CN117272812A - 一种低纬小区域电离层模型构建方法 - Google Patents
一种低纬小区域电离层模型构建方法 Download PDFInfo
- Publication number
- CN117272812A CN117272812A CN202311249305.1A CN202311249305A CN117272812A CN 117272812 A CN117272812 A CN 117272812A CN 202311249305 A CN202311249305 A CN 202311249305A CN 117272812 A CN117272812 A CN 117272812A
- Authority
- CN
- China
- Prior art keywords
- data
- interpolation
- grid
- ionosphere
- small area
- 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
- 239000005433 ionosphere Substances 0.000 title claims abstract description 35
- 238000010276 construction Methods 0.000 title description 6
- 238000000034 method Methods 0.000 claims abstract description 39
- 238000012545 processing Methods 0.000 claims abstract description 27
- 238000009826 distribution Methods 0.000 claims abstract description 15
- 238000003062 neural network model Methods 0.000 claims abstract description 15
- 238000001914 filtration Methods 0.000 claims abstract description 14
- 238000013527 convolutional neural network Methods 0.000 claims description 21
- 230000006870 function Effects 0.000 claims description 18
- 239000011159 matrix material Substances 0.000 claims description 9
- 230000015654 memory Effects 0.000 claims description 6
- 238000004364 calculation method Methods 0.000 claims description 5
- 238000004458 analytical method Methods 0.000 claims description 4
- 238000005070 sampling Methods 0.000 claims description 4
- 230000007704 transition Effects 0.000 claims description 4
- 230000001537 neural effect Effects 0.000 claims description 3
- 238000000926 separation method Methods 0.000 claims description 3
- 230000000007 visual effect Effects 0.000 claims description 3
- 238000012800 visualization Methods 0.000 claims description 3
- 230000008859 change Effects 0.000 abstract description 6
- 230000005856 abnormality Effects 0.000 abstract description 2
- 230000000694 effects Effects 0.000 description 11
- 238000005259 measurement Methods 0.000 description 6
- 230000002159 abnormal effect Effects 0.000 description 4
- 238000011176 pooling Methods 0.000 description 4
