CN116699671A - 一种基于随机森林回归的电离层幅度闪烁指数计算方法 - Google Patents

一种基于随机森林回归的电离层幅度闪烁指数计算方法 Download PDF

Info

Publication number
CN116699671A
CN116699671A CN202310491571.9A CN202310491571A CN116699671A CN 116699671 A CN116699671 A CN 116699671A CN 202310491571 A CN202310491571 A CN 202310491571A CN 116699671 A CN116699671 A CN 116699671A
Authority
CN
China
Prior art keywords
satellite
observation data
observation
random forest
ionosphere
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
CN202310491571.9A
Other languages
English (en)
Inventor
钟伦珑
刘明远
胡铁乔
刘海斌
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 CN202310491571.9A priority Critical patent/CN116699671A/zh
Publication of CN116699671A publication Critical patent/CN116699671A/zh
Pending legal-status Critical Current

Links

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/27—Regression, e.g. linear or logistic regression
    • 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
    • G01S19/21—Interference related issues ; Issues related to cross-correlation, spoofing or other methods of denial of service
    • 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
    • G01—MEASURING; TESTING
    • G01T—MEASUREMENT OF NUCLEAR OR X-RADIATION
    • G01T1/00—Measuring X-radiation, gamma radiation, corpuscular radiation, or cosmic radiation
    • G01T1/16—Measuring radiation intensity
    • G01T1/20—Measuring radiation intensity with scintillation detectors
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N5/00—Computing arrangements using knowledge-based models
    • G06N5/01—Dynamic search techniques; Heuristics; Dynamic trees; Branch-and-bound
    • 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)
  • General Physics & Mathematics (AREA)
  • Remote Sensing (AREA)
  • Radar, Positioning & Navigation (AREA)
  • Theoretical Computer Science (AREA)
  • Data Mining & Analysis (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Artificial Intelligence (AREA)
  • Signal Processing (AREA)
  • Computer Networks & Wireless Communication (AREA)
  • Evolutionary Computation (AREA)
  • General Engineering & Computer Science (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Computing Systems (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • Health & Medical Sciences (AREA)
  • High Energy & Nuclear Physics (AREA)
  • Molecular Biology (AREA)
  • Spectroscopy & Molecular Physics (AREA)
  • Computational Linguistics (AREA)
  • Evolutionary Biology (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Position Fixing By Use Of Radio Waves (AREA)

Abstract

一种基于随机森林回归的电离层幅度闪烁指数计算方法：获取观测数据，划分观测数据块；构建样本数据集；构建基于随机森林回归的闪烁指数计算模型：设定随机森林模型的参数；生成样本数据集D的子集；训练生成回归树；得到随机森林模型及模型输出；调节随机森林模型参数得到闪烁指数计算模型；利用闪烁指数计算模型计算闪烁指数，是将样本数据集D以外的与接收机无关的交换格式双频观测数据作为待测数据，输入构建好的闪烁指数计算模型，得到闪烁指数计算结果。本发明基于双频卫星导航接收机数据计算电离层形态结构参数，用于样本数据集的构建，避免了传统基于机器学习计算电离层幅度闪烁指数方法中需要外部设备提供电离层活动参数的缺点。

