CN115062526A - 基于深度学习的三维电离层电子浓度分布模型训练方法 - Google Patents
基于深度学习的三维电离层电子浓度分布模型训练方法 Download PDFInfo
- Publication number
- CN115062526A CN115062526A CN202210162922.7A CN202210162922A CN115062526A CN 115062526 A CN115062526 A CN 115062526A CN 202210162922 A CN202210162922 A CN 202210162922A CN 115062526 A CN115062526 A CN 115062526A
- Authority
- CN
- China
- Prior art keywords
- electron concentration
- dimensional
- ionosphere
- ionospheric
- distribution 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.)
- Granted
Links
- 239000005433 ionosphere Substances 0.000 title claims abstract description 148
- 238000012549 training Methods 0.000 title claims abstract description 108
- 238000000034 method Methods 0.000 title claims abstract description 66
- 238000013135 deep learning Methods 0.000 title claims abstract description 62
- 238000013528 artificial neural network Methods 0.000 claims abstract description 48
- 238000005070 sampling Methods 0.000 claims description 38
- 238000001514 detection method Methods 0.000 claims description 29
- 238000012360 testing method Methods 0.000 claims description 21
- 238000004590 computer program Methods 0.000 claims description 17
- 238000012545 processing Methods 0.000 claims description 10
- 230000006870 function Effects 0.000 claims description 7
- 238000010586 diagram Methods 0.000 description 10
- 230000008859 change Effects 0.000 description 7
- 239000013598 vector Substances 0.000 description 7
- 230000005540 biological transmission Effects 0.000 description 6
- 230000000694 effects Effects 0.000 description 6
- 230000004907 flux Effects 0.000 description 6
- 230000008569 process Effects 0.000 description 6
- 230000005855 radiation Effects 0.000 description 6
- JJWKPURADFRFRB-UHFFFAOYSA-N carbonyl sulfide Chemical compound O=C=S JJWKPURADFRFRB-UHFFFAOYSA-N 0.000 description 5
- 238000004891 communication Methods 0.000 description 4
- 238000005516 engineering process Methods 0.000 description 4
- 238000004364 calculation method Methods 0.000 description 3
- 238000012937 correction Methods 0.000 description 3
- 238000005259 measurement Methods 0.000 description 3
- 238000004422 calculation algorithm Methods 0.000 description 2
- 238000011156 evaluation Methods 0.000 description 2
- 230000003287 optical effect Effects 0.000 description 2
- ORILYTVJVMAKLC-UHFFFAOYSA-N Adamantane Natural products C1C(C2)CC3CC1CC2C3 ORILYTVJVMAKLC-UHFFFAOYSA-N 0.000 description 1
- 230000003044 adaptive effect Effects 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000000605 extraction Methods 0.000 description 1
- 230000010354 integration Effects 0.000 description 1
- 230000007774 longterm Effects 0.000 description 1
- 230000007246 mechanism Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000012544 monitoring process Methods 0.000 description 1
- 230000010287 polarization Effects 0.000 description 1
- 238000004445 quantitative analysis Methods 0.000 description 1
- 238000012216 screening Methods 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 230000009466 transformation Effects 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
- 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
-
- 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
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02A—TECHNOLOGIES FOR ADAPTATION TO CLIMATE CHANGE
- Y02A90/00—Technologies having an indirect contribution to adaptation to climate change