- 230000008569 process Effects 0.000 description 4
- 238000012549 training Methods 0.000 description 4
- 238000013528 artificial neural network Methods 0.000 description 3
- 238000010586 diagram Methods 0.000 description 3
- 238000000605 extraction Methods 0.000 description 3
- 238000009499 grossing Methods 0.000 description 3
- 238000012544 monitoring process Methods 0.000 description 3
- 230000005855 radiation Effects 0.000 description 3
- 230000001932 seasonal effect Effects 0.000 description 3
- 230000004913 activation Effects 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 2
- 230000001934 delay Effects 0.000 description 2
- 230000007787 long-term memory Effects 0.000 description 2
- 238000011160 research Methods 0.000 description 2
- 238000013459 approach Methods 0.000 description 1
- 230000008033 biological extinction Effects 0.000 description 1
- 238000004891 communication Methods 0.000 description 1
- 230000000295 complement effect Effects 0.000 description 1
- 238000011217 control strategy Methods 0.000 description 1
- 238000007796 conventional method Methods 0.000 description 1
- 238000012937 correction Methods 0.000 description 1
- 230000007423 decrease Effects 0.000 description 1
- 238000013135 deep learning Methods 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000005684 electric field Effects 0.000 description 1
- 238000004880 explosion Methods 0.000 description 1
- 230000007774 longterm Effects 0.000 description 1
- 230000014759 maintenance of location Effects 0.000 description 1
- 238000013507 mapping Methods 0.000 description 1
- 230000007246 mechanism Effects 0.000 description 1
- 210000002569 neuron Anatomy 0.000 description 1
- 230000007935 neutral effect Effects 0.000 description 1
- 230000000737 periodic effect Effects 0.000 description 1
- 230000002085 persistent effect Effects 0.000 description 1
- 238000007781 pre-processing Methods 0.000 description 1
- 238000002360 preparation method Methods 0.000 description 1
- 230000001681 protective effect Effects 0.000 description 1
- 230000000306 recurrent effect Effects 0.000 description 1
