CN116136975B - 基于lstm神经网络的中性大气温度密度预测方法及设备 - Google Patents
基于lstm神经网络的中性大气温度密度预测方法及设备 Download PDFInfo
- Publication number
- CN116136975B CN116136975B CN202310160993.8A CN202310160993A CN116136975B CN 116136975 B CN116136975 B CN 116136975B CN 202310160993 A CN202310160993 A CN 202310160993A CN 116136975 B CN116136975 B CN 116136975B
- Authority
- CN
- China
- Prior art keywords
- data
- neural network
- sample data
- lstm neural
- lstm
- 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
Links
- 238000013528 artificial neural network Methods 0.000 title claims abstract description 95
- 230000007935 neutral effect Effects 0.000 title claims abstract description 78
- 238000000034 method Methods 0.000 title claims abstract description 39
- 230000000694 effects Effects 0.000 claims abstract description 20
- 230000005855 radiation Effects 0.000 claims abstract description 16
- 230000008859 change Effects 0.000 claims abstract description 12
- 238000012549 training Methods 0.000 claims description 36
- 238000004088 simulation Methods 0.000 claims description 34
- 230000015654 memory Effects 0.000 claims description 14
- 238000012360 testing method Methods 0.000 claims description 11
- 230000006870 function Effects 0.000 claims description 7
- 238000004891 communication Methods 0.000 claims description 3
- 238000009499 grossing Methods 0.000 claims description 3
- 238000010586 diagram Methods 0.000 description 5
- 230000008569 process Effects 0.000 description 4
- 241000282414 Homo sapiens Species 0.000 description 2
- 238000003491 array Methods 0.000 description 2
- 239000012634 fragment Substances 0.000 description 2
- 238000010438 heat treatment Methods 0.000 description 2
- 238000004519 manufacturing process Methods 0.000 description 2
- 239000000463 material Substances 0.000 description 2
- 238000012544 monitoring process Methods 0.000 description 2
- 239000002245 particle Substances 0.000 description 2
- 238000011084 recovery Methods 0.000 description 2
- 230000000717 retained effect Effects 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000009792 diffusion process Methods 0.000 description 1