- Y02A90/10—Information and communication technologies [ICT] supporting adaptation to climate change, e.g. for weather forecasting or climate simulation
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Evolutionary Computation (AREA)
- General Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- Software Systems (AREA)
- Artificial Intelligence (AREA)
- Life Sciences & Earth Sciences (AREA)
- Biophysics (AREA)
- Mathematical Physics (AREA)
- Computing Systems (AREA)
- Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Biomedical Technology (AREA)
- General Health & Medical Sciences (AREA)
- Computational Linguistics (AREA)
- Data Mining & Analysis (AREA)
- Geometry (AREA)
- Medical Informatics (AREA)
- Computer Hardware Design (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明提供一种基于深度学习的三维电离层电子浓度分布模型训练方法，方法包括：获取无线电掩星观测数据并基于无线电掩星观测数据得到多个电离层电子浓度廓线，以及获取多个第一参数；根据多个电离层电子浓度廓线，确定多个第一信息；第一信息用于指示在不同时间、不同地理经纬度以及不同地理高度时的电子浓度大小；将第一信息与多个第一参数进行整合，得到用于模型训练的数据集；根据数据集的维度以及数据量大小，构建面向三维电离层电子浓度反演的深度神经网络；基于数据集对面向三维电离层电子浓度反演的深度神经网络进行离线监督训练，得到三维电离层电子浓度分布模型。本发明提高了对三维电离层电子浓度分布的预测准确率。
Description
技术领域
本发明涉及空间物理技术领域，尤其涉及一种基于深度学习的三维电离层电子浓度分布模型训练方法。
背景技术
对远海空中目标的精确定位是打赢现代化战争所必需的关键要素之一，目前远距离探测海上空中目标的主要技术手段还是依赖于电磁波传输信息的超视距雷达系统。为了提高超视距雷达对远海目标的探测精度需对电离层引起的电磁波传输误差进行修正，而影响修正精度的关键因素是能否对电离层电子浓度分布进行精确建模。
在相关技术中，通常是在太阳活动处于平静期，根据基于无线电掩星探测技术得到的大量电离层电子浓度廓线计算全球电离层电子浓度的统计特征，来建立预测电离层电子浓度分布的模型。
然而，由于模型的建立仅采用了全球电离层电子浓度的部分统计特征，导致模型对于电离层电子浓度分布的预测准确率低下。
发明内容
本发明提供一种基于深度学习的三维电离层电子浓度分布模型训练方法，用以解决现有技术中电离层电子浓度分布模型对于电离层电子浓度分布的预测准确率低下的缺陷，创建基于深度学习的三维电离层电子浓度分布模型以提高对三维电离层电子浓度分布预测准确率。
本发明提供一种基于深度学习的三维电离层电子浓度分布模型训练方法，包括：
获取无线电掩星观测数据并基于所述无线电掩星观测数据得到多个电离层电子浓度廓线，以及获取多个第一参数；所述无线电掩星观测数据包括至少一个完整太阳周期的无线电掩星观测数据；
根据所述多个电离层电子浓度廓线，确定多个第一信息；所述第一信息用于指示在不同时间、不同地理经纬度以及不同地理高度时的电子浓度大小；
将所述多个第一信息与所述多个第一参数进行整合，得到用于模型训练的数据集；
根据所述数据集的维度以及数据量大小，构建面向三维电离层电子浓度反演的深度神经网络；
基于所述数据集对所述面向三维电离层电子浓度反演的深度神经网络进行离线监督训练，得到三维电离层电子浓度分布模型。
根据本发明提供的一种基于深度学习的三维电离层电子浓度分布模型训练方法，所述面向三维电离层电子浓度反演的深度神经网络采用Transformer编码端作为网络模型主干，以及将均方误差作为损失度量函数。
根据本发明提供的一种基于深度学习的三维电离层电子浓度分布模型训练方法，所述根据所述多个电离层电子浓度廓线，确定多个第一信息，包括：
针对所述多个电离层电子浓度廓线中的每个电离层电子浓度廓线，计算电子浓度平均偏差以及进行剖面数据峰值电子浓度存在性检测；
在所述多个电离层电子浓度廓线中，将满足目标条件的电离层电子浓度廓线，确定为目标电离层电子浓度廓线；其中，所述目标条件包括：电离层电子浓度廓线对应的电子浓度平均偏差小于预设阈值，及电离层电子浓度廓线对应的剖面数据峰值电子浓度存在性检测结果为存在；
根据全部所述目标电离层电子浓度廓线，确定多个第一信息。
根据本发明提供的一种基于深度学习的三维电离层电子浓度分布模型训练方法，所述电离层电子浓度廓线对应的电子浓度平均偏差的计算方法参考公式(1)：
其中，N为电离层电子浓度廓线中采样点个数，Di为第i个采样点处电离层电子浓度值，
为经过五点滑动平均后得到第i采样点处的电子浓度值，MD为电离层电子浓度廓线对应的电子浓度平均偏差。
根据本发明提供的一种基于深度学习的三维电离层电子浓度分布模型训练方法，所述进行剖面数据峰值电子浓度存在性检测，包括：
计算电离层电子浓度廓线在预设高度区间内取样点最大的高度值slopeh和取样点最小的高度值slopel；
在所述电离层电子浓度廓线满足slopeh小于第一阈值并且slopel大于第二阈值的情况下，则确定所述电离层电子浓度廓线的剖面数据峰值电子浓度存在性检测结果为存在；其中，所述第一阈值大于第二阈值；
其中，slopeh的计算方法参考公式(2)，slopel的计算方法参考公式(3)：
其中，hh为在预设高度区间内电子浓度取样点最大的高度值，Ne(hh)为hh取样点处的电子浓度值，hl为在预设高度区间内电子浓度取样点最小的高度值，Ne(hl)为hl取样点处的电子浓度值，Nemax和hmax分别为电子浓度廓线上浓度值最大处的电子浓度和高度。
根据本发明提供的一种基于深度学习的三维电离层电子浓度分布模型训练方法，所述数据集还包括测试数据集；
所述基于所述数据集对所述面向三维电离层电子浓度反演的深度神经网络进行离线监督训练，得到三维电离层电子浓度分布模型之后，还包括：
将所述测试数据集输入至所述三维电离层电子浓度分布模型，得到所述测试数据集对应的电离层电子浓度分布预测结果。
本发明还提供一种基于深度学习的三维电离层电子浓度分布模型训练装置，包括：
获取模块，用于获取无线电掩星观测数据并基于所述无线电掩星观测数据得到多个电离层电子浓度廓线，以及获取多个第一参数；所述无线电掩星观测数据包括至少一个完整太阳周期的无线电掩星观测数据；
确定模块，用于根据所述多个电离层电子浓度廓线，确定多个第一信息；所述第一信息用于指示在不同时间、不同地理经纬度以及不同地理高度时的电子浓度大小；
处理模块，用于将所述多个第一信息与所述多个第一参数进行整合，得到用于模型训练的数据集；
模型创建模块，用于根据所述数据集的维度以及数据量大小，构建面向三维电离层电子浓度反演的深度神经网络；
训练模块，用于基于所述数据集对所述面向三维电离层电子浓度反演的深度神经网络进行离线监督训练，得到三维电离层电子浓度分布模型。
根据本发明提供的一种基于深度学习的三维电离层电子浓度分布模型训练装置，所述面向三维电离层电子浓度反演的深度神经网络采用Transformer编码端作为网络模型主干，以及将均方误差作为损失度量函数。
根据本发明提供的一种基于深度学习的三维电离层电子浓度分布模型训练装置，所述确定模块具体用于：
针对所述多个电离层电子浓度廓线中的每个电离层电子浓度廓线，计算电子浓度平均偏差以及进行剖面数据峰值电子浓度存在性检测；
