • Molecular Biology (AREA)
  • Remote Sensing (AREA)
  • Radar, Positioning & Navigation (AREA)
  • Health & Medical Sciences (AREA)
  • Biomedical Technology (AREA)
  • Biophysics (AREA)
  • Computational Linguistics (AREA)
  • General Health & Medical Sciences (AREA)
  • Signal Processing (AREA)
  • Computing Systems (AREA)
  • Mathematical Physics (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Evolutionary Biology (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Computer Networks & Wireless Communication (AREA)
  • Complex Calculations (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)

Abstract

一种结合电离层层析技术的电离层TEC组合预测方法。其包括利用电离层层析算法求取预测区域的电离层电子密度、计算垂直方向的总电子含量VTEC，利用IRI模型计算预测区域的VTEC；基于上述两种VTEC构建组合预测模型，实现模型训练，模型预测、模型测试结果以及模型的精度分析；本发明效果：首先利用长短期记忆LSTM模型对层析垂直总电子含量VTEC进行预测，进一步利用BP神经网络对LSTM模型与IRI模型的预测结果进行非线性拟合，由此改善了单一预测模型的弊端，较好地实现了对电离层垂直总电子含量VTEC的时序预测。

Description

一种结合电离层层析技术的电离层TEC组合预测方法
技术领域
本发明属于电离层探测技术领域，特别是涉及一种基于电离层层析技术的电离层TEC预测方法。
背景技术
在利用无线电信号进行高精度测速、定位以及其它工作的系统中，必须消除电离层引起的时延和折射误差，这些误差是与电离层中总电子含量成正比的；利用电离层电子含量(TEC)的实测值来消除上述系统的误差是最准确的，但是在诸多无线电系统的设计和需求中，或者在缺失TEC实测值时，必须采用某种电离层模式计算所需的电离层TEC，进而估算出电离层引起的误差。
目前，在利用经验模型预测电离层TEC的研究中，国际参考电离层IRI(International Reference Ionosphere)模型是最有效且被广泛认可接受的电离层经验模型，该模型基于电离层、非相干散射雷达、卫星资料、探空火箭资料等，融汇了多个大气参数模型，能够描述电离层电子密度、垂直总电子含量、电子温度、离子组成、离子温度等诸多参数。由于驱动IRI模型的电离层指数IG12、太阳黑子指数R12均为月平均值，这导致了单一的IRI模型不能满足对高时间分辨率和高精度的电离层TEC预测值的需求。
电离层层析作为一种全天候、大范围的电离层探测技术，具有费用低、操作简单、探测范围广等诸多优势，对于电离层不同尺度结构变化及全球电离层环境监测具有重要意义。随着电离层层析技术的发展，层析反演的精度也随之提高，反演结果渐渐靠近理想状态。因此将电离层层析反演得到的垂直总电子含量VTEC作为预测的样本数据是极具意义的。