- 239000006185 dispersion Substances 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000004880 explosion Methods 0.000 description 1
- 230000007774 longterm Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 238000011056 performance test Methods 0.000 description 1
- 238000012545 processing Methods 0.000 description 1
- 230000006403 short-term memory Effects 0.000 description 1
- 238000007619 statistical method Methods 0.000 description 1
Classifications
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01K—MEASURING TEMPERATURE; MEASURING QUANTITY OF HEAT; THERMALLY-SENSITIVE ELEMENTS NOT OTHERWISE PROVIDED FOR
- G01K13/00—Thermometers specially adapted for specific purposes
- G01K13/02—Thermometers specially adapted for specific purposes for measuring temperature of moving fluids or granular materials capable of flow
- G01K13/028—Thermometers specially adapted for specific purposes for measuring temperature of moving fluids or granular materials capable of flow for use in total air temperature [TAT] probes
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
- G01N9/00—Investigating density or specific gravity of materials; Analysing materials by determining density or specific gravity
-
- 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
-
- 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"
-
- 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
- G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
- G06Q50/10—Services
- G06Q50/26—Government or public services
-
- 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
-
- 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
- Y04—INFORMATION OR COMMUNICATION TECHNOLOGIES HAVING AN IMPACT ON OTHER TECHNOLOGY AREAS
- Y04S—SYSTEMS INTEGRATING TECHNOLOGIES RELATED TO POWER NETWORK OPERATION, COMMUNICATION OR INFORMATION TECHNOLOGIES FOR IMPROVING THE ELECTRICAL POWER GENERATION, TRANSMISSION, DISTRIBUTION, MANAGEMENT OR USAGE, i.e. SMART GRIDS
- Y04S10/00—Systems supporting electrical power generation, transmission or distribution
- Y04S10/50—Systems or methods supporting the power network operation or management, involving a certain degree of interaction with the load-side end user applications