在所述多个电离层电子浓度廓线中，将满足目标条件的电离层电子浓度廓线，确定为目标电离层电子浓度廓线；其中，所述目标条件包括：电离层电子浓度廓线对应的电子浓度平均偏差小于预设阈值，及电离层电子浓度廓线对应的剖面数据峰值电子浓度存在性检测结果为存在；
根据全部所述目标电离层电子浓度廓线，确定多个第一信息。
根据本发明提供的一种基于深度学习的三维电离层电子浓度分布模型训练装置，所述电离层电子浓度廓线对应的电子浓度平均偏差的计算方法参考公式(1)：
其中，N为电离层电子浓度廓线中采样点个数，Di为第i个采样点处电离层电子浓度值，
为经过五点滑动平均后得到第i采样点处的电子浓度值，MD为电离层电子浓度廓线对应的电子浓度平均偏差。
根据本发明提供的一种基于深度学习的三维电离层电子浓度分布模型训练装置，所述装置还包括检测模块，所述检测模块具体用于：
计算电离层电子浓度廓线在预设高度区间内取样点最大的高度值slopeh和取样点最小的高度值slopel；
在所述电离层电子浓度廓线满足slopeh小于第一阈值并且slopel大于第二阈值的情况下，则确定所述电离层电子浓度廓线的剖面数据峰值电子浓度存在性检测结果为存在；其中，所述第一阈值大于第二阈值；
其中，slopeh的计算方法参考公式(2)，slopel的计算方法参考公式(3)：
其中，hh为在预设高度区间内电子浓度取样点最大的高度值，Ne(hh)为hh取样点处的电子浓度值，hl为在预设高度区间内电子浓度取样点最小的高度值，Ne(hl)为hl取样点处的电子浓度值，Nemax和hmax分别为电子浓度廓线上浓度值最大处的电子浓度和高度。
根据本发明提供的一种基于深度学习的三维电离层电子浓度分布模型训练装置，所述数据集还包括测试数据集；
所述装置还包括测试模块，所述测试模块具体用于：
将所述测试数据集输入至所述三维电离层电子浓度分布模型，得到所述测试数据集对应的电离层电子浓度分布预测结果。
本发明还提供一种电子设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，所述处理器执行所述程序时实现如上述任一种所述基于深度学习的三维电离层电子浓度分布模型训练方法的步骤。
本发明还提供一种非暂态计算机可读存储介质，其上存储有计算机程序，该计算机程序被处理器执行时实现如上述任一种所述基于深度学习的三维电离层电子浓度分布模型训练方法的步骤。
本发明还提供一种计算机程序产品，包括计算机程序，所述计算机程序被处理器执行时实现如上述任一种所述基于深度学习的三维电离层电子浓度分布模型训练方法的步骤。
本发明提供的基于深度学习的三维电离层电子浓度分布模型训练方法，采用至少一个完整太阳周期的无线电掩星观测数据以及与电离层电子浓度反演相关的多个参数，这保证可以获取在至少一个完整太阳周期下电离层电子浓度的统计特征。另外，基于深度神经网络在模拟电离层电子浓度的时空变化特点方面具有较大的优势，利用深度神经网络建立面向三维电离层电子浓度反演的深度神经网络；以及，该数据集对面向三维电离层电子浓度反演的深度神经网络进行离线监督训练，得到三维电离层电子浓度分布模型。因此，本发明所得到三维电离层电子浓度分布模型在预测电离层电子浓度分布方面能够达到较高的预测准确率。
附图说明
为了更清楚地说明本发明或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作一简单地介绍，显而易见地，下面描述中的附图是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。
图1为本发明提供的基于深度学习的三维电离层电子浓度分布模型训练方法的流程示意图之一；
图2为本发明提供的在2001-2021年多个第一参数变化的示意图；
图3为本发明提供的基于深度学习的三维电离层电子浓度分布模型训练方法的流程示意图之二；
图4为本发明提供的预测廓线和目标廓线的对比示意图；
图5为本发明提供的基于深度学习的三维电离层电子浓度分布模型训练方法的流程示意图之三；
图6为本发明提供的面向三维电离层电子浓度反演的深度神经网络的示意图；
图7为本发明提供的基于深度学习的三维电离层电子浓度分布模型训练装置的结构示意图；
图8为本发明提供的电子设备的结构示意图。
具体实施方式
为使本发明的目的、技术方案和优点更加清楚，下面将结合本发明中的附图，对本发明中的技术方案进行清楚、完整地描述，显然，所描述的实施例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作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。
为了便于理解本发明的技术方案，首先对本发明所涉及的相关概念进行介绍：
作为电离层参数探测技术之一，无线电掩星探测技术具有全天候、低成本、全球覆盖、观测精度高和长期稳定运行等特点。目前，无线电掩星探测技术已成功应用于COSMIC、CHAMP和GRACE等卫星的掩星探测任务上，来实现对大气层、电离层以及磁场的探测，得到了无线电掩星观测数据。其中，无线电掩星观测数据包括以下至少一种：COSMIC掩星观测数据、GRACE掩星观测数据以及CHAMP掩星观测数据。由于掩星发生时刻前后，测量航天器发出的信号穿过行星电离层和大气被遮掩而引起的信号频率、相位、幅度或极化等物理特性的变化，通过反向推演技术可以得到大气的折射率廓线，进而推出大气的密度、温度、压强廓线以及电离层的电子浓度廓线。因此，无线电掩星观测数据为电离层电子浓度反演提供了非常重要的数据来源。
对远海空中目标的精确定位是打赢现代化战争所必需的关键要素之一，目前远距离探测海上空中目标的主要技术手段还是依赖于电磁波传输信息的超视距雷达系统。超视距雷达系统在探测远海上空目标时需穿越覆盖在地球表面厚度约为60-1000km高度范围的电离层，而电离层内存在的不均匀介质会导致电磁波在传输过程中发生折射、散射和吸收等现象，进而产生路径延迟，这对超视距雷达系统的定位精度造成了严重影响。
下面，对本发明所涉及的现有技术、现有技术存在的问题以及本发明中一实施例的实现思路进行说明：
为了提高超视距雷达对远海目标的探测精度需对电离层引起的电磁波传输误差进行修正，而影响修正精度的关键因素是能否对电离层电子浓度分布进行精确建模。
本发明的发明人发现，在相关技术中，通常是在太阳活动处于平静期，根据基于无线电掩星探测技术得到的大量电离层电子浓度廓线计算全球电离层电子浓度的统计特征，来建立预测电离层电子浓度分布的模型。然而，由于模型的建立仅采用了全球电离层电子浓度的部分统计特征，导致模型对于电离层电子浓度分布的预测准确率低下。
基于上述存在的问题，发明人所提供的本发明一实施例中，在创建三维电离层电子浓度分布模型的过程中，首先获取至少一个完整太阳周期的无线电掩星观测数据以及与电离层电子浓度反演相关的多个参数；根据至少一个完整太阳周期的无线电掩星观测数据以及与电离层电子浓度反演相关的多个参数，确定数据集，并根据数据集的维度以及数据量大小确定面向三维电离层电子浓度反演的深度神经网络。基于该数据集对面向三维电离层电子浓度反演的深度神经网络进行离线监督训练，得到三维电离层电子浓度分布模型。
上述实施例所提供的方法，一方面采用至少一个完整太阳周期的无线电掩星观测数据以及与电离层电子浓度反演相关的多个参数，这保证可以获取在至少一个完整太阳周期下电离层电子浓度的统计特征。另一方面，基于深度神经网络在模拟电离层电子浓度的时空变化特点方面具有较大的优势，利用深度神经网络建立面向三维电离层电子浓度反演的深度神经网络；以及，该数据集对面向三维电离层电子浓度反演的深度神经网络进行离线监督训练，得到三维电离层电子浓度分布模型。因此，相比现有技术，所得到三维电离层电子浓度分布模型在预测电离层电子浓度分布方面能够达到较高的预测准确率。
下面结合图1-图6描述本发明的基于深度学习的三维电离层电子浓度分布模型训练方法。
图1为本发明提供的基于深度学习的三维电离层电子浓度分布模型训练方法的流程示意图之一，如图1所示，该基于深度学习的三维电离层电子浓度分布模型训练方法包括：