随着神经网络的发展，诸多学者将深度学习与神经网络模型应用到对电离层TEC的预测工作中。袁天娇等利用星际太阳风参数与太阳活动指数、地磁活动指数、电离层总电子含量格点化地图数据，首次基于一种能处理时间序列的深度学习递归神经网络(Recurrent Neural Network,RNN)，建立提前24h的单站电离层TEC预报模型。吉长东等运用总体经验模态分解和深度学习长短期记忆神经网络，构建了EEMD-LSTM预测模型。张富彬等采用编码器-解码器结构配合卷积优化的长短时记忆(long short memory,LSTM)模型实现了全球电离层TEC预测。但是上述预测方法均存在随着预测时间的增加，预测精度也会随之下降的现象。
发明内容
为了解决上述问题，本发明的目的在于提供一种基于电离层层析技术的电离层TEC预测方法。
为了达到上述目的，本发明提供的基于结合电离层层析技术的电离层TEC组合预测方法包括按顺序进行的下列步骤：
1)基于GPS观测数据，利用电离层层析算法求取预测区域的电离层电子密度x；
2)利用步骤1)中得到的电离层电子密度x，获得基于电离层层析算法的垂直总电子含量VTEC序列T1,T2,...,Tn；
3)对步骤2)中得到的基于电离层层析算法的垂直总电子含量VTEC序列T1,T2,…,Tn进行标准化处理，然后分为训练集与测试集，并训练拟合LSTM模型，利用迭代预测的方法获得基于训练集的预测垂直总电子含量VTEC序列及基于测试集的预测垂直总电子含量VTEC序列；
4)利用IRI模型计算出与步骤3)中基于训练集的预测垂直总电子含量VTEC序列具有相同空间、时间分辨率的基于IRI模型的垂直总电子含量VTEC序列I1；同理，利用IRI模型计算出与步骤(3)中基于测试集的预测垂直总电子含量VTEC序列具有相同空间、时间分辨率的基于IRI模型的VTEC序列I2；
5)将步骤3)获得的基于训练集的预测垂直总电子含量VTEC序列、步骤4)获得的基于IRI模型的垂直总电子含量VTEC序列I1以及时间相对应的实际层析垂直总电子含量VTEC序列进行归一化后作为BP神经网络训练集；构建BP神经网络，利用BP神经网络训练集训练拟合BP神经网络，获得训练拟合后的BP神经网络；
6)将步骤3)获得的基于测试集的预测垂直总电子含量VTEC序列和步骤4)获得的基于IRI模型的垂直总电子含量VTEC序列I2进行归一化后作为上述训练拟合后的BP神经网络的输入，利用BP神经网络非线性拟合基于电离层层析算法的LSTM模型的预测值与IRI模型的预测值，然后将BP神经网络的输出反归一化，即可得出最终的结合电离层层析技术的组合预测垂直总电子含量VTEC序列。
在步骤1)中，所述基于GPS观测数据，利用电离层层析算法求取预测区域的电离层电子密度x的具体步骤如下：
(a)利用GPS观测数据计算出电离层层析算法所需的倾斜总电子含量STEC；
具体步骤如下：
GPS接收机的RINEX文件包含以下可观测量：
其中，P1和P2表示从精密码中获得的伪距，L1和L2表示信号的载波相位，P0表示电离层自由伪距，f1和f2表示信号的载波频率，n和λ分别表示整周模糊度和载波波长，ε1和ε2分别表示GPS接收机和卫星硬件误差分量；
比较载波相位和伪码的可观测量之间的不同，可以得到关于倾斜总电子含量STEC的两个方程：
倾斜总电子含量STEC可通过式(5)中的噪声项计算，也可通过式(6)中与其相关联的整数模糊度的偏置项来计算；
(b)基于上述倾斜总电子含量STEC，利用电离层层析算法反演获得电离层电子密度x；