Landscapes
- Engineering & Computer Science (AREA)
- Business, Economics & Management (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Tourism & Hospitality (AREA)
- Human Resources & Organizations (AREA)
- General Health & Medical Sciences (AREA)
- Health & Medical Sciences (AREA)
- Economics (AREA)
- Strategic Management (AREA)
- Marketing (AREA)
- General Business, Economics & Management (AREA)
- Life Sciences & Earth Sciences (AREA)
- Development Economics (AREA)
- Pathology (AREA)
- Artificial Intelligence (AREA)
- Entrepreneurship & Innovation (AREA)
- Immunology (AREA)
- Operations Research (AREA)
- Quality & Reliability (AREA)
- Biochemistry (AREA)
- Analytical Chemistry (AREA)
- Chemical & Material Sciences (AREA)
- Educational Administration (AREA)
- Primary Health Care (AREA)
- Game Theory and Decision Science (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本申请涉及中性大气预测技术领域，尤其涉及一种基于LSTM神经网络的中性大气温度密度预测方法及设备，方法包括：获取观测数据；观测数据至少包括：太阳辐射指数和地磁活动指数。将观测数据输入预先训练的LSTM神经网络，得到中性大气温度和密度随时间变化的数据。本申请中的技术方案，利用LSTM神经网络，深度学习历史观测数据，生成以太阳辐射指数和地磁活动指数作为输入的预测模型，从而给出得到中性大气温度和密度随时间变化的数据。相比于现有的经验模型，本申请中基于LSTM神经网络进行预测，准确度更高，更符合真实观测结果。
Description
技术领域
本申请涉及中性大气预测技术领域，尤其涉及一种基于LSTM（Long Short-TermMemory，长短期记忆人工神经网络）神经网络的中性大气温度密度预测方法及设备。
背景技术
中高层大气与人类生存环境有着密切关系，影响着人们的生产生活。中高层大气处于复杂的日地空间环境中，受太阳极紫外辐射、高能粒子、太阳风、行星际磁场等各方面的作用和影响。
中高层大气是飞行器发射、回收的重要区域。其状态和扰动特性对飞行器的主动加热、回落点精度和宇航员过载等都有着很大影响。可能会对飞行器、运载火箭等造成破坏。中高层大气是近地卫星、空间站、碎片等运行的主要场所。它的物理结构和变化特性对保障空间飞行器安全、延长轨道寿命、空间碎片监视等有着重要意义。
传统的中性大气（如NRLMSISE00、DTM等）经验模型，可以使用太阳活动指数（F10.7指数等）和地磁活动指数（AP指数等）作为驱动输入参数，基于历史经验生成全球任意高度上的中性大气环境数据（中性大气温度和中性大气密度），但是这些根据历史经验生成的模拟结果往往准确度较低，与天基或地基观测结果存在较大差异。
发明内容
为至少在一定程度上克服相关技术中传统的中性大气经验模型的模拟结果准确度较低的问题，本申请提供一种基于LSTM神经网络的中性大气温度密度预测方法及设备。
本申请的方案如下：
根据本申请实施例的第一方面，提供一种基于LSTM神经网络的中性大气温度密度预测方法，包括：
获取观测数据；所述观测数据至少包括：太阳辐射指数和地磁活动指数；
将所述观测数据输入预先训练的LSTM神经网络，得到中性大气温度和密度随时间变化的数据。
优选地，所述方法还包括：
获取第一样本数据；所述第一样本数据包括：历史太阳辐射指数和历史地磁活动指数；
将所述第一样本数据输入经验模型，得到模拟数据；所述模拟数据包括：中性大气温度模拟数据和中性大气密度模拟数据；
获取第二样本数据；所述第二样本数据包括：历史观测中性大气温度数据和历史观测中性大气密度数据；
根据所述第一样本数据、所述模拟数据和所述第二样本数据建立数据集；
根据所述数据集训练所述LSTM神经网络。
优选地，根据所述第一样本数据、所述模拟数据和所述第二样本数据建立数据集，包括：