步骤110，获取无线电掩星观测数据并基于无线电掩星观测数据得到多个电离层电子浓度廓线，以及获取多个第一参数。无线电掩星观测数据包括至少一个完整太阳周期的无线电掩星观测数据。
本发明提供的基于深度学习的三维电离层电子浓度分布模型训练方法的执行主体可以为本发明提供的基于深度学习的三维电离层电子浓度分布模型训练装置，也可以为设置在基于深度学习的三维电离层电子浓度分布模型训练装置中的数据处理模块。其中，数据处理模块可以通过软件和/或硬件的结合来实现。
第一参数是指与电离层电子浓度反演相关的参数。其中，多个第一参数包括以下至少一种：地磁Kp指数、太阳辐射通量F10.7、太阳风速度、地磁Dst指数、太阳黑子数以及地磁扰动幅度Ap。
可选地，通过爬虫方式从网站上获取GRACE/CHAMP/COSMIC卫星记录的大量无线电掩星观测数据以及多个第一参数；或者，从已公开的无线电掩星观测数据集中获取大量的无线电掩星观测数据以及多个第一参数。
可选地，无线电掩星观测数据包括以下至少一种：COSMIC掩星观测数据、GRACE掩星观测数据以及CHAMP掩星观测数据。其中，各种无线电掩星观测数据包括至少一个完整太阳周期的无线电掩星观测数据。需要说明的是，该无线电掩星观测数据是通过将原始无线电掩星观测数据进行反演变换后得到的，该无线电掩星观测数据为三维电离层电子浓度分布数据，即在不同高度、不同经度以及不同纬度下的电离层电子浓度分布数据。
下面，对基于无线电掩星观测数据得到多个电离层电子浓度廓线的一种可能的实现方式进行说明。
在一种可能的实现方式中，所获得的无线电掩星观测数据为多个按nc文件格式进行存储的数据文件。针对每个按nc文件格式进行存储的数据文件使用python第三方库netCDF4进行解码，之后根据解码后得到的数据绘制该无线电掩星观测数据对应的电离层电子浓度廓线。针对所获得的无线电掩星观测数据所包括的多个数据文件均进行以上处理，即得到了多个电离层电子浓度廓线。
在本实施例中，只是对基于无线电掩星观测数据得到多个电离层电子浓度廓线的一种可能的实现方式进行示例性说明，并不是对基于无线电掩星观测数据得到多个电离层电子浓度廓线的实现方式进行限制，对于基于无线电掩星观测数据得到多个电离层电子浓度廓线的具体实现方式可以根据实际需要进行选择，对此不作限制。
步骤120，根据多个电离层电子浓度廓线，确定多个第一信息。第一信息用于指示在不同时间、不同地理经纬度以及不同地理高度时的电子浓度大小。
下面，对根据各电离层电子浓度廓线，确定各电离层电子浓度廓线对应的第一信息的一种可能的实现方式进行示例性说明。
在一种可能的实现方式中，从电离层电子浓度曲线中提取年月日、世界时、地理经纬度、地理高度以及电子浓度信息。根据所提取到年月日、世界时、地理经纬度、地理高度以及电子浓度信息，可以确定在所提取到年月日、世界时、地理经纬度以及地理高度时的电子浓度大小，即得到电离层电子浓度廓线对应的第一信息。
步骤130，将多个第一信息与多个第一参数进行整合，得到用于模型训练的数据集。
可选地，将多个第一信息与多个第一参数进行整合处理，得到用于模型训练的数据集。具体的，将不同时间、不同地理经纬度以及不同地理高度时的电子浓度大小与地磁Kp指数、太阳辐射通量F10.7、太阳风速度、地磁Dst指数、太阳黑子数以及地磁扰动幅度Ap等第一参数进行整合处理，整合处理完成后得到数据集。
下面，结合图2对多个第一参数在2001-2021年期间的变化情况进行介绍，图2为本发明提供的在2001-2021年多个第一参数变化的示意图。
如图2所示，图中包括的多个第一参数从下到上分别为：太阳辐射通量F10.7、地磁扰动AP、地磁Dst指数、太阳黑子数、地磁Kp指数以及太阳风速度。在图2中，示意出了该多个第一参数在2001-2021年期间的变化情况。
步骤140，根据数据集的维度以及数据量大小，构建面向三维电离层电子浓度反演的深度神经网络。
其中，三维分别为：高度、经度以及纬度。
可选地，面向三维电离层电子浓度反演的深度神经网络采用Transformer编码端作为网络模型主干，以及将均方误差作为损失度量函数。
步骤150，基于数据集对面向三维电离层电子浓度反演的深度神经网络进行离线监督训练，得到三维电离层电子浓度分布模型。
基于上述步骤140得到面向三维电离层电子浓度反演的深度神经网络，接下来，根据数据集对面向三维电离层电子浓度反演的深度神经网络进行离线监督训练。训练结束后，得到三维电离层电子浓度分布模型。
可选地，在对面向三维电离层电子浓度反演的深度神经网络进行离线监督训练的过程中，网络迭代次数epoch设置为100，批训练样本数为220，优化器选择自适应据估计Adam算法，学习率为0.001，目标函数为均方误差。硬件采用Nvidia 3090，采用PyTorch 1.7深度学习框架。
本发明提供的基于深度学习的三维电离层电子浓度分布模型训练方法，一方面采用至少一个完整太阳周期的无线电掩星观测数据以及与电离层电子浓度反演相关的多个参数，这保证可以获取在至少一个完整太阳周期下电离层电子浓度的统计特征。另一方面，基于深度神经网络在模拟电离层电子浓度的时空变化特点方面具有较大的优势，利用深度神经网络建立面向三维电离层电子浓度反演的深度神经网络；以及，该数据集对面向三维电离层电子浓度反演的深度神经网络进行离线监督训练，得到三维电离层电子浓度分布模型。因此，本发明所得到三维电离层电子浓度分布模型在预测电离层电子浓度分布方面能够达到较高的预测准确率。
可选地，图3为本发明提供的基于深度学习的三维电离层电子浓度分布模型训练方法的流程示意图之二，如图3所示，步骤120的实现方式可以包括步骤310-步骤330，其中：
步骤310，针对多个电离层电子浓度廓线中的每个电离层电子浓度廓线，计算电子浓度平均偏差以及进行剖面数据峰值电子浓度存在性检测。
可选地，在对每个电离层电子浓度廓线进行计算电子浓度平均偏差以及进行剖面数据峰值电子浓度存在性检测之前，先对每个电离层电子浓度廓线进行数据完整性校验，获得每个电离层电子浓度廓线对应的数据完整性校验结果。其中，数据完整性校验结果包括完整和不完整。当电离层电子浓度廓线对应的数据完整性校验结果为完整时，才对该电离层电子浓度廓线进行电子浓度平均偏差以及进行剖面数据峰值电子浓度存在性检测。
可选地，数据完整性检测的具体实现方法：判断各个电离层电子浓度廓线文件是否拥有完整的掩星切点经纬度、高度信息，以及相应的电子浓度信息，并且每个电子浓度廓线文件都是一个nc文件，仅包含一条电子浓度廓线。
可选地，电离层电子浓度廓线对应的电子浓度平均偏差的计算方法参考公式(1)：
其中，N为电离层电子浓度廓线中采样点个数，Di为第i个采样点处电离层电子浓度值，
为经过五点滑动平均后得到第i采样点处的电子浓度值，MD为电离层电子浓度廓线对应的电子浓度平均偏差。
可选地，剖面数据峰值电子浓度存在性检测的具体实现方式为：首先，计算电离层电子浓度廓线在预设高度区间内取样点最大的高度值slopeh和取样点最小的高度值slopel；在电离层电子浓度廓线满足slopeh小于第一阈值并且slopel大于第二阈值的情况下，则确定电离层电子浓度廓线的剖面数据峰值电子浓度存在性检测结果为存在；其中，第一阈值大于第二阈值。
可选地，slopeh的计算方法参考公式(2)，slopel的计算方法参考公式(3)：
其中，hh为在预设高度区间内电子浓度取样点最大的高度值，Ne(hh)为hh取样点处的电子浓度值，hl为在预设高度区间内电子浓度取样点最小的高度值，Ne(hl)为hl取样点处的电子浓度值，Nemax和hmax分别为电子浓度廓线上浓度值最大处的电子浓度和高度。
步骤320，在多个电离层电子浓度廓线中，将满足目标条件的电离层电子浓度廓线，确定为目标电离层电子浓度廓线。目标条件包括：电离层电子浓度廓线对应的电子浓度平均偏差小于预设阈值，及电离层电子浓度廓线对应的剖面数据峰值电子浓度存在性检测结果为存在。
优选地，预设阈值的取值为0.15，第一阈值的取值为0，第二阈值的取值为0.1，预设高度区间为区间150-450km。
步骤330，根据全部目标电离层电子浓度廓线，确定多个第一信息。
可选地，关于步骤330的说明和解释，可以参照上述针对步骤120的说明和解释，且能达到相同的技术效果，为避免重复，这里不再赘述。