将电离层网格化，设卫星与GPS接收机间的传输路径为h，射线穿过每一体素时在垂直方向的截距记为H1,H2,…,Hi…；假设每个网格中的电子密度为定值x1,x2,…,xi…，则单位网格内的倾斜总电子含量STEC为Hixi，那么利用步骤(a)求得的一条射线上的倾斜总电子含量STEC可认为是射线穿过网格内的截距与相应网格内的电子密度的乘积之和，即STEC＝H1x1+H2x2+…+Hixi+…；则所有射线上的倾斜总电子含量z＝Hx，x即为所求的电离层电子密度，其中H为所有射线穿过网格的截距矩阵；为了解决穿过网格路径不完备问题，利用IRI模型创建经验正交函数并构建补偿映射矩阵M，并对补偿映射矩阵M进行正则化处理，这时方程Hx＝z变为(HM)X＝z，其中X为转换后基集的解；然后引入正则化矩阵R，构建正规方程HTH+cRTR＝HTz，其中c表示用户定义的正则化常数，最终利用最小残差法计算出正规方程的解，得到基于原始基的电离层电子密度x。
在步骤2)中，所述利用步骤1)中得到的电离层电子密度x，获得基于电离层层析算法的垂直总电子含量VTEC序列T1,T2,…,Tn的方法是：将步骤1)中获得的电离层电子密度x沿高度进行积分，即可获得基于电离层层析算法的垂直总电子含量VTEC序列T1,T2,…,Tn。
在步骤3)中，所述对步骤2)中得到的基于电离层层析算法的垂直总电子含量VTEC序列T1,T2,…,Tn进行标准化处理，然后分为训练集与测试集，并训练拟合LSTM模型，利用迭代预测的方法获得基于训练集的预测垂直总电子含量VTEC序列及基于测试集的预测垂直总电子含量VTEC序列的具体步骤如下：
(a)对步骤2)中得到的基于电离层层析算法的垂直总电子含量VTEC序列T1,T2,...,Tn进行标准化处理，公式如下：
其中，均值标准差/>n表示垂直总电子含量VTEC序列的长度；
获得标准化的基于电离层层析算法的层析垂直总电子含量VTEC序列Y1,Y2,...,Yn；
(b)将步骤(a)获得的标准化的基于电离层层析算法的垂直总电子含量VTEC序列Y1,Y2,...,Yn划分为训练集与测试集；
(c)设置神经元个数为288个，训练轮数为250轮，初始学习率为0.005，125轮训练后乘以衰落因子0.1来降低整体学习率，采用自适应矩估计Adma优化算法构建LSTM模型；然后利用上述训练集中的数据训练拟合LSTM模型，得到训练好的LSTM模型；之后将训练集中的最后一组数据y(end)输入到上述训练好的LSTM模型中得到输出结果为：Predict Value(i)＝LSTM(y(end))，再将得到的输出结果Predict Value(i)循环输入到训练好的LSTM模型中得到新的输出结果为：Predict Value(i+1)＝LSTM(Predict Value(i))，以此进行迭代，并将输出结果反标准化，即可得到基于训练集的预测垂直总电子含量VTEC序列；同样利用上述方法得到基于测试集的预测垂直总电子含量VTEC序列。
在步骤5)中，所述BP神经网络选择7个隐层节点，每层的传输函数选择“tansig”函数，训练函数选择“trainlm”函数，迭代次数设置为50次。
本发明提供的结合电离层层析技术的电离层TEC组合预测方法具有如下有益效果：
首先利用长短期记忆LSTM模型对层析垂直总电子含量VTEC进行预测，进一步利用BP神经网络对LSTM模型与IRI模型的预测结果进行非线性拟合，由此改善了单一预测模型的弊端，较好地实现了对电离层垂直总电子含量VTEC的时序预测。
附图说明
图1为本发明提供的结合电离层层析技术的电离层TEC组合预测方法流程图。
图2(a)为基于电离层层析算法的单一LSTM模型预测总电子含量效果图。
图2(b)为基于电离层层析算法的单一LSTM模型预测残差图。
图2(c)为IRI模型预测效果图。
图2(d)本发明提供的组合预测模型预测效果图。
图2(e)本发明提供的组合预测模型预测残差图。
图3为(10°E,40°N)网格点处实际层析结果、本发明方法与实际层析、单一LSTM模型预测、IRI模型、CODE模型的垂直总电子含量VTEC对比图。
具体实施方式
下面结合附图和具体实施例对本发明提供的结合电离层层析技术的电离层TEC组合预测方法进行详细说明。