分别建立温度数据集和密度数据集；所述温度数据集包括：第一样本数据、中性大气温度模拟数据和历史观测中性大气温度数据；所述密度数据集包括：第一样本数据、中性大气密度模拟数据和历史观测中性大气密度数据。
优选地，根据所述数据集训练所述LSTM神经网络，包括：
将所述数据集划分出训练集和测试集；
以所述训练集中的第一样本数据和所述模拟数据作为所述LSTM神经网络的输入，以所述训练集中的第二样本数据作为所述LSTM神经网络的目标数据，训练所述LSTM神经网络。
优选地，根据所述数据集训练所述LSTM神经网络，还包括：
将所述第一样本数据和所述模拟数据输入第一LSTM子神经网络，使所述第一LSTM子神经网络将第一样本数据和所述模拟数据压缩为单变量的时间序列数据；
将单变量的时间序列数据输入第二LSTM子神经网络，进一步提取单变量的时间序列数据中的时间序列特征；
将所述第二LSTM的输出结果与全连接层相连；
将全连接层的输出结果作为LSTM神经网络得到的最终结果。
优选地，根据所述数据集训练所述LSTM神经网络，还包括：
将所述最终结果与所述训练集中的第二样本数据进行比较，基于损失函数计算所述最终结果与所述第二样本数据的差值得到损失值；
以优化损失值为目标训练所述LSTM神经网络，并通过所述测试集测试所述LSTM神经网络的性能。
优选地，获取第二样本数据后，所述方法还包括：
对所述第二样本数据做平滑处理。
优选地，所述获取第二样本数据，包括：
获取FPI数据作为历史观测中性大气温度数据，获取GOCE数据作为历史观测中性大气密度数据。
优选地，所述根据所述第一样本数据、所述模拟数据和所述第二样本数据建立数据集，包括：
根据所述第一样本数据、所述模拟数据和所述第二样本数据建立时间滑动窗口为1，时间步长为500的数据集。
根据本申请实施例的第二方面，提供一种基于LSTM神经网络的中性大气温度密度预测设备，包括：
处理器和存储器；
所述处理器与存储器通过通信总线相连接：
其中，所述处理器，用于调用并执行所述存储器中存储的程序；
所述存储器，用于存储程序，所述程序至少用于执行如以上任一项所述的一种基于LSTM神经网络的中性大气温度密度预测方法。
本申请提供的技术方案可以包括以下有益效果：本申请中的基于LSTM神经网络的中性大气温度密度预测方法，包括：获取观测数据；观测数据至少包括：太阳辐射指数和地磁活动指数。将观测数据输入预先训练的LSTM神经网络，得到中性大气温度和密度随时间变化的数据。本申请中的技术方案，利用LSTM神经网络，深度学习历史观测数据，生成以太阳辐射指数和地磁活动指数作为输入的预测模型，从而给出得到中性大气温度和密度随时间变化的数据。相比于现有的经验模型，本申请中基于LSTM神经网络进行预测，准确度更高，更符合真实观测结果。
应当理解的是，以上的一般描述和后文的细节描述仅是示例性和解释性的，并不能限制本申请。
附图说明
此处的附图被并入说明书中并构成本说明书的一部分，示出了符合本申请的实施例，并与说明书一起用于解释本申请的原理。
图1是本申请一个实施例提供的一种基于LSTM神经网络的中性大气温度密度预测方法的流程示意图；
图2是本申请一个实施例提供的一种LSTM神经网络的LSTM细胞单元结构图；
图3是本申请一个实施例提供的一种基于LSTM神经网络的中性大气温度密度预测方法中训练LSTM神经网络的流程示意图；
图4是本申请一个实施例提供的另一种基于LSTM神经网络的中性大气温度密度预测方法中训练LSTM神经网络的流程示意图；
图5是本申请一个实施例提供的一种基于LSTM神经网络的中性大气温度密度预测设备的结构示意图；
附图标记：处理器-41；存储器-42。
具体实施方式
这里将详细地对示例性实施例进行说明，其示例表示在附图中。下面的描述涉及附图时，除非另有表示，不同附图中的相同数字表示相同或相似的要素。以下示例性实施例中所描述的实施方式并不代表与本申请相一致的所有实施方式。相反，它们仅是与如所附权利要求书中所详述的、本申请的一些方面相一致的装置和方法的例子。
实施例一
图1是本申请一个实施例提供的一种基于LSTM神经网络的中性大气温度密度预测方法的流程示意图，参照图1，一种基于LSTM神经网络的中性大气温度密度预测方法，包括：
S11：获取观测数据；观测数据至少包括：太阳辐射指数和地磁活动指数；
S12：将观测数据输入预先训练的LSTM神经网络，得到中性大气温度和密度随时间变化的数据。
需要说明的是，中高层大气与人类生存环境有着密切关系，影响着人们的生产生活。中高层大气处于复杂的日地空间环境中，受太阳极紫外辐射、高能粒子、太阳风、行星际磁场等各方面的作用和影响。
中高层大气是飞行器发射、回收的重要区域。其状态和扰动特性对飞行器的主动加热、回落点精度和宇航员过载等都有着很大影响。可能会对飞行器、运载火箭等造成破坏。
中高层大气是近地卫星、空间站、碎片等运行的主要场所。它的物理结构和变化特性对保障空间飞行器安全、延长轨道寿命、空间碎片监视等有着重要意义。
基于此，在中性大气模拟方面，现有技术中相继开发了基于观测数据统计分析的DTM、NRLMSIS等系列中性大气经验模型。