Description

一种基于随机森林回归的电离层幅度闪烁指数计算方法
技术领域
本发明涉及一种电离层幅度闪烁指数计算方法。特别是涉及一种基于随机森林回归的电离层幅度闪烁指数计算方法。
背景技术
电离层闪烁监测技术可概括为地基探测和天基探测两类。地基探测主要是利用地面电离层测高仪、大功率雷达等地面设备发射探测信号进行电离层参量分析。天基探测主要是利用电离层掩星、低轨卫星等技术将电子探针、离子探针等电离层探测装置带到电离层所处的高度上，通过探测电离层对装置的直接作用来获得电离层特征参量。传统的电离层探测技术由于观测数据空间分布不均匀、观测时间不连续、空间分辨率低等缺点，阻碍了对电离层异常事件变化特征的研究。近年来随着全球卫星导航系统(GNSS)的发展，其全天候、高精度和低成本的优点被广泛应用于大气与空间环境监测的研究上。电离层闪烁会对GNSS服务完好性、连续性和可用性造成严重影响，影响定位精度。对电离层闪烁监测十分重要。电离层闪烁指数作为表征闪烁强度的参数，精确计算十分重要。
目前，电离层闪烁指数计算主要分为：数学解析方法和机器学习方法。数学解析方法主要为基于接收机跟踪环路相干积分计算方法和基于载噪比计算方法。基于接收机跟踪环路相干积分计算方法，一般需要至少50Hz采样率的电离层闪烁接收机(ISMR)跟踪信号，ISMR价格昂贵，难以实现大范围运用。比如，专利CN201810924797.2提出了一种用于大幅度闪烁的电离层闪烁监测系统，计算闪烁指数的信号强度采样率为50Hz，并且需要对接收机跟踪环路进行复杂设计提高性能，以保持对闪烁信号的稳定跟踪。基于载噪比计算方法，一般需要1Hz采样率的普通双频卫星导航接收机，虽然能实现电离层闪烁低成本监测，但闪烁指数计算结果精度不高。机器学习方法需要太阳黑子数、太阳活动指数和地磁活动指数等与电离层活动联系紧密的参数来构建数据集，但这些方法受接收机的输出参数和电离层参数采样率不同，以及电离层参数需要外部设备提供、更新慢等因素的影响，预测结果的时间分辨率低，在实际网络构建中并不实用。
发明内容
本发明所要解决的技术问题是，提供一种能够实现低成本、高精度电离层闪烁监测的基于随机森林回归的电离层幅度闪烁指数计算方法。
本发明所采用的技术方案是：一种基于随机森林回归的电离层幅度闪烁指数计算方法，包括如下步骤，
1)获取观测数据，划分观测数据块
从电离层监测网数据中心获取固定观测站在某一时间段的与接收机无关的交换格式双频观测数据和电离层闪烁接收机输出的电离层幅度闪烁指数；将RINEX双频观测数据划分观测数据块，一个观测数据块包括60个观测数据；
2)构建样本数据集
分别处理每个观测数据块，具体包括计算相关参数作为输入元素，所述相关参数分别为每个观测数据块内的卫星仰角均值卫星电离层总电子含量均值/>卫星电离层总电子含量变化率指数ROTI、卫星载噪比均值C、卫星信号强度S′和卫星闪烁因子S4c；将电离层闪烁接收机提供的电离层幅度闪烁指数作为目标预测值S4，输入元素与目标预测值共同构成样本数据集D；
3)构建基于随机森林回归的闪烁指数计算模型，包括：设定随机森林模型的参数；生成样本数据集D的子集；训练生成回归树；得到随机森林模型及模型输出；调节随机森林模型参数得到闪烁指数计算模型；
4)利用闪烁指数计算模型计算闪烁指数
将样本数据集D以外的与接收机无关的交换格式双频观测数据作为待测数据，输入构建好的闪烁指数计算模型，得到闪烁指数计算结果。
本发明的一种基于随机森林回归的电离层幅度闪烁指数计算方法，在电离层监测网数据中心提供的双频卫星导航接收机数据和电离层幅度闪烁指数的基础上，构成样本数据集，训练随机森林模型得到闪烁指数计算模型，将普通的双频卫星导航接收机数据输入到此模型，即可计算得到电离层幅度闪烁指数。本发明基于双频卫星导航接收机数据计算电离层形态结构参数，用于样本数据集的构建，避免了传统基于机器学习计算电离层幅度闪烁指数方法中需要外部设备提供电离层活动参数的缺点。本发明采用电离层监测网数据中心的数据较易获得，而且电离层监测网基本覆盖全球，为可覆盖大范围的电离层闪烁指数计算模型提供数据来源。同时，在电离层闪烁指数计算模型仅需输入普通双频卫星导航接收机数据，避免了基于数学解析计算电离层幅度闪烁指数方法需要专用电离层闪烁接收机的问题。由于普通双频卫星导航接收机应用广泛、成本低，应用本发明可达到全天候、低成本、高精度电离层闪烁监测的目的，满足电离层闪烁低成本、高精度监测需求。