如图1所示，本发明提供的基于结合电离层层析技术的电离层TEC组合预测方法包括按顺序进行的下列步骤：
1)基于GPS观测数据，利用电离层层析算法求取预测区域的电离层电子密度x；
具体步骤如下：
(a)利用GPS观测数据计算出电离层层析算法所需的倾斜总电子含量STEC；
具体步骤如下：
GPS接收机的RINEX文件包含以下可观测量：
其中，P1和P2表示从精密码中获得的伪距，L1和L2表示信号的载波相位，P0表示电离层自由伪距，f1和f2表示信号的载波频率，n和λ分别表示整周模糊度和载波波长，ε1和ε2分别表示GPS接收机和卫星硬件误差分量。
比较载波相位和伪码的可观测量之间的不同，可以得到关于倾斜总电子含量STEC的两个方程：
综上所述，倾斜总电子含量STEC可通过式(5)中的噪声项计算，也可通过式(6)中与其相关联的整数模糊度的偏置项来计算。卫星在可见范围内，其整周模糊度恒定，发生大周跳时的偏置量等于式(5)和式(6)求差的加权平均，并且加权中所采用的权值与信噪比相关。相比利用伪距计算倾斜总电子含量STEC，载波相位计算的倾斜总电子含量STEC精度更高，因此通常采用载波相位法来计算穿过电离层网格的信号路径上的倾斜总电子含量STEC。
(b)基于上述倾斜总电子含量STEC，利用电离层层析算法反演获得电离层电子密度x；
将电离层网格化，设卫星与GPS接收机间的传输路径为h，射线穿过每一体素时在垂直方向的截距记为H1,H2,…,Hi…；假设每个网格中的电子密度为定值x1,x2,…,xi…，则单位网格内的倾斜总电子含量STEC为Hixi，那么利用步骤(a)求得的一条射线上的倾斜总电子含量STEC可认为是射线穿过网格内的截距与相应网格内的电子密度的乘积之和，即STEC＝H1x1+H2x2+…+Hixi+…；则所有射线上的倾斜总电子含量z＝Hx，x即为所求的电离层电子密度，其中H为所有射线穿过网格的截距矩阵。为了解决穿过网格路径不完备问题，利用IRI模型创建经验正交函数(EOF)并构建补偿映射矩阵M，并对补偿映射矩阵M进行正则化处理，这时方程Hx＝z变为(HM)X＝z，其中X为转换后基集的解；然后引入正则化矩阵R，构建正规方程HTH+cRTR＝HTz，其中c表示用户定义的正则化常数，最终利用最小残差法计算出正规方程的解，即可得到基于原始基的电离层电子密度x。
2)利用步骤1)中得到的电离层电子密度x，获得基于电离层层析算法的垂直总电子含量VTEC序列T1,T2,...,Tn；
将步骤1)中获得的电离层电子密度x沿高度进行积分，即可获得基于电离层层析算法的垂直总电子含量VTEC序列T1,T2,...,Tn。
3)对步骤2)中得到的基于电离层层析算法的垂直总电子含量VTEC序列T1,T2,...,Tn进行标准化处理，然后分为训练集与测试集，并训练拟合LSTM模型，利用迭代预测的方法获得基于训练集的预测垂直总电子含量VTEC序列及基于测试集的预测垂直总电子含量VTEC序列；
具体步骤如下：
(a)对步骤2)中得到的基于电离层层析算法的垂直总电子含量VTEC序列T1,T2,…,Tn进行标准化处理，公式如下：
其中，均值标准差/>，n表示垂直总电子含量VTEC序列的长度；
获得标准化的基于电离层层析算法的层析垂直总电子含量VTEC序列Y1,Y2,...,Yn。
(b)将步骤(a)获得的标准化的基于电离层层析算法的垂直总电子含量VTEC序列Y1,Y2,…,Yn划分为训练集与测试集；