DTM系列模型采用扩散平衡方程的解析解形式，采用卫星阻力、大气成分和温度数据计算模型系数。主要利用了从卫星曳力数据反演的热层大气温度和密度数据。
NRLMSIS系列模型基于卫星质谱仪数据和非相干散射雷达测量温度等结果进行了建模，最新的NRLMSISE-00模型不仅加入了新的卫星数据, 还包含了Jacchia系列模型的数据库。
传统的中性大气（如NRLMSISE00、DTM等）经验模型，可以使用太阳活动指数（F10.7指数等）和地磁活动指数（AP指数等）作为驱动输入参数，基于历史经验生成全球任意高度上的中性大气环境数据（中性大气温度和中性大气密度），但是这些根据历史经验生成的模拟结果往往准确度较低，与天基或地基观测结果存在较大差异。
本实施例中为了解决这一问题，提出一种基于LSTM神经网络的中性大气温度密度预测方法，LSTM 是RNN（RecurrentNeural Network，循环神经网络）的一个变种，它解决了RNN 训练过程中出现的梯度弥散和梯度爆炸问题。相较于原始的RNN，LSTM 的每个细胞单元都有三个门结构，它们分别是输入门、遗忘门和输出门。这些“门”起到了选择信息通过的作用。
图2是本申请一个实施例提供的一种LSTM神经网络的LSTM细胞单元结构图，参照图2，图2中每个“U”都代表一个“门”结构，从左到右分别为“遗忘门”、“输入门”、“输出门”，数据进入LSTM 神经网络后，首先会经过输入门，它决定哪些新的信息“输入”到当前的状态，然后经过遗忘门，它会“遗忘”掉一些不重要的信息，最后经过输出门，它决定哪些信息会被“输出”到下一个细胞单元，LSTM 神经网络更容易捕获时间序列的长期变化特征。相比于现有的经验模型，本实施例中基于LSTM神经网络进行预测，准确度更高，更符合真实观测结果。
需要说明的是，图3是本申请一个实施例提供的一种基于LSTM神经网络的中性大气温度密度预测方法中训练LSTM神经网络的流程示意图，参照图3，方法还包括：
S21：获取第一样本数据；第一样本数据包括：历史太阳辐射指数和历史地磁活动指数；
S22：将第一样本数据输入经验模型，得到模拟数据；模拟数据包括：中性大气温度模拟数据和中性大气密度模拟数据；
S23：获取第二样本数据；第二样本数据包括：历史观测中性大气温度数据和历史观测中性大气密度数据；
S24：根据第一样本数据、模拟数据和第二样本数据建立数据集；
S25：根据数据集训练LSTM神经网络。
需要说明的是，获取第二样本数据后，方法还包括：对第二样本数据做平滑处理。
需要说明的是，本实施例中的技术方案需要首先获取历史观测中性大气温度数据和历史观测中性大气密度数据，然后将这些数据用于经验模型。在具体实践中，经验模型可以选用MSIS模型。
本实施例中的技术方案在后续利用LSTM神经网络捕捉时间序列信息，改进了中性大气经验模型的预报准确度。
可以理解的是，第二样本数据作为原始观测数据在较长时间段内具有明显的变化趋势，在短期时间内波动剧烈，不适合应用于神经网络，因此本实施例中将第二样本数据做了平滑处理，保留变化趋势的同时，尽可能多的保留更多信息。
需要说明的是，根据第一样本数据、模拟数据和第二样本数据建立数据集，包括：
分别建立温度数据集和密度数据集；温度数据集包括：第一样本数据、中性大气温度模拟数据和历史观测中性大气温度数据；密度数据集包括：第一样本数据、中性大气密度模拟数据和历史观测中性大气密度数据。
进一步的，根据数据集训练LSTM神经网络，包括：
将数据集划分出训练集和测试集；
以训练集中的第一样本数据和模拟数据作为LSTM神经网络的输入，以训练集中的第二样本数据作为LSTM神经网络的目标数据，训练LSTM神经网络。
需要说明的是，本实施例中以训练集中的第一样本数据和模拟数据作为LSTM神经网络的输入，以训练集中的第二样本数据作为LSTM神经网络的目标，训练LSTM神经网络。优选地，根据第一样本数据、模拟数据和第二样本数据建立时间滑动窗口为1，时间步长为500的数据集。
在具体实践中，可以将数据集总量的95%作为训练集，5%作为测试集。
在具体实践中，获取FPI数据作为历史观测中性大气温度数据，获取GOCE数据作为历史观测中性大气密度数据。
需要说明的是，本实施例中构建两个数据集，分别是温度数据集（历史太阳辐射指数、历史地磁活动指数、模拟数据和FPI数据）、密度数据集（历史太阳辐射指数、历史地磁活动指数、模拟数据和GOCE数据）。这是因为FPI数据与GOCE数据具有不同的时间分辨率，所以LSTM神经网络输出的中性大气温度和密度随时间变化的数据也是分开的。
参照图4，根据数据集训练LSTM神经网络，还包括：
S31：将第一样本数据和模拟数据输入第一LSTM子神经网络，使第一LSTM子神经网络将第一样本数据和模拟数据压缩为单变量的时间序列数据；
S32：将单变量的时间序列数据输入第二LSTM子神经网络，进一步提取单变量的时间序列数据中的时间序列特征；
S33：将第二LSTM的输出结果与全连接层相连；
S34：将全连接层的输出结果作为LSTM神经网络得到的最终结果。
可以理解的是，本实施例中的LSTM神经网络共有两个独立的LSTM子神经网络。