附图说明
图1是本发明基于随机森林回归的电离层幅度闪烁指数计算方法的流程图；
图2是本发明基于随机森林回归的闪烁指数计算模型构建流程图；
图3是依据本发明方法得到的G19卫星在2015年3月17日的电离层幅度闪烁指数计算结果图。
具体实施方式
下面结合实施例和附图对本发明的做出详细说明。
如图1所示，本发明的一种基于随机森林回归的电离层幅度闪烁指数计算方法，包括如下步骤：
1)获取观测数据，划分观测数据块
从电离层监测网数据中心获取固定观测站在某一时间段的与接收机无关的交换格式(RINEX)双频观测数据和电离层闪烁接收机(ISMR)输出的电离层幅度闪烁指数；将RINEX双频观测数据划分观测数据块，一个观测数据块包括60个观测数据；其中：
所述的与接收机无关的交换格式双频观测数据包含双频的卫星导航接收机数据和卫星位置信息。
所述的与接收机无关的交换格式双频观测数据为电离层监测网数据中心提供的双频GPS接收机观测数据，数据包括：L1频段的测距码伪距P1，载波相位载噪比C，采样周期为1s；L2频段的测距码伪距P2，载波相位/>采样周期为1s；双频GPS接收机的位置信息，以及卫星的位置信息。
所述的电离层闪烁接收机输出的电离层幅度闪烁指数，采样周期为1min。
2)构建样本数据集
分别处理每个观测数据块，具体包括计算相关参数作为输入元素，所述相关参数分别为每个观测数据块内的卫星仰角均值卫星电离层总电子含量均值/>卫星电离层总电子含量变化率指数ROTI、卫星载噪比均值/>卫星信号强度S′和卫星闪烁因子S4c；将电离层闪烁接收机提供的电离层幅度闪烁指数作为目标预测值S4，输入元素与目标预测值共同构成样本数据集D；其中：
(2.1)所述的卫星仰角均值由下式计算：
式中，m代表每个观测数据块的序号，i代表观测数据在观测数据块中的序号，为第m个观测数据块中的第k个卫星的仰角均值；N为观测数据块中观测数据的总数；θk(m,i)为第m个观测数据块中第i个观测数据中的第k颗卫星的仰角，由下式得到：
式中，tg-1(·)为反正切运算；φk(m,i)为第m个观测数据块中第i个观测数据点中的第k颗卫星的经度；ζk(m,i)为第m个观测数据块中第i个观测数据点中的第k颗卫星的纬度；γ为接双频GPS接收机的纬度；
若计算出的卫星仰角均值大于等于25°，则继续执行第(2.2)～(2.7)步；若计算出的卫星仰角均值/>小于25°，则舍弃当前数据块，继续对下一数据块执行第(2.1)步：
(2.2)所述卫星电离层总电子含量均值由下式计算：
式中，为第m个观测数据块中的第k个卫星的电离层总电子含量均值；TECk(m,i)为第m个观测数据块中第i个观测数据中的第k颗卫星的电离层总电子含量；所述电离层总电子含量TECk(m,i)是对卫星的L1、L2两个频段的载波相位平滑伪距进行合并得到的：
式中，f1和f2分别对应卫星的L1、L2频段，分别为1575.42MHz和1227.6MHz；和/>分别为第m个观测数据块中第i个观测数据中的第k颗卫星在L1、L2频段的载波相位平滑伪距；L1、L2频段的载波相位平滑伪距均由下式计算：
式中，为第m个观测数据块中第i个观测数据中的第k颗卫星L1或L2频段的载波相位平滑伪距，l＝1、2；/>为第m个观测数据块中第i-1个观测数据中的第k颗卫星在L1或L2频段的载波相位平滑伪距；Pk,l(m,i)为第m个观测数据块中第i个观测数据中的第k颗卫星在L1或L2频段的伪距；T为平滑的时间常数，本实施例中取60s；/>为第m个观测数据块中第i个观测数据中的第k颗卫星在L1或L2频段的载波相位，/>为第m个观测数据块中第i-1个观测数据中的第k颗卫星在L1或L2频段的载波相位；λl为L1或L2频段对应的载波波长；