(c)设置神经元个数为288个，训练轮数为250轮，初始学习率为0.005，125轮训练后乘以衰落因子0.1来降低整体学习率，采用自适应矩估计Adma优化算法构建LSTM模型；然后利用上述训练集中的数据训练拟合LSTM模型，得到训练好的LSTM模型；之后将训练集中的最后一组数据y(end)输入到上述训练好的LSTM模型中得到输出结果为：Predict Value(i)＝LSTM(y(end))，再将得到的输出结果Predict Value(i)循环输入到训练好的LSTM模型中得到新的输出结果为：Predict Value(i+1)＝LSTM(Predict Value(i))，以此进行迭代，并将输出结果反标准化，即可得到基于训练集的预测垂直总电子含量VTEC序列；同样利用上述方法得到基于测试集的预测垂直总电子含量VTEC序列。
4)利用IRI模型计算出与步骤3)中基于训练集的预测垂直总电子含量VTEC序列具有相同空间、时间分辨率的基于IRI模型的垂直总电子含量VTEC序列I1；同理，利用IRI模型计算出与步骤(3)中基于测试集的预测垂直总电子含量VTEC序列具有相同空间、时间分辨率的基于IRI模型的VTEC序列I2；
5)将步骤3)获得的基于训练集的预测垂直总电子含量VTEC序列、步骤4)获得的基于IRI模型的垂直总电子含量VTEC序列I1以及时间相对应的实际层析垂直总电子含量VTEC序列进行归一化后作为BP神经网络训练集；构建BP神经网络，选择7个隐层节点，每层的传输函数选择“tansig”函数，训练函数选择“trainlm”函数，迭代次数设置为50次，利用BP神经网络训练集训练拟合BP神经网络，获得训练拟合后的BP神经网络；
6)将步骤3)获得的基于测试集的预测垂直总电子含量VTEC序列和步骤4)获得的基于IRI模型的垂直总电子含量VTEC序列I2进行归一化后作为上述训练拟合后的BP神经网络的输入，利用BP神经网络非线性拟合基于电离层层析算法的LSTM模型的预测值与IRI模型的预测值，然后将BP神经网络的输出反归一化，即可得出最终的结合电离层层析技术的组合预测垂直总电子含量VTEC序列。
本发明提供的结合电离层层析技术的电离层TEC组合预测方法可以通过以下实验结果进一步说明，并进行了结果展示且给出了误差分析。
实验参数描述：GPS观测数据由UNAVCO机构提供，IRI模型由国际参考电离层机构提供。层析反演以及预报成像区域选择欧洲(-10°E,20°E),(30°N,70°N)。
图2(a)为2020年10月4日12：00基于电离层层析算法的单一LSTM模型预测总电子含量效果图，图2(b)为基于电离层层析算法的单一LSTM模型预测残差图。从图中可以明显看出部分区域出现较为异常的预测值，这表明LSTM模型进行的迭代预测已经在部分区域出现较大的偏差；图2(d)为同一时间本发明提供的基于电离层层析算法的组合预测模型预测总电子含量效果图。图2(e)本发明提供的基于电离层层析算法的组合预测模型预测残差图。由图2(a),(d)对比可以看出本发明方法在一定程度上优化了单一LSTM模型的预测结果，消除了大部分的预测异常值，这一现象在图2(e)中也可以看出，大大减小了单一LSTM模型的预测误差，另外由图(c),(d)可以看出，本发明方法也可提高IRI模型的预报精度。
图(3)分别给出了(10°E,40°N)网格点处本发明方法、单一LSTM模型预测方法与实际层析垂直总电子含量VTEC、IRI模型的垂直总电子含量VTEC、CODE提供的垂直总电子含量VTEC对比图，结合表1、表2、表3在(10°E,40°N)网格点处本发明方法、单一LSTM模型预测方法与实际层析垂直总电子含量VTEC、IRI模型的垂直总电子含量VTEC、CODE提供的垂直总电子含量VTEC的误差来看：本发明方法在很大程度上修正了单一LSTM模型预测结果的异常值，提高了预测精度。
表1、单一LSTM模型、组合预测模型与实际层析VTEC误差
表2、单一LSTM模型、组合预测模型与IRI模型VTEC误差
表3、单一LSTM模型、组合预测模型与CODE模型VTEC误差