- 230000006403 short-term memory Effects 0.000 description 1
- 238000012732 spatial analysis Methods 0.000 description 1
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
- G06N3/044—Recurrent networks, e.g. Hopfield networks
- G06N3/0442—Recurrent networks, e.g. Hopfield networks characterised by memory or gating, e.g. long short-term memory [LSTM] or gated recurrent units [GRU]
-
- 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
- G06N3/0464—Convolutional networks [CNN, ConvNet]
Abstract
本发明公开了一种低纬小区域电离层模型构建方法，包括以下步骤：设置和配置GNSS接收器，GNSS接收器接收来自卫星的导航信号并解调、解码和记录；将原始的GNSS观测数据转化为电子含量值；噪声滤波；将总电子含量数据插值到均匀的空间网格上；填补缺失值或平滑数据；进行格网插值；使用CNN‑LSTM神经网络模型，对空间信息的处理和对时间序列信息的建模。本发明所使用的径向基函数插值方法可以更好地把握整体数据的变化趋势，对于非结构化或稀疏的数据点分布也能很好地工作；可以更好地预测出后续TEC的数值与变化；有利于减小电离层发生磁暴导致TEC异常所带来的影响。
Description
技术领域
本发明属于电离层模型构建技术领域，具体涉及一种低纬小区域电离层模型构建方法。
背景技术
当研究电离层对无线电传播的影响时，通常假设电离层的结构是均匀且平滑的。然而，实际情况是电离层内部存在各种不同尺度的不规则体。这些不规则体尺度可从数十千米到数百千米不等，还包括微小不规则体，其尺度仅有数千米。电离层内的不规则体受到多种电场、磁场及中性风驱动力的影响，轨迹难以预测，从而导致穿过电离层的无线电波传播产生明显的变化和偏差，极易造成电离层闪烁现象，严重影响小区域用户高精度导航定位服务的质量。极端空间环境下，例如2014年9月10日至11日发生了一次强磁暴，此次磁暴造成了电离层的剧烈扰动，严重降低了GNSS导航定位的精度，甚至在一些地区，电力系统会受到感应电流的影响，从而导致变压器损坏或者系统故障。由此可见，太阳活动对地球技术系统的潜在影响，也强调了监测和预测磁暴活动的重要性，以便及时采取相应的保护措施。
电离层受太阳活动影响存在多种周期性变化，其中包括日变化、季节性变化等。日变化是因为白天太阳光照射强烈，导致电离层电子浓度增加，夜晚则因缺乏太阳辐射而逐渐减弱。同时，由于地球轨道的椭圆形状，太阳辐射对地球的影响随着季节变化而有所不同。一般来说，春季和秋季时，电离层的电子浓度会相对较高，而夏季和冬季相对较低。电离层总电子含量的变化也离不开太阳活动的影响，在太阳活动活跃期，太阳黑子数量多，太阳风和太阳辐射增强，对电离层产生更显著的影响。而滇川区域位于赤道异常区域的北冠带，由于其地理位置和赤道异常区域的特性，总电子含量可能会经历相对较大的日变化、季节性变化，并受到太阳活动周期和太阳风暴事件的影响。因此，传统主流神经网络模型的效果并不理想，需要构建适用于滇川区域的电离层神经网络模型。
当设计到小区域的电离层总电子含量预测精度时，当前陈鹏、高鑫所研究的主流神经网络模型如卷积神经网络(CNN)、长短时记忆网络(LSTM)、卷积长短时记忆网络(ConvLSTM)等存在一些局限性：首先这些主流模型通常是设计用于全球范围的总电子含量预测，对于小区域的细节变化缺乏足够的精度。CNN主要关注局部模式的检测，因此可能会忽视全局的时间依赖关系，在很多场景下不够准确。而且对于较长的时间序列，需要大量的参数来建立深层的卷积网络，这可能会导致过拟合或者需要更大的训练集。而LSTM模型相对于一些简单的时间序列模型，需要更长的训练时间来收敛，增加模型开发的时间成本。ConvLSTM通常需要一个固定大小的输入窗口来处理时间序列数据，这可能会导致在处理长度变化的序列时出现一些限制。如果模型过于复杂或者训练数据量不足，ConvLSTM可能会对训练数据过拟合，导致在新数据上表现不佳。
因此，为了解决上述问题，本文提出一种低纬小区域电离层模型构建方法。
发明内容
为了解决上述技术问题，本发明设计了一种低纬小区域电离层模型构建方法，本发明将卷积神经网络(CNN)与长短时记忆网络(LSTM)结合，这样不仅可以利用CNN实现快速提取特征信息的需求，也可以利用LSTM在时序数据中学习到长期的时间依赖关系，同时模型可以利用CNN来减少LSTM单独处理时间序列数据所出现的过拟合问题。