(2.3)所述卫星电离层总电子含量变化率指数ROTI是对卫星电离层总电子含量的变化率求标准差得到：
式中，ROTIk(m)为第m个观测数据块对应的第k颗卫星的电离层总电子含量的变化率指数；ROTk(m,i)为第m个观测数据块中第i个观测数据中的第k颗卫星的电离层总电子含量变化率；N为观测数据块中观测数据的总数；电离层总电子含量变化率ROTk(m,i)是由第m个观测数据块中第i个观测数据中的第k颗卫星的电离层总电子含量TECk(m,i)减去第m个观测数据块中第i-1个观测数据中的第k颗卫星的电离层总电子含量TECk(m,i-1)得到：
ROTk(m,i)＝TECk(m,i)-TECk(m,i-1) (7)；
(2.4)所述卫星的载噪比均值由下式计算：
式中，为第m个观测数据块中的第k颗卫星的载噪比均值；Ck(m,i)为第m个观测数据块中第i个观测数据中的第k颗卫星的载噪比；
(2.5)所述卫星信号强度S′由下式计算：
式中，S′k(m,i)为第m个观测数据块中第i个观测数据中的第k颗卫星的信号强度；Sk(m,i)为第m个观测数据块中第i个观测数据中的第k颗卫星的信噪比；信噪比Sk(m,i)是由载噪比计算得到：
(2.6)所述的卫星闪烁因子S4c由下式计算：
式中，S4c,k(m)为第m个观测数据块中的第k颗卫星的闪烁因子；
(2.7)所述的目标预测值S4，由电离层闪烁接收机提供，采样周期为1min，
(2.8)所述样本数据集D为：
3)构建基于随机森林回归的闪烁指数计算模型
如图2所示的本发明基于随机森林回归的闪烁指数计算模型构建流程图，具体包括：
(3.1)设定随机森林模型的参数
随机森林模型的参数，包括回归树棵数n和选取特征个数M，其中回归树棵数n随机选取1到2000的整数，特征个数M随机选取1到6的整数；
(3.2)生成样本数据集D的子集
采用自助抽样法(Bootstrap)对步骤2)构建的样本数据集D进行有放回的抽样，随机产生样本数据集D的n个子集D1、D2、…、Dn，n为小于等于2000的整数；
(3.3)训练生成回归树
将第(3.2)步生成的子集D1、D2、…、Dn分别作为对应回归树T1、T2、…、Tn的根节点样本，并随机选择样本数据集D中M个输入元素作为特征，训练生成回归树，同时得到回归树的预测结果y1、y2、…、yn；
(3.4)得到随机森林模型及模型输出
组合训练好的n棵回归树，得到随机森林模型，随机森林模型的输出由下式计算：
式中，q为回归树的预测结果的序号；
(3.5)调节随机森林模型参数得到闪烁指数计算模型
选取随机森林模型的常用评估指标决定系数R，R由下式计算：
式中，J为样本数据集的样本总个数；j为样本数据集的样本序号；S4(j)为第j个样本的目标预测值；为样本数据集中所有目标预测值的均值；/>为第j个样本的随机森林输出；
调节随机森林模型参数回归树棵数n和特征个数M，重复步骤(3.2)到(3.4)，第j个样本的随机森林输出y(j)随回归树棵数n和特征个数M改变，当R达到最大值时，将此时的随机森林模型作为闪烁指数计算模型；在本发明的实施例中，是采用网格搜索法调节回归树棵数n和特征个数M。
4)利用闪烁指数计算模型计算闪烁指数
将样本数据集D以外的双频观测数据作为待测数据，输入构建好的闪烁指数计算模型，得到闪烁指数计算结果。
在本发明的实施例中，采用加拿大高纬度北极电离层闪烁监测网络(CHAIN)数据中心提供的2015年3月17日的双频GPS接收机观测数据、电离层幅度闪烁指数来测试本发明方法。将CHAIN网络ran、arv、gil和rab观测站提供的当天数据构建样本数据集，采用网格搜索法调节随机森林模型参数，选取n＝998，Mtry＝3，得到的模型决定系数为0.975，并形成闪烁指数计算模型。同时，将CHAIN网络chu观测站提供的当天数据作为待测数据，输入到生成的闪烁指数计算模型中，得到的G19号卫星在2015年3月17日的电离层幅度闪烁指数计算结果图如图3所示，可见本发明的电离层幅度闪烁指数计算结果和实测结果几乎没有差别。