Claims (5)

1.一种基于结合电离层层析技术的电离层TEC组合预测方法，其特征在于：所述电离层TEC组合预测方法包括按顺序进行的下列步骤：
1)基于GPS观测数据，利用电离层层析算法求取预测区域的电离层电子密度x；
2)利用步骤1)中得到的电离层电子密度x，获得基于电离层层析算法的垂直总电子含量VTEC序列T1,T2,...,Tn；
3)对步骤2)中得到的基于电离层层析算法的垂直总电子含量VTEC序列T1,T2,...,Tn进行标准化处理，然后分为训练集与测试集，并训练拟合LSTM模型，利用迭代预测的方法获得基于训练集的预测垂直总电子含量VTEC序列及基于测试集的预测垂直总电子含量VTEC序列；
4)利用IRI模型计算出与步骤3)中基于训练集的预测垂直总电子含量VTEC序列具有相同空间、时间分辨率的基于IRI模型的垂直总电子含量VTEC序列I1；同理，利用IRI模型计算出与步骤(3)中基于测试集的预测垂直总电子含量VTEC序列具有相同空间、时间分辨率的基于IRI模型的VTEC序列I2；
5)将步骤3)获得的基于训练集的预测垂直总电子含量VTEC序列、步骤4)获得的基于IRI模型的垂直总电子含量VTEC序列I1以及时间相对应的实际层析垂直总电子含量VTEC序列进行归一化后作为BP神经网络训练集；构建BP神经网络，利用BP神经网络训练集训练拟合BP神经网络，获得训练拟合后的BP神经网络；
6)将步骤3)获得的基于测试集的预测垂直总电子含量VTEC序列和步骤4)获得的基于IRI模型的垂直总电子含量VTEC序列I2进行归一化后作为上述训练拟合后的BP神经网络的输入，利用BP神经网络非线性拟合基于电离层层析算法的LSTM模型的预测值与IRI模型的预测值，然后将BP神经网络的输出反归一化，即可得出最终的结合电离层层析技术的组合预测垂直总电子含量VTEC序列。
2.根据权利要求1所述的基于结合电离层层析技术的电离层TEC组合预测方法，其特征在于：在步骤1)中，所述基于GPS观测数据，利用电离层层析算法求取预测区域的电离层电子密度x的具体步骤如下：
(a)利用GPS观测数据计算出电离层层析算法所需的倾斜总电子含量STEC；
具体步骤如下：
GPS接收机的RINEX文件包含以下可观测量：
其中，P1和P2表示从精密码中获得的伪距，L1和L2表示信号的载波相位，P0表示电离层自由伪距，f1和f2表示信号的载波频率，n和λ分别表示整周模糊度和载波波长，ε1和ε2分别表示GPS接收机和卫星硬件误差分量；
比较载波相位和伪码的可观测量之间的不同，可以得到关于倾斜总电子含量STEC的两个方程：
倾斜总电子含量STEC可通过式(5)中的噪声项计算，也可通过式(6)中与其相关联的整数模糊度的偏置项来计算；
(b)基于上述倾斜总电子含量STEC，利用电离层层析算法反演获得电离层电子密度x；
将电离层网格化，设卫星与GPS接收机间的传输路径为h，射线穿过每一体素时在垂直方向的截距记为H1,H2,...,Hi...；假设每个网格中的电子密度为定值x1,x2,...,xi...，则单位网格内的倾斜总电子含量STEC为Hixi，那么利用步骤(a)求得的一条射线上的倾斜总电子含量STEC可认为是射线穿过网格内的截距与相应网格内的电子密度的乘积之和，即STEC＝H1x1+H2x2+…+Hixi+…；则所有射线上的倾斜总电子含量z＝Hx，x即为所求的电离层电子密度，其中H为所有射线穿过网格的截距矩阵；为了解决穿过网格路径不完备问题，利用IRI模型创建经验正交函数并构建补偿映射矩阵M，并对补偿映射矩阵M进行正则化处理，这时方程Hx＝z变为(HM)X＝z，其中X为转换后基集的解；然后引入正则化矩阵R，构建正规方程HTH+cRTR＝HTz，其中c表示用户定义的正则化常数，最终利用最小残差法计算出正规方程的解，得到基于原始基的电离层电子密度x。