可选地，数据集还包括测试数据集。
可选地，在步骤150中“将所述训练数据集输入至初始电离层电子浓度分布模型进行训练处理，得到电离层电子浓度分布模型”之后，将测试数据集输入至三维电离层电子浓度分布模型，得到测试数据集对应的电离层电子浓度分布预测结果。
可选地，对根据三维电离层电子浓度分布模型的电子浓度预测结果进行定量分析，本发明引用了皮尔森相关系数(Pearson Correlation Coefficient，PCC)和均方根误差(Root Mean Square Error，RMSE)进行评估。其中。PCC的计算表达式参考公式(4)：
其中，conv(X,Y)为两个变量X和Y之间的协方差，σX和σY分别为二者的标准差。需要说明的是，皮尔森系数用于度量两个变量X和Y之间的线性相关程度，PCC的取值介于-1和1之间。其中，若PCC的取值为0时，则表明变量X和Y之间无相关性；若PCC的取值小于0时，表明变量X和Y之间呈负相关性，以及当PCC的取值越接近于-1时，表明变量X和Y之间的负相关性越大；PCC的取值大于0时，则表明变量X和Y之间呈正相关性，以及当PCC的取值越接近于1时，表明变量X和Y之间的正相关性越大。
均方误差的计算方式参考公式(5)：
其中，m表示训练样本数目，yi表示真值，
表示预测值。
下面，结合图4和一个具体示例，对训练结束后得到三维电离层电子浓度分布模型进行测试的过程进行介绍，图4为本发明提供的预测廓线和目标廓线的对比示意图。
在本实施例中，选取2021年9月27日0时电离层地磁Kp指数、太阳辐射通量F10.7、太阳风速度、地磁Dst指数、太阳黑子数与地磁扰动幅度Ap，以及某点处的经纬度、高度信息输入三维电离层电子浓度分布模型，预测2021年9月27日9时的三维电离层电子浓度廓线。将预测的三维电离层电子浓度廓线和2021年9月27日9时实际反演的电离层电子浓度廓线进行比较，电离层电子浓度廓线对应的预测廓线与目标廓线对比结果如图4所示。其中，利用2021年9月27日0时的数据对三维电离层电子浓度廓线进行训练，对2021年9月27日9时的预测电离层电子浓度廓线进行预测，得到2021年9月27日9时对应的预测廓线；其中，预测廓线为2021年9月27日9时预测的电离层电子浓度廓线，目标廓线为2021年9月27日9时实际的电离层电子浓度廓线。
根据公式(4)和公式(5)，得到计算2021年9月27日0时和2021年9月27日9时两条电离层电子浓度廓线的皮尔森系数为0.9986，均方根误差为1.18×104el/cm3。由此，基于预测廓线与目标廓线之间的皮尔森系数为0.9986，表明预测廓线与目标廓线之间的正相关性较大，同样表明该三维电离层电子浓度分布模型具有较高的预测准确率。
上述实施例的测试结果表明，本发明提供的基于深度学习的三维电离层电子浓度分布模型可以对电离层电子浓度进行精确预测，能够帮助获取更加精确的时变电子浓度信息，从而提升电磁波传输误差的修正效果。
在上述实施例的基础上，下面结合图5和一个实施例对本发明所提出的基于深度学习技术的三维电离层电子浓度分布模型训练方法进行整体性的介绍，图5为本发明提供的基于深度学习的三维电离层电子浓度分布模型训练方法的流程示意图之三。如图5所示，该基于深度学习的三维电离层电子浓度分布模型训练方法包括以下步骤：
步骤501，通过参与模型建立的近地轨道卫星以及国内外电离层网站，获取无线电掩星观测数据。
步骤502，从无线电掩星观测数据中获取GRACE/CHAMP/COSMIC电子浓度数据以及获取多个第一参数，其中，多个第一参数包括地磁Kp指数、太阳辐射通量F10.7、太阳风速度、地磁Dst指数、太阳黑子数以及地磁扰动幅度Ap。
步骤503，筛选电离层掩星数据，获取多个合格的电离层掩星数据。
步骤504，将多个合格的电离层掩星数据输入至基于Transformer的三维电离层电子浓度分布模型，对该模型进行训练。训练过程包括步骤5041以及步骤5042。
其中，步骤5041，基于均方误差进行监控和评判。
判断均方误差的值是否小于或等于第三阈值，来确定训练是否完成。具体的，在均方误差的值小于或等于第三阈值的情况下，确定训练完成；在均方误差的值大于第三阈值的情况下，确定训练未完成，表明需要继续对模型进行训练，则执行步骤5042。
步骤5042，深度训练参数更新。之后，执行步骤504。
根据更新后的参数，对模型进行训练。
下面，结合图6对面向三维电离层电子浓度反演的深度神经网络进行介绍，图6为本发明提供的面向三维电离层电子浓度反演的深度神经网络的示意图。
如图6所示，本发明所提供的面向三维电离层电子浓度反演的深度神经网络是由输入的n个一维向量、N层Transformer Encoder编码端与处理回归任务的全连接模块构成。在图6中，全连接模块采用多层感知机(Multilayer Perceptron，MLP)。如图6右侧所示，每层Transformer编码端包括嵌入特征层、正则化层、多头注意力机制层、正则化层以及多层感知机。其中，x_i，i∈[1,n]表示第i个一维向量。该多个一维向量分别可以为高度、经度、纬度、电子浓度、地磁Kp指数、太阳辐射通量F10.7、太阳风速度、地磁Dst指数、太阳黑子数以及地磁扰动幅度Ap。向N层Transformer Encoder编码端中输入峰值电子浓度(NmF2)以及n个一维向量，用以提取输入的特征。需要说明的是，在将n个一维向量输入N层TransformerEncoder编码端之前，需要对该n个一维向量分别进行位置编码处理，得到n个一维向量各自对应的位置编码。在特征提取处理完成后，将所提取到的特征输入至多层感知机中，得到预测电子浓度，并将其输入到误差度量函数，通过反向传播算法完成参数更新与模型训练。
下面对本发明提供的基于深度学习的三维电离层电子浓度分布模型训练装置进行描述，下文描述的基于深度学习的三维电离层电子浓度分布模型训练装置与上文描述的基于深度学习的三维电离层电子浓度分布模型训练方法可相互对应参照。
本发明提供一种基于深度学习的三维电离层电子浓度分布模型训练装置，图7为本发明提供的基于深度学习的三维电离层电子浓度分布模型训练装置的结构示意图，如图7所示，该基于深度学习的三维电离层电子浓度分布模型训练装置700包括：获取模块710、确定模块720、处理模块730、模型创建模块740和训练模块750；其中，
获取模块710，用于获取无线电掩星观测数据并基于所述无线电掩星观测数据得到多个电离层电子浓度廓线，以及获取多个第一参数；所述无线电掩星观测数据包括至少一个完整太阳周期的无线电掩星观测数据；
确定模块720，用于根据所述多个电离层电子浓度廓线，确定多个第一信息；所述第一信息用于指示在不同时间、不同地理经纬度以及不同地理高度时的电子浓度大小；
处理模块730，用于将所述多个第一信息与所述多个第一参数进行整合，得到用于模型训练的数据集；
模型创建模块740，用于根据所述数据集的维度以及数据量大小，构建面向三维电离层电子浓度反演的深度神经网络；
训练模块750，用于基于所述数据集对所述面向三维电离层电子浓度反演的深度神经网络进行离线监督训练，得到三维电离层电子浓度分布模型。
可选地，所述面向三维电离层电子浓度反演的深度神经网络采用Transformer编码端作为网络模型主干，以及将均方误差作为损失度量函数。
可选地，所述确定模块720具体用于：
针对所述多个电离层电子浓度廓线中的每个电离层电子浓度廓线，计算电子浓度平均偏差以及进行剖面数据峰值电子浓度存在性检测；
在所述多个电离层电子浓度廓线中，将满足目标条件的电离层电子浓度廓线，确定为目标电离层电子浓度廓线；其中，所述目标条件包括：电离层电子浓度廓线对应的电子浓度平均偏差小于预设阈值，及电离层电子浓度廓线对应的剖面数据峰值电子浓度存在性检测结果为存在；
根据全部所述目标电离层电子浓度廓线，确定多个第一信息。
可选地，所述电离层电子浓度廓线对应的电子浓度平均偏差的计算方法参考公式(1)：
其中，N为电离层电子浓度廓线中采样点个数，Di为第i个采样点处电离层电子浓度值，
为经过五点滑动平均后得到第i采样点处的电子浓度值，MD为电离层电子浓度廓线对应的电子浓度平均偏差。