为了达到上述技术效果，本发明是通过以下技术方案实现的：一种低纬小区域电离层模型构建方法，其特征在于，包括以下步骤：
Step1、设置和配置GNSS接收器，GNSS接收器接收来自卫星的导航信号并解调、解码和记录；
Step2、将原始的GNSS观测数据转化为电子含量值；
Step3、噪声滤波；
Step4、将总电子含量数据插值到均匀的空间网格上，在地理空间中建立一个规则的格点网格，对电子含量值进行更精细的空间分析和可视化；
Step5、采用前向插值和后向插值用于填补缺失值或平滑数据；
Step6、进行格网插值，使TEC离散的TEC观测数据在空间上进行平滑，生成连续的总电子含量场，使得电离层的空间分布能够以图形方式更清晰地呈现出来；
Step7、使用卷积神经网络-长短时记忆网络(CNN-LSTM)神经网络模型，对空间信息的处理和对时间序列信息的建模。
进一步的，Step1中所述的设置包括选择要接收的北斗卫星系统和设定观测周期和采样频率参数；
所述的接收器为地面站、海洋浮标或卫星中的一种或多种；所述接收器的准确位置已知且备高精度的时间同步。
进一步的，所述Step2中具体操作为使用观测定位方程，求解接收机的位置。
进一步的，所述Step3中滤波方式为卡尔曼滤波，包括以下步骤：
Step3.1、将系统建模为状态空间模型；
Step3.2、初始化卡尔曼滤波器的初始状态估计和协方差矩阵；
Step3.3、使用状态转移方程来预测下一个时刻的状态和协方差矩阵；
Step3.4、在有新的测量值时，使用观测方程来更新状态估计和协方差矩阵；
Step3.5、重复进行预测和更新步骤，以不断地更新状态估计。
进一步的，所述Step4中具体步骤为：
Step4.1、在地图或空间区域中定义一个坐标系来描述地理位置的几何信息；
Step4.2、确定一个规则的网格结构，在整个区域内覆盖，并用于插值；
Step4.3、将电子含量数据插值到均匀的空间网格上；
Step4.4、插值后的数据用于生成可视化图表，更直观地理解和展示电子含量的空间分布情况。
进一步的，所述Step5中具体步骤包括了在时间上进行插值和在空间上的附和操作：
将全部数据进行分模块化处理，每个模块为截取的3～5天时段，保证数据不会受到时间上相隔较远的其他数据的影响；如果中间出现单个的缺失值，用前后数据的平均值替换；如果中间出现连续的缺失值，那么将会取最近的已知值先进行替换，后续会采用径向基函数插值方法来对数据进行平滑处理，避免出现大段重复的数据。
进一步的，Step6中所述的格网插值通过对原始数据进行高精度的插值计算，获得高分辨率的总电子含量场，使得对电离层结构的细节有更准确的描述；如果原始数据中存在一些缺失或者未观测到的区域，格网插值可以用周围已知区域的数据来估算这些缺失值，从而使得整个区域都能得到电子含量值的估算。
进一步的，所述Step7中，在CNN-LSTM模型中，CNN负责处理时间序列数据信息，LSTM层负责处理数据的时间序列信息。
本发明的有益效果是：
1.相比于传统的格网插值方法，本发明所使用的径向基函数插值方法可以更好地把握整体数据的变化趋势，对于非结构化或稀疏的数据点分布也能很好地工作；
2.本发明构建的CNN-LSTM模型能够更好地抓住低纬度中国地区的TEC分布特征，结合地磁指数：SW、KP、DST、F10.7，可以更好地预测出后续TEC的数值与变化。有利于减小电离层发生磁暴导致TEC异常所带来的影响，可以帮助解决因国内观测站数量较少、无适当神经网络模型进行TEC预测的问题；
3.相比于传统的利用IRI、CNN、LSTM等模型对电离层TEC进行预测研究，该方法能够对国内的大多数时段电离层TEC的变化趋势有准确的把握，大幅度提高针对国内低纬度地区的TEC预测精度，减少因此出现的GNSS、北斗卫星系统的信号干扰影响。
附图说明
为了更清楚地说明本发明实施例的技术方案，下面将对实施例描述所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅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为本发明对北斗导航卫星系统(BDS)观测的原始数据进行数据处理；
图2为本发明采集观测数据的测站分布图；
图3为2014年第172天0时至3时的预测值与真实值的拟合图；
图4为2014年第172天0时至3时每隔半小时的最后半分钟拟合图；
图5为2014年第172天0时至3时每隔半小时的最后半分钟总电子含量分布图，从左至右依次为总电子含量真实值、总电子含量预测值和总电子含量差值分布图。
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作出创造性劳动前提下所获得的所有其它实施例，都属于本发明保护的范围。
实施例1