Claims (7)

1.一种基于随机森林回归的电离层幅度闪烁指数计算方法，其特征在于，包括如下步骤：
1)获取观测数据，划分观测数据块
从电离层监测网数据中心获取固定观测站在某一时间段的与接收机无关的交换格式双频观测数据和电离层闪烁接收机输出的电离层幅度闪烁指数；将RINEX双频观测数据划分观测数据块，一个观测数据块包括60个观测数据；
2)构建样本数据集
分别处理每个观测数据块，具体包括计算相关参数作为输入元素，所述相关参数分别为每个观测数据块内的卫星仰角均值卫星电离层总电子含量均值/>卫星电离层总电子含量变化率指数ROTI、卫星载噪比均值/>卫星信号强度S′和卫星闪烁因子S4c；将电离层闪烁接收机提供的电离层幅度闪烁指数作为目标预测值S4，输入元素与目标预测值共同构成样本数据集D；
3)构建基于随机森林回归的闪烁指数计算模型，包括：设定随机森林模型的参数；生成样本数据集D的子集；训练生成回归树；得到随机森林模型及模型输出；调节随机森林模型参数得到闪烁指数计算模型；
4)利用闪烁指数计算模型计算闪烁指数
将样本数据集D以外的与接收机无关的交换格式双频观测数据作为待测数据，输入构建好的闪烁指数计算模型，得到闪烁指数计算结果。
2.根据权利要求1所述的一种基于随机森林回归的电离层幅度闪烁指数计算方法，其特征在于，步骤1)所述的与接收机无关的交换格式双频观测数据包含双频的卫星导航接收机数据和卫星位置信息。
3.根据权利要求1所述的一种基于随机森林回归的电离层幅度闪烁指数计算方法，其特征在于，步骤1)所述的与接收机无关的交换格式双频观测数据为电离层监测网数据中心提供的双频GPS接收机观测数据，数据包括：L1频段的测距码伪距P1，载波相位载噪比C，采样周期为1s；L2频段的测距码伪距P2，载波相位/>采样周期为1s；双频GPS接收机的位置信息，以及卫星的位置信息。
4.根据权利要求1所述的一种基于随机森林回归的电离层幅度闪烁指数计算方法，其特征在于，步骤1)所述的电离层闪烁接收机输出的电离层幅度闪烁指数，采样周期为1min。
5.根据权利要求1所述的一种基于随机森林回归的电离层幅度闪烁指数计算方法，其特征在于，步骤2)中：
(2.1)所述的卫星仰角均值由下式计算：
式中，m代表每个观测数据块的序号，i代表观测数据在观测数据块中的序号，为第m个观测数据块中的第k个卫星的仰角均值；N为观测数据块中观测数据的总数；θk(m,i)为第m个观测数据块中第i个观测数据中的第k颗卫星的仰角，由下式得到：
式中，tg-1(·)为反正切运算；φk(m,i)为第m个观测数据块中第i个观测数据点中的第k颗卫星的经度；ζk(m,i)为第m个观测数据块中第i个观测数据点中的第k颗卫星的纬度；γ为接双频GPS接收机的纬度；
若计算出的卫星仰角均值大于等于25°，则继续执行第(2.2)～(2.7)步；若计算出的卫星仰角均值/>小于25°，则舍弃当前数据块，继续对下一数据块执行第(2.1)步：
(2.2)所述卫星电离层总电子含量均值由下式计算：
式中，为第m个观测数据块中的第k个卫星的电离层总电子含量均值；TECk(m,i)为第m个观测数据块中第i个观测数据中的第k颗卫星的电离层总电子含量；所述电离层总电子含量TECk(m,i)是对卫星的L1、L2两个频段的载波相位平滑伪距进行合并得到的：
式中，f1和f2分别对应卫星的L1、L2频段，分别为1575.42MHz和1227.6MHz；和分别为第m个观测数据块中第i个观测数据中的第k颗卫星在L1、L2频段的载波相位平滑伪距；L1、L2频段的载波相位平滑伪距均由下式计算：
式中，为第m个观测数据块中第i个观测数据中的第k颗卫星L1或L2频段的载波相位平滑伪距，l＝1、2；/>为第m个观测数据块中第i-1个观测数据中的第k颗卫星在L1或L2频段的载波相位平滑伪距；Pk,l(m,i)为第m个观测数据块中第i个观测数据中的第k颗卫星在L1或L2频段的伪距；T为平滑的时间常数，本实施例中取60s；/>为第m个观测数据块中第i个观测数据中的第k颗卫星在L1或L2频段的载波相位，/>为第m个观测数据块中第i-1个观测数据中的第k颗卫星在L1或L2频段的载波相位；λl为L1或L2频段对应的载波波长；