可选地，所述装置还包括检测模块，所述检测模块具体用于：
计算电离层电子浓度廓线在预设高度区间内取样点最大的高度值slopeh和取样点最小的高度值slopel；在所述电离层电子浓度廓线满足slopeh小于第一阈值并且slopel大于第二阈值的情况下，则确定所述电离层电子浓度廓线的剖面数据峰值电子浓度存在性检测结果为存在；其中，所述第一阈值大于第二阈值；
其中，slopeh的计算方法参考公式(2)，slopel的计算方法参考公式(3)：
其中，hh为在预设高度区间内电子浓度取样点最大的高度值，Ne(hh)为hh取样点处的电子浓度值，hl为在预设高度区间内电子浓度取样点最小的高度值，Ne(hl)为hl取样点处的电子浓度值，Nemax和hmax分别为电子浓度廓线上浓度值最大处的电子浓度和高度。
可选地，所述数据集还包括测试数据集；
所述装置还包括测试模块，所述测试模块具体用于：
将所述测试数据集输入至所述三维电离层电子浓度分布模型，得到所述测试数据集对应的电离层电子浓度分布预测结果。
本发明提供的基于深度学习的三维电离层电子浓度分布模型训练装置，一方面采用至少一个完整太阳周期的无线电掩星观测数据以及与电离层电子浓度反演相关的多个参数，这保证可以获取在至少一个完整太阳周期下电离层电子浓度的统计特征。另一方面，基于深度神经网络在模拟电离层电子浓度的时空变化特点方面具有较大的优势，利用深度神经网络建立面向三维电离层电子浓度反演的深度神经网络；以及，该数据集对面向三维电离层电子浓度反演的深度神经网络进行离线监督训练，得到三维电离层电子浓度分布模型。因此，本发明所得到三维电离层电子浓度分布模型在预测电离层电子浓度分布方面能够达到较高的预测准确率。
本发明提供的基于深度学习的三维电离层电子浓度分布模型训练装置能够实现图1至图6的方法实施例实现的各个过程，并达到相同的技术效果，为避免重复，这里不再赘述。
可选地，本发明提供一种电子设备，包括处理器，存储器，存储在存储器上并可在所述处理器上运行的程序或指令，该程序或指令被处理器执行时实现上述基于深度学习的三维电离层电子浓度分布模型训练方法实施例的各个过程，且能达到相同的技术效果，为避免重复，这里不再赘述。
图8为本发明提供的电子设备的实体结构示意图，如图8所示，该电子设备800可以包括：处理器(Processor)810、通信接口(Communications Interface)820、存储器(Memory)830和通信总线840，其中，处理器810，通信接口820，存储器830通过通信总线840完成相互间的通信。处理器810可以调用存储器830中的逻辑指令，以执行基于深度学习的三维电离层电子浓度分布模型训练方法，该基于深度学习的三维电离层电子浓度分布模型训练方法包括：获取无线电掩星观测数据并基于所述无线电掩星观测数据得到多个电离层电子浓度廓线，以及获取多个第一参数；根据所述多个电离层电子浓度廓线，确定多个第一信息；所述第一信息用于指示在不同时间、不同地理经纬度以及不同地理高度时的电子浓度大小；将所述多个第一信息与所述多个第一参数进行整合，得到用于模型训练的数据集；根据所述数据集的维度以及数据量大小，构建面向三维电离层电子浓度反演的深度神经网络；基于所述数据集对所述面向三维电离层电子浓度反演的深度神经网络进行离线监督训练，得到三维电离层电子浓度分布模型。
此外，上述的存储器830中的逻辑指令可以通过软件功能单元的形式实现并作为独立的产品销售或使用时，可以存储在一个计算机可读取存储介质中。基于这样的理解，本发明的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的部分可以以软件产品的形式体现出来，该计算机软件产品存储在一个存储介质中，包括若干指令用以使得一台计算机设备(可以是个人计算机，服务器，或者网络设备等)执行本发明各个实施例所述方法的全部或部分步骤。而前述的存储介质包括：U盘、移动硬盘、只读存储器(ROM，Read-Only Memory)、随机存取存储器(RAM，Random Access Memory)、磁碟或者光盘等各种可以存储程序代码的介质。
另一方面，本发明还提供一种计算机程序产品，所述计算机程序产品包括计算机程序，计算机程序可存储在非暂态计算机可读存储介质上，所述计算机程序被处理器执行时，计算机能够执行上述各方法所提供的基于深度学习的三维电离层电子浓度分布模型训练方法，该基于深度学习的三维电离层电子浓度分布模型训练方法包括：获取无线电掩星观测数据并基于所述无线电掩星观测数据得到多个电离层电子浓度廓线，以及获取多个第一参数；根据所述多个电离层电子浓度廓线，确定多个第一信息；所述第一信息用于指示在不同时间、不同地理经纬度以及不同地理高度时的电子浓度大小；将所述多个第一信息与所述多个第一参数进行整合，得到用于模型训练的数据集；根据所述数据集的维度以及数据量大小，构建面向三维电离层电子浓度反演的深度神经网络；基于所述数据集对所述面向三维电离层电子浓度反演的深度神经网络进行离线监督训练，得到三维电离层电子浓度分布模型。
又一方面，本发明还提供一种非暂态计算机可读存储介质，其上存储有计算机程序，该计算机程序被处理器执行时实现以执行上述各方法提供的基于深度学习的三维电离层电子浓度分布模型训练方法，该基于深度学习的三维电离层电子浓度分布模型训练方法包括：获取无线电掩星观测数据并基于所述无线电掩星观测数据得到多个电离层电子浓度廓线，以及获取多个第一参数；根据所述多个电离层电子浓度廓线，确定多个第一信息；所述第一信息用于指示在不同时间、不同地理经纬度以及不同地理高度时的电子浓度大小；将所述多个第一信息与所述多个第一参数进行整合，得到用于模型训练的数据集；根据所述数据集的维度以及数据量大小，构建面向三维电离层电子浓度反演的深度神经网络；基于所述数据集对所述面向三维电离层电子浓度反演的深度神经网络进行离线监督训练，得到三维电离层电子浓度分布模型。
以上所描述的装置实施例仅仅是示意性的，其中所述作为分离部件说明的单元可以是或者也可以不是物理上分开的，作为单元显示的部件可以是或者也可以不是物理单元，即可以位于一个地方，或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部模块来实现本实施例方案的目的。本领域普通技术人员在不付出创造性的劳动的情况下，即可以理解并实施。
通过以上的实施方式的描述，本领域的技术人员可以清楚地了解到各实施方式可借助软件加必需的通用硬件平台的方式来实现，当然也可以通过硬件。基于这样的理解，上述技术方案本质上或者说对现有技术做出贡献的部分可以以软件产品的形式体现出来，该计算机软件产品可以存储在计算机可读存储介质中，如ROM/RAM、磁碟、光盘等，包括若干指令用以使得一台计算机设备(可以是个人计算机，服务器，或者网络设备等)执行各个实施例或者实施例的某些部分所述的方法。
最后应说明的是：以上实施例仅用以说明本发明的技术方案，而非对其限制；尽管参照前述实施例对本发明进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分技术特征进行等同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本发明各实施例技术方案的精神和范围。
Claims (10)
1.一种基于深度学习的三维电离层电子浓度分布模型训练方法，其特征在于，包括：
获取无线电掩星观测数据并基于所述无线电掩星观测数据得到多个电离层电子浓度廓线，以及获取多个第一参数；所述无线电掩星观测数据包括至少一个完整太阳周期的无线电掩星观测数据；
根据所述多个电离层电子浓度廓线，确定多个第一信息；所述第一信息用于指示在不同时间、不同地理经纬度以及不同地理高度时的电子浓度大小；
将所述多个第一信息与所述多个第一参数进行整合，得到用于模型训练的数据集；
根据所述数据集的维度以及数据量大小，构建面向三维电离层电子浓度反演的深度神经网络；
基于所述数据集对所述面向三维电离层电子浓度反演的深度神经网络进行离线监督训练，得到三维电离层电子浓度分布模型。