本发明的基于CNN-LSTM神经网络模型的电离层深度学习方法，首先选取分布于云南省和四川省的原始电离层总电子含量，对原始的电离层电子含量数据通常需要进行一些预处理工作，包括去除异常值、噪声滤波、修正观测误差等。利用接收器观测数据，通过相应的算法计算总电子含量。这通常涉及到对信号的相位差异进行处理，以确定电离层对不同频率信号的延迟。对电子含量数据进行空间插值，将不同站点的数据插值到相应的网格点上，以便形成全局或区域性的电子含量分布。将处理后的电子含量数据保存为特定格式的文件，类似于GIM文件格式。将一些关于数据来源、处理过程、时间戳等元信息添加到文件中，以便后续的使用和参考。
具体步骤为：
步骤1：首先需要设置和配置GNSS接收器，这些接收站可以是地面站、海洋浮标或卫星。同时，每个接收站的准确位置必须已知，并且接收站必须具备高精度的时间同步，以确保记录的GNSS信号数据时间戳准确无误。这包括选择要接收的北斗卫星系统，设定观测周期和采样频率等参数。
接着，GNSS接收器开始接收来自卫星的导航信号。每颗卫星会以特定的频率向地面发送信号，接收器会捕获这些信号。接收器会处理接收到的信号，包括解调、解码等过程，以获取信号的相关信息，如相位、伪距等。接收器会将处理后的信号信息记录下来，通常以时间戳为基准，记录每一时刻的信号参数。这些参数包括卫星的编号、信号的强度、相位等。观测数据会被存储在接收器内部的存储设备中，也可以通过接口传输到外部存储设备或计算机中。如果需要，观测数据可以通过接口(如USB、网络等)传输到计算机或数据处理系统中进行后续的数据处理和分析。
步骤2：在处理电离层总电子含量(TEC)数据时，信号相位差异计算是一个重要的步骤，它是将原始的GNSS观测数据转化为电子含量值的关键过程。在GNSS接收器中，对于每颗接收到的卫星信号，会记录下其对应的相位观测值。信号往往会受到大气扰动、电离层延迟、多路径效应、接收机和天线特性、卫星轨道误差、钟差误差等因素影响。在北斗导航卫星系统(BDS)观测中，我们使用了类似于全球定位系统(GPS)的观测定位方程，它描述了卫星信号的传播路径以及接收站接收到的信号相位和伪距的关系。这个方程是定位算法的基础，通过解算这个方程，我们可以确定接收机的位置和钟差。在北斗导航卫星系统中，由于卫星的位置和钟差信息是已知的，通常可以简化成只求解接收机的位置。
步骤3：噪声滤波是信号处理中的重要步骤，用于去除信号中的随机噪声，以提取出所需的信号成分。本发明采用卡尔曼滤波，卡尔曼滤波可以有效地降低测量中的噪声对状态估计的影响。
1)将系统建模为状态空间模型。这包括定义状态变量、测量变量，以及状态转移方程和观测方程。
2)初始化卡尔曼滤波器的初始状态估计和协方差矩阵。这通常需要一个初始的状态猜测以及一个对初始估计的不确定性的估计。
3)使用状态转移方程来预测下一个时刻的状态和协方差矩阵。
4)在有新的测量值时，使用观测方程来更新状态估计和协方差矩阵。这一步会融合系统预测和实际测量，得到一个更准确的估计。
5)重复进行预测和更新步骤，以不断地更新状态估计。
步骤4：将总电子含量数据插值到均匀的空间网格上，在地理空间中建立一个规则的格点网格，以便对电子含量值进行更精细的空间分析和可视化。首先，我们需要在地图或空间区域中定义一个坐标系。这个坐标系可以是地理坐标系或者是投影坐标系，它将用来描述地理位置的几何信息。在坐标系中，我们需要确定一个规则的网格结构，可以是正方形格点、矩形格点等。这个网格将会在整个区域内覆盖，并用于插值。通过将电子含量数据插值到均匀的空间网格上，我们可以在地理空间上获得更为连续和精细的电子含量分布信息，这对于电离层研究或无线电通信等应用具有重要的意义。同时，插值后的数据也可以用于生成可视化图表，以便更直观地理解和展示电子含量的空间分布情况。
步骤5：测站中的很多电子含量值为999.99，这是不正常的数据，并且中间有很多时段的数据存在空缺，所以本发明采取前向插值和后向插值结合的方法。前向插值和后向插值是一种在数据处理中用于填补缺失值或平滑数据的方法，这包括了在时间上进行插值和在空间上的附和等操作，以确保得到准确的估算结果。本发明将全部数据进行分模块化处理，每个模块为截取的四天时段，这样可以保证数据不会受到时间上相隔较远的其他数据的影响。如果中间出现单个的缺失值，会用前后数据的平均值替换。如果中间出现连续的缺失值，那么将会取最近的已知值先进行替换，后续会采用径向基函数插值方法来对数据进行平滑处理，避免出现大段重复的数据。
步骤6：在整理完毕电子含量值与经纬度的对应格式后，便是进行格网插值，这样能使TEC离散的TEC观测数据在空间上进行平滑，从而生成连续的总电子含量场，使得电离层的空间分布能够以图形方式更清晰地呈现出来。格网插值可以通过对原始数据进行高精度的插值计算，获得高分辨率的总电子含量场，使得对电离层结构的细节有更准确的描述。如果原始数据中存在一些缺失或者未观测到的区域，格网插值可以用周围已知区域的数据来估算这些缺失值，从而使得整个区域都能得到电子含量值的估算。