1）训练集的数据先在第一LSTM子神经网络进行训练，这一步主要是为了简化输入特征，数据集的输入特征为三个，分别是历史太阳辐射指数、历史地磁活动指数和模拟数据，在经过第一LSTM子神经网络后，会得到一个单变量的时间序列数据，简言之就是将具有三个特征的时序数据压缩为单变量的时间序列数据。
2）单变量的时间序列数据交给第二LSTM子神经网络，进一步提取时间序列特征，将第二LSTM的输出结果与全连接层相连（全连接层的节点数等于时间步长）。
全连接层的输出结果作为神经网络得到的最终结果。
可以理解的是，两个叠加的LSTM子神经网络可以更好的提取时间序列特征。
需要说明的是，根据数据集训练LSTM神经网络，还包括：
将最终结果与训练集中的第二样本数据进行比较，基于损失函数计算最终结果与第二样本数据的差值得到损失值；
以优化损失值为目标训练LSTM神经网络，并通过测试集测试LSTM神经网络的性能。
可以理解的是，本实施例中将神经网络得到的最终结果与训练集中的第二样本数据作比较。优选地，本实施例中以MAE为损失函数，计算两者的差值以得到损失值，然后以优化损失值为目标继续训练模型，直至满足目标损失值结束训练，通过测试集测试LSTM神经网络的性能，在性能测试通过时，得到训练完成的LSTM神经网络。
训练完成的LSTM神经网络用于在输入太阳辐射指数和地磁活动指数时，输出预测的中性大气温度和密度随时间变化的数据。
实施例二
图5是本申请一个实施例提供的一种基于LSTM神经网络的中性大气温度密度预测设备的结构示意图，参照图5，一种基于LSTM神经网络的中性大气温度密度预测设备，包括：
处理器41和存储器42；
处理器41与存储器42通过通信总线相连接：
其中，处理器41，用于调用并执行存储器42中存储的程序；
存储器42，用于存储程序，程序至少用于以上实施例中的基于LSTM神经网络的中性大气温度密度预测方法。
可以理解的是，上述各实施例中相同或相似部分可以相互参考，在一些实施例中未详细说明的内容可以参见其他实施例中相同或相似的内容。
需要说明的是，在本申请的描述中，术语“第一”、“第二”等仅用于描述目的，而不能理解为指示或暗示相对重要性。此外，在本申请的描述中，除非另有说明，“多个”的含义是指至少两个。
流程图中或在此以其他方式描述的任何过程或方法描述可以被理解为，表示包括一个或更多个用于实现特定逻辑功能或过程的步骤的可执行指令的代码的模块、片段或部分，并且本申请的优选实施方式的范围包括另外的实现，其中可以不按所示出或讨论的顺序，包括根据所涉及的功能按基本同时的方式或按相反的顺序，来执行功能，这应被本申请的实施例所属技术领域的技术人员所理解。
应当理解，本申请的各部分可以用硬件、软件、固件或它们的组合来实现。在上述实施方式中，多个步骤或方法可以用存储在存储器中且由合适的指令执行系统执行的软件或固件来实现。例如，如果用硬件来实现，和在另一实施方式中一样，可用本领域公知的下列技术中的任一项或他们的组合来实现：具有用于对数据信号实现逻辑功能的逻辑门电路的离散逻辑电路，具有合适的组合逻辑门电路的专用集成电路，可编程门阵列（PGA），现场可编程门阵列（FPGA）等。
本技术领域的普通技术人员可以理解实现上述实施例方法携带的全部或部分步骤是可以通过程序来指令相关的硬件完成，所述的程序可以存储于一种计算机可读存储介质中，该程序在执行时，包括方法实施例的步骤之一或其组合。
此外，在本申请各个实施例中的各功能单元可以集成在一个处理模块中，也可以是各个单元单独物理存在，也可以两个或两个以上单元集成在一个模块中。上述集成的模块既可以采用硬件的形式实现，也可以采用软件功能模块的形式实现。所述集成的模块如果以软件功能模块的形式实现并作为独立的产品销售或使用时，也可以存储在一个计算机可读取存储介质中。
上述提到的存储介质可以是只读存储器，磁盘或光盘等。
在本说明书的描述中，参考术语“一个实施例”、“一些实施例”、“示例”、“具体示例”、或“一些示例”等的描述意指结合该实施例或示例描述的具体特征、结构、材料或者特点包含于本申请的至少一个实施例或示例中。在本说明书中，对上述术语的示意性表述不一定指的是相同的实施例或示例。而且，描述的具体特征、结构、材料或者特点可以在任何的一个或多个实施例或示例中以合适的方式结合。
尽管上面已经示出和描述了本申请的实施例，可以理解的是，上述实施例是示例性的，不能理解为对本申请的限制，本领域的普通技术人员在本申请的范围内可以对上述实施例进行变化、修改、替换和变型。
Claims (6)
1.一种基于LSTM神经网络的中性大气温度密度预测方法，其特征在于，包括：
获取观测数据；所述观测数据至少包括：太阳辐射指数和地磁活动指数；
将所述观测数据输入预先训练的LSTM神经网络，得到中性大气温度和密度随时间变化的数据；
其中，训练LSTM神经网络，包括：
获取第一样本数据；所述第一样本数据包括：历史太阳辐射指数和历史地磁活动指数；
将所述第一样本数据输入经验模型，得到模拟数据；所述模拟数据包括：中性大气温度模拟数据和中性大气密度模拟数据；
获取第二样本数据；所述第二样本数据包括：历史观测中性大气温度数据和历史观测中性大气密度数据；