2.根据权利要求1所述的基于深度学习的三维电离层电子浓度分布模型训练方法，其特征在于，所述面向三维电离层电子浓度反演的深度神经网络采用Transformer编码端作为网络模型主干，以及将均方误差作为损失度量函数。
3.根据权利要求1所述的基于深度学习的三维电离层电子浓度分布模型训练方法，其特征在于，所述根据所述多个电离层电子浓度廓线，确定多个第一信息，包括：
针对所述多个电离层电子浓度廓线中的每个电离层电子浓度廓线，计算电子浓度平均偏差以及进行剖面数据峰值电子浓度存在性检测；
在所述多个电离层电子浓度廓线中，将满足目标条件的电离层电子浓度廓线，确定为目标电离层电子浓度廓线；其中，所述目标条件包括：电离层电子浓度廓线对应的电子浓度平均偏差小于预设阈值，及电离层电子浓度廓线对应的剖面数据峰值电子浓度存在性检测结果为存在；
根据全部所述目标电离层电子浓度廓线，确定多个第一信息。
4.根据权利要求3所述的基于深度学习的三维电离层电子浓度分布模型训练方法，其特征在于，所述电离层电子浓度廓线对应的电子浓度平均偏差的计算方法参考公式(1)：
其中，N为电离层电子浓度廓线中采样点个数，Di为第i个采样点处电离层电子浓度值，
为经过五点滑动平均后得到第i采样点处的电子浓度值，MD为电离层电子浓度廓线对应的电子浓度平均偏差。
5.根据权利要求3所述的基于深度学习的三维电离层电子浓度分布模型训练方法，其特征在于，所述进行剖面数据峰值电子浓度存在性检测，包括：
计算电离层电子浓度廓线在预设高度区间内取样点最大的高度值slopeh和取样点最小的高度值slopel；
在所述电离层电子浓度廓线满足slopeh小于第一阈值并且slopel大于第二阈值的情况下，则确定所述电离层电子浓度廓线的剖面数据峰值电子浓度存在性检测结果为存在；其中，所述第一阈值大于第二阈值；
其中，slopeh的计算方法参考公式(2)，slopel的计算方法参考公式(3)：
其中，hh为在预设高度区间内电子浓度取样点最大的高度值，Ne(hh)为hh取样点处的电子浓度值，hl为在预设高度区间内电子浓度取样点最小的高度值，Ne(hl)为hl取样点处的电子浓度值，Nemax和hmax分别为电子浓度廓线上浓度值最大处的电子浓度和高度。
6.根据权利要求1所述的基于深度学习的三维电离层电子浓度分布模型训练方法，其特征在于，所述数据集还包括测试数据集；
所述基于所述数据集对所述面向三维电离层电子浓度反演的深度神经网络进行离线监督训练，得到三维电离层电子浓度分布模型之后，还包括：
将所述测试数据集输入至所述三维电离层电子浓度分布模型，得到所述测试数据集对应的电离层电子浓度分布预测结果。
7.一种基于深度学习的三维电离层电子浓度分布模型训练装置，其特征在于，包括：
获取模块，用于获取无线电掩星观测数据并基于所述无线电掩星观测数据得到多个电离层电子浓度廓线，以及获取多个第一参数；
确定模块，用于根据所述多个电离层电子浓度廓线，确定多个第一信息；所述第一信息用于指示在不同时间、不同地理经纬度以及不同地理高度时的电子浓度大小；
处理模块，用于将所述多个第一信息与所述多个第一参数进行整合，得到用于模型训练的数据集；
模型创建模块，用于根据所述数据集的维度以及数据量大小，构建面向三维电离层电子浓度反演的深度神经网络；
训练模块，用于基于所述数据集对所述面向三维电离层电子浓度反演的深度神经网络进行离线监督训练，得到三维电离层电子浓度分布模型。
8.一种电子设备，包括存储器、处理器及存储在所述存储器上并可在所述处理器上运行的计算机程序，其特征在于，所述处理器执行所述程序时实现如权利要求1至6任一项所述基于深度学习的三维电离层电子浓度分布模型训练方法的步骤。
9.一种非暂态计算机可读存储介质，其上存储有计算机程序，其特征在于，所述计算机程序被处理器执行时实现如权利要求1至6任一项所述基于深度学习的三维电离层电子浓度分布模型训练方法的步骤。
10.一种计算机程序产品，包括计算机程序，其特征在于，所述计算机程序被处理器执行时实现如权利要求1至6任一项所述基于深度学习的三维电离层电子浓度分布模型训练方法的步骤。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202210162922.7A CN115062526B (zh) | 2022-02-22 | 2022-02-22 | 基于深度学习的三维电离层电子浓度分布模型训练方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202210162922.7A CN115062526B (zh) | 2022-02-22 | 2022-02-22 | 基于深度学习的三维电离层电子浓度分布模型训练方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN115062526A true CN115062526A (zh) | 2022-09-16 |
| CN115062526B CN115062526B (zh) | 2024-05-28 |
Family
ID=83196981
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202210162922.7A Active CN115062526B (zh) | 2022-02-22 | 2022-02-22 | 基于深度学习的三维电离层电子浓度分布模型训练方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN115062526B (zh) |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN117592381A (zh) * | 2024-01-18 | 2024-02-23 | 中国船舶集团有限公司第七〇七研究所 | 一种大气波导参数反演模型训练方法、装置、设备及介质 |
Citations (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CA2971587A1 (en) * | 2016-07-20 | 2018-01-20 | Honeywell International Inc. | Systems and methods for nequick modeling using neural networks |
| CN110275184A (zh) * | 2019-06-18 | 2019-09-24 | 中国科学院国家空间科学中心 | 一种gnss掩星电离层残差修正方法、系统、设备及存储介质 |
| 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 |
| CN112700007A (zh) * | 2020-12-30 | 2021-04-23 | 千寻位置网络有限公司 | 电离层电子含量预报模型的训练方法、预报方法及装置 |
| 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 |
| US20210302332A1 (en) * | 2020-03-26 | 2021-09-30 | David Hurwitz | Determining atomic coordinates from x-ray diffraction data |
| CN113571122A (zh) * | 2021-02-02 | 2021-10-29 | 腾讯科技（深圳）有限公司 | 一种电子密度图的确定方法、装置、电子设备和存储介质 |
-
2022
- 2022-02-22 CN CN202210162922.7A patent/CN115062526B/zh active Active
Patent Citations (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CA2971587A1 (en) * | 2016-07-20 | 2018-01-20 | Honeywell International Inc. | Systems and methods for nequick modeling using neural networks |