本发明采用的是径向基函数(Radial Basis Function,RBF)，RBF插值是一种全局逼近方法，意味着它会考虑到所有的已知数据点来进行插值，而不是仅仅依赖于邻近的数据点。在插值之前还是采取了分模块的形式，本发明采用了48个测站，所以每48个测站坐标为一个模块。每次针对一个模块进行插值，并且坐标之间的经纬度间隔均为1，以此来填补中间空缺的坐标。因为每个电子含量值都有着对应的坐标位置，所以也会根据已知的电子含量值为这些补充的坐标对应上估算后的电子含量值。
步骤7：使用卷积神经网络-长短时记忆网络(CNN-LSTM)神经网络模型，这个模型结合了卷积神经网络(CNN)和长短时记忆网络(LSTM)两种神经网络架构的混合模型。它综合了CNN对空间信息的处理能力和LSTM对时间序列信息的建模能力，适用于处理同时具有空间和时间依赖性的数据。CNN在处理时间序列数据时具有出色的特征提取能力，通过卷积层和池化层可以有效地捕获输入数据中的空间结构和模式。在CNN-LSTM模型中，CNN负责处理时间序列数据信息。LSTM是一种能够处理时间序列数据的递归神经网络结构，它可以有效地捕获数据中的时间依赖性和长期记忆。在CNN-LSTM模型中，LSTM层负责处理数据的时间序列信息。
实施例2
本发明基于BDS对于国内低纬度地区电离层TEC数据的采样与处理来构建神经网络模型，首先选取位于云南省和四川省的原始TEC观测值，结合BDS的时间系统、坐标框架、定位观测方程、载波相位观测值平滑伪距等来减小噪声、提高精度；使用径向基函数对TEC进行插值，使TEC数据变得更加平滑和贴合当地实际情况，减少突出异常值对整体的影响，从而提高TEC值的预测精度；将CNN和LSTM两个神经网络模型结合使用，增强特征信息提取的同时，还能结合前后数据提升对未来的数据变化趋势的精确度。
具体步骤为：
步骤1：对原始TEC值进行处理，具体如下：
首先接收站将接收到的GNSS信号数据记录下来，主要包括信号的相位信息、信号的伪距信息以及时间戳。信号的相位信息可以用于计算TEC，这些相位信息通常以整数个波长或无单位的相位值来记录。伪距是GNSS信号的传播时间与光速之间的差值，用于卫星定位。BDS信号提供了两个频率的载波信号，即B1频段和B2频段。简化的BDS信号传播模型可以用以下公式表示：
Pi＝ρi+c·δti+Tropo+Ion+Noise+ε
其中，Pi是接收站接收到的BDS信号的伪距观测值，ρi是卫星i到接收站的几何距离，c是光速，δti是接收机钟差，也就是接收机时钟与BDS卫星时钟的差值。Tropo是对流层延迟，Ion是电离层延迟，Noise包含了各种干扰和误差，ε是误差项。
步骤2：BDS定位的观测方程起着关键作用，它描述了接收机接收到卫星信号时的测量值和真实位置之间的数学关系，观测方程主要用于定位和导航系统中的位置解算。本发明所采用的使载波相位观测方程，载波相位观测方程描述了接收机接收到卫星信号的相位和信号传播的距离之间的关系。与伪距相比，载波相位提供了更高精度的测量，但也更容易受到多路径干扰的影响。载波相位观测值＝真实距离+电离层延迟+大气延迟+多路径误差+钟差误差+测量误差。
载波相位观测值的相位观测方程为：
步骤3：卡尔曼滤波是一种递归算法，能够在每个时刻根据新的测量值和先前的状态估计进行实时更新，从而保持对系统状态的最新估计。卡尔曼滤波可以与控制策略结合使用，通过反馈控制来实现对系统状态的稳定性和性能的优化。卡尔曼滤波允许根据系统的状态方程，通过先前的状态估计和控制输入，预测未来时刻的系统状态。这对于需要进行预测的动态系统非常重要。卡尔曼滤波公式为：
Pn∣n-1＝FPn-1∣n-1FT+Q
Kn＝Pn∣n-1HT(HPn∣n-1HT+R)-1
Pn∣n＝(I-KnH)Pn∣n-1
这样可以去除信号中的随机噪声，使得信号更加干净和可靠，以便后续的分析和应用。
步骤4：本发明采用了克里金插值，这是一种基于空间自相关性的插值方法，其主要作用是在已知数据点的空间范围内估计未知位置的数值，并且考虑了空间上的变异性。通过插值，可以对原始数据进行平滑处理，降低噪声的影响，使得数据更具有连续性和可读性。
其中，Z(u)表示在位置u处的未知值，n是已知点的数量，zi是已知点i处的值，λi表示在位置u处对已知点i的影响程度。
步骤5：使用前向插值和后向插值来使TEC异常值变得更加符合前后时间序列。前向插值为假设有两个已知数据点：(x1，y1)和(x2，y2)，其中x1<x<x2，要在x点进行前向插值，可以使用线性插值公式：
后向插值同样假设有两个已知数据点：(x1，y1)和(x2，y2)，其中x1<x<x2，要在x点进行后向插值，也可以使用线性插值公式：
这个公式将x点的值估算为在已知两点间线段上的相应位置，但相对于目标点在时间上是后面的已知点。