3.根据权利要求1所述的基于结合电离层层析技术的电离层TEC组合预测方法，其特征在于：在步骤2)中，所述利用步骤1)中得到的电离层电子密度x，获得基于电离层层析算法的垂直总电子含量VTEC序列T1,T2,...,Tn的方法是：将步骤1)中获得的电离层电子密度x沿高度进行积分，即可获得基于电离层层析算法的垂直总电子含量VTEC序列T1,T2,...,Tn。
4.根据权利要求1所述的基于结合电离层层析技术的电离层TEC组合预测方法，其特征在于：在步骤3)中，所述对步骤2)中得到的基于电离层层析算法的垂直总电子含量VTEC序列T1,T2,...,Tn进行标准化处理，然后分为训练集与测试集，并训练拟合LSTM模型，利用迭代预测的方法获得基于训练集的预测垂直总电子含量VTEC序列及基于测试集的预测垂直总电子含量VTEC序列的具体步骤如下：
(a)对步骤2)中得到的基于电离层层析算法的垂直总电子含量VTEC序列T1,T2,...,Tn进行标准化处理，公式如下：
其中，均值标准差/>n表示垂直总电子含量VTEC序列的长度；
获得标准化的基于电离层层析算法的层析垂直总电子含量VTEC序列Y1,Y2,...,Yn；
(b)将步骤(a)获得的标准化的基于电离层层析算法的垂直总电子含量VTEC序列Y1,Y2,...,Yn划分为训练集与测试集；
(c)设置神经元个数为288个，训练轮数为250轮，初始学习率为0.005，125轮训练后乘以衰落因子0.1来降低整体学习率，采用自适应矩估计Adma优化算法构建LSTM模型；然后利用上述训练集中的数据训练拟合LSTM模型，得到训练好的LSTM模型；之后将训练集中的最后一组数据y(end)输入到上述训练好的LSTM模型中得到输出结果为：Predict Value(i)＝LSTM(y(end))，再将得到的输出结果Predict Value(i)循环输入到训练好的LSTM模型中得到新的输出结果为：Predict Value(i+1)＝LSTM(Predict Value(i))，以此进行迭代，并将输出结果反标准化，即可得到基于训练集的预测垂直总电子含量VTEC序列；同样利用上述方法得到基于测试集的预测垂直总电子含量VTEC序列。
5.根据权利要求1所述的基于结合电离层层析技术的电离层TEC组合预测方法，其特征在于：在步骤5)中，所述BP神经网络选择7个隐层节点，每层的传输函数选择“tansig”函数，训练函数选择“trainlm”函数，迭代次数设置为50次。
CN202110880389.3A 2021-08-02 2021-08-02 一种结合电离层层析技术的电离层tec组合预测方法 Active CN113591991B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202110880389.3A CN113591991B (zh) 2021-08-02 2021-08-02 一种结合电离层层析技术的电离层tec组合预测方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202110880389.3A CN113591991B (zh) 2021-08-02 2021-08-02 一种结合电离层层析技术的电离层tec组合预测方法