(2.3)所述卫星电离层总电子含量变化率指数ROTI是对卫星电离层总电子含量的变化率求标准差得到：
式中，ROTIk(m)为第m个观测数据块对应的第k颗卫星的电离层总电子含量的变化率指数；ROTk(m,i)为第m个观测数据块中第i个观测数据中的第k颗卫星的电离层总电子含量变化率；N为观测数据块中观测数据的总数；电离层总电子含量变化率ROTk(m,i)是由第m个观测数据块中第i个观测数据中的第k颗卫星的电离层总电子含量TECk(m,i)减去第m个观测数据块中第i-1个观测数据中的第k颗卫星的电离层总电子含量TECk(m,i-1)得到：
ROTk(m,i)＝TECk(m,i)-TECk(m,i-1) (7)；
(2.4)所述卫星的载噪比均值由下式计算：
式中，Ck(m)为第m个观测数据块中的第k颗卫星的载噪比均值；Ck(m,i)为第m个观测数据块中第i个观测数据中的第k颗卫星的载噪比；
(2.5)所述卫星信号强度S′由下式计算：
式中，S′k(m,i)为第m个观测数据块中第i个观测数据中的第k颗卫星的信号强度；Sk(m,i)为第m个观测数据块中第i个观测数据中的第k颗卫星的信噪比；信噪比Sk(m,i)是由载噪比计算得到：
(2.6)所述的卫星闪烁因子S4c由下式计算：
式中，S4c,k(m)为第m个观测数据块中的第k颗卫星的闪烁因子；
(2.7)所述的目标预测值S4，由电离层闪烁接收机提供，采样周期为1min，
(2.8)所述样本数据集D为：
6.根据权利要求1所述的一种基于随机森林回归的电离层幅度闪烁指数计算方法，其特征在于，步骤3)包括：
(3.1)设定随机森林模型的参数
随机森林模型的参数，包括回归树棵数n和选取特征个数M，其中回归树棵数n随机选取1到2000的整数，特征个数M随机选取1到6的整数；
(3.2)生成样本数据集D的子集
采用自助抽样法(Bootstrap)对步骤2)构建的样本数据集D进行有放回的抽样，随机产生样本数据集D的n个子集D1、D2、…、Dn，n为小于等于2000的整数；
(3.3)训练生成回归树
将第(3.2)步生成的子集D1、D2、…、Dn分别作为对应回归树T1、T2、…、Tn的根节点样本，并随机选择样本数据集D中M个输入元素作为特征，训练生成回归树，同时得到回归树的预测结果y1、y2、…、yn；
(3.4)得到随机森林模型及模型输出
组合训练好的n棵回归树，得到随机森林模型，随机森林模型的输出由下式计算：
式中，q为回归树的预测结果的序号；
(3.5)调节随机森林模型参数得到闪烁指数计算模型
选取随机森林模型的常用评估指标决定系数R，R由下式计算：
式中，J为样本数据集的样本总个数；j为样本数据集的样本序号；S4(j)为第j个样本的目标预测值；为样本数据集中所有目标预测值的均值；/>为第j个样本的随机森林输出；
调节随机森林模型参数回归树棵数n和特征个数M，重复步骤(3.2)到(3.4)，第j个样本的随机森林输出y(j)随回归树棵数n和特征个数M改变，当R达到最大值时，将此时的随机森林模型作为闪烁指数计算模型。
7.根据权利要求5所述的一种基于随机森林回归的电离层幅度闪烁指数计算方法，其特征在于，是采用网格搜索法调节回归树棵数n和特征个数M。
CN202310491571.9A 2023-04-29 2023-04-29 一种基于随机森林回归的电离层幅度闪烁指数计算方法 Pending CN116699671A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202310491571.9A CN116699671A (zh) 2023-04-29 2023-04-29 一种基于随机森林回归的电离层幅度闪烁指数计算方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202310491571.9A CN116699671A (zh) 2023-04-29 2023-04-29 一种基于随机森林回归的电离层幅度闪烁指数计算方法