步骤6：RBF插值可以有效地平滑空间数据，通过基函数对相邻数据点之间的空间关系进行建模，使得插值结果在空间上具有连续性。同时RBF插值可以通过对周围已知数据点的插值来填补缺失值，从而提高数据的完整性。RBF插值通常能够提供比线性插值等传统方法更高的插值精度，特别是在处理具有复杂空间分布的数据时。
设有n个数据点(xi,yi)，i＝1,2,…,n,其中xi是输入变量，yi是对应的输出变量。假设径向基函数采用高斯函数：
φ(r)＝exp(-εr2)
其中r表示输入变量xi和某个中心点xj之间的欧氏距离，ε是一个控制函数平滑程度的参数。则RBF插值模型可以表示为：
f(x)＝Σαj*φ(||x-xj||)
其中，j＝1,2,…,n，αj是待定系数，xj是中心点。通常使用最小化损失函数来求解待定系数αj：
L(α)＝Σ[yj-f(xj)]2
通过优化L(α)函数，可以得到最优的待定系数，从而得到最终的RBF插值模型。
步骤7：确定神经网络模型参数以及神经网络模型结构，先将TEC数据经过CNN层，将数据中有用的特征信息进行提取。然后再经过LSTM层，可以使神经网络模型更好地了解数据前后时间序列的变化，从而可以更加准确地进行预测。
实施例3
利用云南省和四川省的BDS监测站数据，对本发明做进一步的详细说明。
选取2014年的第169天至第172天数据作为示例说明本发明的使用方法。
步骤1：将第169天至172天的监测站数据使用TEC原始数据处理软件进行处理，针对信号信息计算钟差、电离层延迟，减少各种干扰和误差。
步骤2：使用载波相位观测值的相位观测方程来获取高精度的位置和时间信息，通过将相对位置信息(相位观测值)与整数模糊度结合起来，使得可以确定模糊度的整数值，从而实现了高精度的位置解算。
步骤3：使用卡尔曼滤波将信号中的随机噪声去除，使信号更加纯净，提升数据的稳定性，减少突出异常值，为后续的格网插值做好准备。
步骤4：使用克里金插值推断未知点数值，在研究区域内得到更连续和精细的数据分布，也方便确定各区域的数据情况，便于发现数据问题进行处理。
步骤5：因为存在异常TEC值，例如：999.99等，同时也有部分数据空缺，所以使用前向插值和后向插值来使异常值能与前后数据保持时间序列上的连续性，减小因这些问题带来的数据差异影响。
步骤6：使用径向基函数(RBF)插值方法对处理完成的数据进行插值，RBF插值是一种全局逼近方法，意味着它会考虑到所有的已知数据点来进行插值，而不是仅仅依赖于邻近的数据点。与其他插值方法相比，RBF插值不需要事先定义网格，因此它对于非结构化或稀疏的数据点分布也能很好地工作。RBF插值产生的插值结果通常比其他方法更加平滑，同时也能够保持较好的稳定性，不容易受到噪声的干扰。
步骤7：使用CNN-LSTM神经网络模型。CNN层中的过滤器一般设置为64、128等，为2的指数倍，这样能使CNN层的性能得到最好利用。激活函数一般选择ReLU，因为ReLU函数与CNN神经网络最为适配，确保最大程度地提取目标的特征信息。同时在CNN后设置池化层，它的主要作用是对输入的特征图进行下采样，减少数据的维度，同时保留重要的特征信息。池化层通过减少数据的维度和参数数量，有助于减少模型的过拟合倾向，提高模型的泛化能力。LSTM的神经元数量一般设置为50、100、200等，LSTM可以通过门控机制有效地缓解梯度消失或梯度爆炸的问题，使得它能够处理长序列并保持对重要信息的持久性记忆。后续设置Dropout层，同样也是防止出现过拟合现象。最后再设置全连接层，使得前一层提取到的各种特征信息可以在当前层进行融合和整合。在全连接层中接入激活函数ReLU，通过引入非线性映射，增加网络的表达能力，使网络可以学习到更复杂的特征。
Claims (8)
1.一种低纬小区域电离层模型构建方法，其特征在于，包括以下步骤：
Step1、设置和配置GNSS接收器，GNSS接收器接收来自卫星的导航信号并解调、解码和记录；
Step2、将原始的GNSS观测数据转化为电子含量值；
Step3、噪声滤波；
Step4、将总电子含量数据插值到均匀的空间网格上，在地理空间中建立一个规则的格点网格，对电子含量值进行更精细的空间分析和可视化；
Step5、采用前向插值和后向插值用于填补缺失值或平滑数据；
Step6、进行格网插值，使TEC离散的TEC观测数据在空间上进行平滑，生成连续的总电子含量场，使得电离层的空间分布能够以图形方式更清晰地呈现出来；
Step7、使用卷积神经网络-长短时记忆网络(CNN-LSTM)神经网络模型，对空间信息的处理和对时间序列信息的建模。
2.根据权利要求1所述的一种低纬小区域电离层模型构建方法，其特征在于：Step1中所述的设置包括选择要接收的北斗卫星系统和设定观测周期和采样频率参数；
所述的接收器为地面站、海洋浮标或卫星中的一种或多种；所述接收器的准确位置已知且备高精度的时间同步。
3.根据权利要求1所述的一种低纬小区域电离层模型构建方法，其特征在于：所述Step2中具体操作为使用观测定位方程，求解接收机的位置。
4.根据权利要求1所述的一种低纬小区域电离层模型构建方法，其特征在于，所述Step3中滤波方式为卡尔曼滤波，包括以下步骤：