Publications (2)

Publication Number Publication Date
CN113591991A CN113591991A (zh) 2021-11-02
CN113591991B true CN113591991B (zh) 2023-10-17

Family

ID=78253690

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202110880389.3A Active CN113591991B (zh) 2021-08-02 2021-08-02 一种结合电离层层析技术的电离层tec组合预测方法

Country Status (1)

Country Link
CN (1) CN113591991B (zh)

Families Citing this family (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
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

Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN101719802A (zh) * 2009-10-30 2010-06-02 北京航空航天大学 一种预测短波通信最大可用频率的装置及计算方法
RU2713188C1 (ru) * 2019-06-24 2020-02-04 Общество с ограниченной ответственностью "Научно-производственное предприятие "Технологии и системы радиомониторинга" Способ однопозиционного определения координат источников радиоизлучений коротковолнового диапазона радиоволн при ионосферном распространении
CN111797573A (zh) * 2020-07-13 2020-10-20 中国地震局地震预测研究所 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
US10852439B1 (en) * 2020-04-30 2020-12-01 Beihang University Global ionospheric total electron content prediction system

Patent Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN101719802A (zh) * 2009-10-30 2010-06-02 北京航空航天大学 一种预测短波通信最大可用频率的装置及计算方法
RU2713188C1 (ru) * 2019-06-24 2020-02-04 Общество с ограниченной ответственностью "Научно-производственное предприятие "Технологии и системы радиомониторинга" Способ однопозиционного определения координат источников радиоизлучений коротковолнового диапазона радиоволн при ионосферном распространении
US10852439B1 (en) * 2020-04-30 2020-12-01 Beihang University Global ionospheric total electron content prediction system
CN111797573A (zh) * 2020-07-13 2020-10-20 中国地震局地震预测研究所 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

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
基于深度学习GRU模型的电离层总电子含量预报;马国辉;罗云琪;;测绘与空间地理信息(第S1期);全文 *
磁暴期间南极South Pole站和McMurdo站电离层闪烁与GPS TEC时空变化相关性研究;尹萍;王慧美;潘丽静;郑亚男;;极地研究(第04期);全文 *

Also Published As

Publication number Publication date
CN113591991A (zh) 2021-11-02

Similar Documents

Publication Publication Date Title
CN111273335B (zh) 一种基于垂测数据约束的电离层层析成像方法
Howe et al. Tomography of the ionosphere: Four-dimensional simulations
Rama Rao et al. On the validity of the ionospheric pierce point (IPP) altitude of 350 km in the Indian equatorial and low-latitude sector
CN112213727A (zh) 一种基于主被动微波联合探测的星载雷达的降水订正方法
Wen et al. A hybrid reconstruction algorithm for 3-D ionospheric tomography
Bi et al. An introduction to China FY3 radio occultation mission and its measurement simulation
CN114690208B (zh) 电离层三维电子密度稀疏层析方法及其装置
CN109613565A (zh) 基于多星座gnss的电离层层析方法及系统
Sui et al. Sparse reconstruction of 3-D regional ionospheric tomography using data from a network of GNSS reference stations
CN109657191B (zh) 一种电离层层析方法及装置
Liu et al. Impact of 837 GPS/MET bending angle profiles on assimilation and forecasts for the period June 20–30, 1995
Seemala Estimation of ionospheric total electron content (TEC) from GNSS observations
Li et al. Real‐time sensing of precipitable water vapor from beidou observations: hong kong and CMONOC networks
CN113591991B (zh) 一种结合电离层层析技术的电离层tec组合预测方法
Mi et al. Stochastic modeling of between-receiver single-differenced ionospheric delays and its application to medium baseline RTK positioning
Xu et al. A cloud-dependent 1DVAR precipitation retrieval algorithm for FengYun-3D microwave soundings: a case study in tropical cyclone mekkhala
Jiang et al. Land water vapor retrieval for AMSR2 using a deep learning method
Schlatter Variational assimilation of meteorological observations in the lower atmosphere: A tutorial on how it works
Alam et al. Microwave radiometer calibration using deep learning with reduced reference information and 2-d spectral features
Wu et al. Sea surface wind speed retrieval based on empirical orthogonal function analysis using 2019–2020 CYGNSS data
Kim et al. Retrieval of subsurface soil moisture and vegetation water content from multifrequency soop reflectometry: Sensitivity analysis
Li et al. A grid-based ionospheric weighted method for PPP-RTK with diverse network scales and ionospheric activity levels
Hu et al. Improving the Computerized Ionospheric Tomography Performance Through a Neural Network-Based Initial IED Prediction Model
Shukla et al. Approach for near‐real‐time prediction of ionospheric delay using Klobuchar‐like coefficients for Indian region
Jiang et al. Efficient and accurate TEC modeling and prediction approach with random forest and Bi-LSTM for large-scale region

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
GR01 Patent grant
GR01 Patent grant