根据所述第一样本数据、所述模拟数据和所述第二样本数据建立数据集；
根据所述数据集训练所述LSTM神经网络；
其中，根据所述数据集训练所述LSTM神经网络，包括：
将所述数据集划分出训练集和测试集；
以所述训练集中的第一样本数据和所述模拟数据作为所述LSTM神经网络的输入，以所述训练集中的第二样本数据作为所述LSTM神经网络的目标数据，训练所述LSTM神经网络；
将所述第一样本数据和所述模拟数据输入第一LSTM子神经网络，使所述第一LSTM子神经网络将第一样本数据和所述模拟数据压缩为单变量的时间序列数据；
将单变量的时间序列数据输入第二LSTM子神经网络，进一步提取单变量的时间序列数据中的时间序列特征；
将所述第二LSTM的输出结果与全连接层相连；
将全连接层的输出结果作为LSTM神经网络得到的最终结果；
将所述最终结果与所述训练集中的第二样本数据进行比较，基于损失函数计算所述最终结果与所述第二样本数据的差值得到损失值；
以优化损失值为目标训练所述LSTM神经网络，并通过所述测试集测试所述LSTM神经网络的性能。
2.根据权利要求1所述的方法，其特征在于，根据所述第一样本数据、所述模拟数据和所述第二样本数据建立数据集，包括：
分别建立温度数据集和密度数据集；所述温度数据集包括：第一样本数据、中性大气温度模拟数据和历史观测中性大气温度数据；所述密度数据集包括：第一样本数据、中性大气密度模拟数据和历史观测中性大气密度数据。
3.根据权利要求1所述的方法，其特征在于，获取第二样本数据后，所述方法还包括：
对所述第二样本数据做平滑处理。
4.根据权利要求1所述的方法，其特征在于，所述获取第二样本数据，包括：
获取FPI数据作为历史观测中性大气温度数据，获取GOCE数据作为历史观测中性大气密度数据。
5.根据权利要求1所述的方法，其特征在于，所述根据所述第一样本数据、所述模拟数据和所述第二样本数据建立数据集，包括：
根据所述第一样本数据、所述模拟数据和所述第二样本数据建立时间滑动窗口为1，时间步长为500的数据集。
6.一种基于LSTM神经网络的中性大气温度密度预测设备，其特征在于，包括：
处理器和存储器；
所述处理器与存储器通过通信总线相连接：
其中，所述处理器，用于调用并执行所述存储器中存储的程序；
所述存储器，用于存储程序，所述程序至少用于执行权利要求1-5任一项所述的一种基于LSTM神经网络的中性大气温度密度预测方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310160993.8A CN116136975B (zh) | 2023-02-24 | 2023-02-24 | 基于lstm神经网络的中性大气温度密度预测方法及设备 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310160993.8A CN116136975B (zh) | 2023-02-24 | 2023-02-24 | 基于lstm神经网络的中性大气温度密度预测方法及设备 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN116136975A CN116136975A (zh) | 2023-05-19 |
| CN116136975B true CN116136975B (zh) | 2023-08-15 |
Family
ID=86332775
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202310160993.8A Active CN116136975B (zh) | 2023-02-24 | 2023-02-24 | 基于lstm神经网络的中性大气温度密度预测方法及设备 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN116136975B (zh) |
Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN107563574A (zh) * | 2017-09-29 | 2018-01-09 | 北京理工大学 | 一种基于长短时记忆模型循环神经网络的地磁场预测方法 |
| CN109816008A (zh) * | 2019-01-20 | 2019-05-28 | 北京工业大学 | 一种基于长短期记忆网络的天文大数据光变曲线异常预测方法 |
| CN113379107A (zh) * | 2021-05-26 | 2021-09-10 | 江苏师范大学 | 基于lstm和gcn的区域电离层tec预报方法 |
| CN114091647A (zh) * | 2021-11-12 | 2022-02-25 | 北部湾大学 | 一种基于bp神经网络的太阳10.7厘米射电流量预报方法 |
-
2023
- 2023-02-24 CN CN202310160993.8A patent/CN116136975B/zh active Active