Publications (1)

Publication Number Publication Date
CN116699671A true CN116699671A (zh) 2023-09-05

Family

ID=87834759

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202310491571.9A Pending CN116699671A (zh) 2023-04-29 2023-04-29 一种基于随机森林回归的电离层幅度闪烁指数计算方法

Country Status (1)

Country Link
CN (1) CN116699671A (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN116973945A (zh) * 2023-09-21 2023-10-31 山东科技大学 基于智能终端gnss数据的干扰检测方法及系统

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN116973945A (zh) * 2023-09-21 2023-10-31 山东科技大学 基于智能终端gnss数据的干扰检测方法及系统
CN116973945B (zh) * 2023-09-21 2023-12-08 山东科技大学 基于智能终端gnss数据的干扰检测方法及系统

Similar Documents

Publication Publication Date Title
Roesler et al. Software tools for GNSS interferometric reflectometry (GNSS-IR)
Yu et al. Snow depth estimation based on multipath phase combination of GPS triple-frequency signals
Zou et al. A quality control procedure for GPS radio occultation data
CN113805208B (zh) 一种适用于导航接收机的gnss-ir测高方法
CN113408111B (zh) 大气可降水量反演方法及系统、电子设备和存储介质
Seemala Estimation of ionospheric total electron content (TEC) from GNSS observations
Arora et al. Ionospheric modelling using GPS to calibrate the MWA. I: Comparison of first order ionospheric effects between GPS models and MWA observations
Liu et al. Evaluation of HY-2A satellite-borne water vapor radiometer with shipborne GPS and GLONASS observations over the Indian Ocean
CN111123345B (zh) 一种基于gnss测量的经验电离层模型数据驱动方法
CN116719062A (zh) 卫星的信号质量评估方法及装置、设备、存储介质
Wu et al. Validating HY-2A CMR precipitable water vapor using ground-based and shipborne GNSS observations
CN116699671A (zh) 一种基于随机森林回归的电离层幅度闪烁指数计算方法
CN116150573A (zh) 一种基于gism星历的电离层闪烁过程受扰gnss卫星识别与风险预警方法
Vergados et al. Characterization of the impact of GLONASS observables on receiver bias estimation for ionospheric studies
Jiang et al. Land water vapor retrieval for AMSR2 using a deep learning method
Liu et al. A comprehensive evaluation of utilizing BeiDou data to estimate snow depths from two ground-based stations
Hu et al. Preliminary results of iGMAS BDS/GNSS absolute antenna phase center field calibration
Wielgosz et al. Research on GNSS positioning and applications in Poland in 2015–2018
Das et al. Detection of thunderstorm using Indian navigation satellite NavIC
CN115616637A (zh) 一种基于三维格网多径建模的城市复杂环境导航定位方法
Yang et al. An innovative approach for atmospheric error mitigation using new GNSS signals
CN112528213B (zh) 基于低地球轨道卫星全球电离层总电子含量多层解析方法
CN114217332A (zh) 顾及闪烁指数的gnss精密定位随机模型建模方法和系统
CN114152936A (zh) 森林研究区的星载波形激光雷达地面高程精度评价方法
Schaer GNSS ionosphere analysis at CODE

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