| CN110275184A (zh) * | 2019-06-18 | 2019-09-24 | 中国科学院国家空间科学中心 | 一种gnss掩星电离层残差修正方法、系统、设备及存储介质 |
| 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 |
| US20210302332A1 (en) * | 2020-03-26 | 2021-09-30 | David Hurwitz | Determining atomic coordinates from x-ray diffraction data |
| 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 |
| CN112700007A (zh) * | 2020-12-30 | 2021-04-23 | 千寻位置网络有限公司 | 电离层电子含量预报模型的训练方法、预报方法及装置 |
| CN113571122A (zh) * | 2021-02-02 | 2021-10-29 | 腾讯科技（深圳）有限公司 | 一种电子密度图的确定方法、装置、电子设备和存储介质 |
Non-Patent Citations (5)
| Title |
|---|
| PENGJIE TIAN 等: "Deep learning from three-dimensional multiphysics simulation in operational optimization and control of polymer electrolyte membrane cell for maximum power", APPLIED ENERGY, vol. 288, 15 April 2021 (2021-04-15), pages 1 - 9 * |
| 仵梦婕 等: "无线电掩星技术探测电离层的误差分析研究", 中国科学院上海天文台年刊, no. 00, 31 December 2014 (2014-12-31), pages 99 - 111 * |
| 刘伟 等: "基于Chapman函数反演电离层电子密度", 大地测量与地球动力学, vol. 33, no. 02, 15 April 2013 (2013-04-15), pages 120 - 123 * |
| 周康俊 等: "基于Swarm卫星GPS/TEC观测的顶部电离层三维电子密度分布的层析法研究", 地球物理学报, vol. 63, no. 09, 2 September 2020 (2020-09-02), pages 3219 - 3230 * |
| 陈必焰 等: "层析反演与神经网络方法在电离层建模及预报中的应用", 武汉大学学报(信息科学版), vol. 37, no. 08, 5 August 2012 (2012-08-05), pages 972 - 975 * |
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN117592381A (zh) * | 2024-01-18 | 2024-02-23 | 中国船舶集团有限公司第七〇七研究所 | 一种大气波导参数反演模型训练方法、装置、设备及介质 |
| CN117592381B (zh) * | 2024-01-18 | 2024-05-17 | 中国船舶集团有限公司第七〇七研究所 | 一种大气波导参数反演模型训练方法、装置、设备及介质 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN115062526B (zh) | 2024-05-28 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN111784041B (zh) | 一种基于图卷积神经网络的风电功率预测方法及系统 | |
| Thibaud et al. | Threshold modeling of extreme spatial rainfall | |
| CN111639747B (zh) | 一种基于bp神经网络的gnss-r海面风速反演方法及系统 | |
| Zhao et al. | Theoretical analysis and numerical experiments of variational adjoint approach for refractivity estimation | |
| CN113568055B (zh) | 一种基于lstm网络的航空瞬变电磁数据反演方法 | |
| 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 | |
| US20230048788A1 (en) | Method and System for Multi-scale Assimilation of Surface Water Ocean Topography (SWOT) Observations | |
| CN104820993A (zh) | 一种联合粒子滤波和跟踪置前检测的水下弱目标跟踪方法 | |
| 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 | |
| CN113126038B (zh) | 高频地波雷达工作频率优选方法、系统、存储介质及应用 | |
| CN107480781A (zh) | 神经网络自适应卡尔曼滤波的核事故源项反演方法 | |
| CN112198556A (zh) | 信号处理方法、装置、终端设备及存储介质 | |
| CN116449462B (zh) | 海浪有效波高时空序列预测方法、系统、存储介质及设备 | |
| Zammit‐Mangion et al. | Resolving the Antarctic contribution to sea‐level rise: a hierarchical modelling framework | |
| CN113704693A (zh) | 一种高精度的有效波高数据估计方法 | |
| CN115062526B (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 | |
| Darmawan et al. | GRU and XGBoost Performance with Hyperparameter Tuning Using GridSearchCV and Bayesian Optimization on an IoT-Based Weather Prediction System. | |
| CN114676621A (zh) | 基于深度学习权重负载提高陆地水储量异常准确性方法 | |
| CN114330163A (zh) | 高频地波超视距雷达台风-电离层扰动动力学模型建模方法 | |
| CN113468804A (zh) | 一种基于矩阵束和深度神经网络的地下管道识别方法 | |
| Limsupavanich et al. | Application of RNN on GNSS Reflectometry Sea level monitoring | |
| CN117192510A (zh) | 一种双偏振雷达雨滴谱参数反演方法 | |
| 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 | |
| CN113687321B (zh) | 雷达目标探测距离评估方法和装置 | |
| CN112700007B (zh) | 电离层电子含量预报模型的训练方法、预报方法及装置 |
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 |