Patent Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN107563574A (zh) * | 2017-09-29 | 2018-01-09 | 北京理工大学 | 一种基于长短时记忆模型循环神经网络的地磁场预测方法 |
| CN109816008A (zh) * | 2019-01-20 | 2019-05-28 | 北京工业大学 | 一种基于长短期记忆网络的天文大数据光变曲线异常预测方法 |
| CN113379107A (zh) * | 2021-05-26 | 2021-09-10 | 江苏师范大学 | 基于lstm和gcn的区域电离层tec预报方法 |
| CN114091647A (zh) * | 2021-11-12 | 2022-02-25 | 北部湾大学 | 一种基于bp神经网络的太阳10.7厘米射电流量预报方法 |
Non-Patent Citations (1)
| Title |
|---|
| Zhang, Y. ; Yu, J. ; Chen, J. ; Sang, J.An Empirical Atmospheric Density Calibration Model Based on Long Short-Term Memory Neural Network.Atmosphere 2021, 12, 925..2021,1-20. * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN116136975A (zh) | 2023-05-19 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN109492830B (zh) | 一种基于时空深度学习的移动污染源排放浓度预测方法 | |
| 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 | |
| CN110188397A (zh) | 一种架空输电线路覆冰预测模型和方法 | |
| CN113379107B (zh) | 基于lstm和gcn的区域电离层tec预报方法 | |
| CN106229972B (zh) | 一种基于多气象源集成并分段建模的风电功率预测方法 | |
| CN109492256B (zh) | 一种动态系统状态概率映射矩阵多向搜索方法 | |
| CN110991690A (zh) | 一种基于深度卷积神经网络的多时次风速预测方法 | |
| CN111797131A (zh) | 一种基于遥感降水产品的极端降水区域频率分析方法 | |
| CN109472283B (zh) | 一种基于多重增量回归树模型的危险天气预测方法和装置 | |
| CN106709588A (zh) | 预测模型构建方法和设备以及实时预测方法和设备 | |
| CN113283155B (zh) | 一种近地表气温估算方法、系统、存储介质及设备 | |
| CN115859816A (zh) | 一种基于cnn-lstm算法的风功率分钟级预测方法及系统 | |
| CN115951014A (zh) | 一种结合气象特征的cnn-lstm-bp多模态空气污染物预测方法 | |
| CN116527135B (zh) | 站址可用度确定方法、系统、装置、电子设备及存储介质 | |
| CN114330517A (zh) | 一种基于神经网络的航空发动机传感器故障自诊断方法 | |
| Jin et al. | Deep learning for seasonal precipitation prediction over China | |
| CN115577436A (zh) | 一种求解不确定结构风致振动响应的组合深度学习方法 | |
| CN110991776A (zh) | 一种基于gru网络实现水位预测的方法及系统 | |
| CN114091647A (zh) | 一种基于bp神经网络的太阳10.7厘米射电流量预报方法 | |
| CN116136975B (zh) | 基于lstm神经网络的中性大气温度密度预测方法及设备 | |
| CN115994491B (zh) | 一种灭火弹挂飞温度补偿方法和系统 | |
| JP7140936B2 (ja) | 突発故障時の落下傘降下時間に対する予測方法、システム、及び機器 | |
| CN115169592A (zh) | 能见度预测方法、装置、存储介质及计算机设备 | |
| CN105303898B (zh) | 一种基于主成分分析的空中交通管制模拟仿真异常检测方法和装置 | |
| KR102570099B1 (ko) | 고빈도 기상 데이터를 이용한 합성곱 신경망 기반의 기상 요소 예측 방법 및 장치 |
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 |