Step3.1、将系统建模为状态空间模型；
Step3.2、初始化卡尔曼滤波器的初始状态估计和协方差矩阵；
Step3.3、使用状态转移方程来预测下一个时刻的状态和协方差矩阵；
Step3.4、在有新的测量值时，使用观测方程来更新状态估计和协方差矩阵；
Step3.5、重复进行预测和更新步骤，以不断地更新状态估计。
5.根据权利要求1所述的一种低纬小区域电离层模型构建方法，其特征在于，所述Step4中具体步骤为：
Step4.1、在地图或空间区域中定义一个坐标系来描述地理位置的几何信息；
Step4.2、确定一个规则的网格结构，在整个区域内覆盖，并用于插值；
Step4.3、将电子含量数据插值到均匀的空间网格上；
Step4.4、插值后的数据用于生成可视化图表，更直观地理解和展示电子含量的空间分布情况。
6.根据权利要求1所述的一种低纬小区域电离层模型构建方法，其特征在于，所述Step5中具体步骤包括了在时间上进行插值和在空间上的附和操作：
将全部数据进行分模块化处理，每个模块为截取的3～5天时段，保证数据不会受到时间上相隔较远的其他数据的影响；如果中间出现单个的缺失值，用前后数据的平均值替换；如果中间出现连续的缺失值，那么将会取最近的已知值先进行替换，后续会采用径向基函数插值方法来对数据进行平滑处理，避免出现大段重复的数据。
7.根据权利要求1所述的一种低纬小区域电离层模型构建方法，其特征在于，Step6中所述的格网插值通过对原始数据进行高精度的插值计算，获得高分辨率的总电子含量场，使得对电离层结构的细节有更准确的描述；如果原始数据中存在一些缺失或者未观测到的区域，格网插值可以用周围已知区域的数据来估算这些缺失值，从而使得整个区域都能得到电子含量值的估算。
8.根据权利要求1所述的一种低纬小区域电离层模型构建方法，其特征在于，所述Step7中，在CNN-LSTM模型中，CNN负责处理时间序列数据信息，LSTM层负责处理数据的时间序列信息。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202311249305.1A CN117272812A (zh) | 2023-09-26 | 2023-09-26 | 一种低纬小区域电离层模型构建方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202311249305.1A CN117272812A (zh) | 2023-09-26 | 2023-09-26 | 一种低纬小区域电离层模型构建方法 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN117272812A true CN117272812A (zh) | 2023-12-22 |
Family
ID=89211797
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202311249305.1A Pending CN117272812A (zh) | 2023-09-26 | 2023-09-26 | 一种低纬小区域电离层模型构建方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN117272812A (zh) |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN117688505A (zh) * | 2024-02-04 | 2024-03-12 | 河海大学 | 一种植被大范围区域化负异常的预测方法及系统 |
-
2023
- 2023-09-26 CN CN202311249305.1A patent/CN117272812A/zh active Pending
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN117688505A (zh) * | 2024-02-04 | 2024-03-12 | 河海大学 | 一种植被大范围区域化负异常的预测方法及系统 |
| CN117688505B (zh) * | 2024-02-04 | 2024-04-19 | 河海大学 | 一种植被大范围区域化负异常的预测方法及系统 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN108871348B (zh) | 一种利用天基可见光相机的低轨卫星自主定轨方法 | |
| Strasser et al. | Processing of GNSS constellations and ground station networks using the raw observation approach | |
| US10551505B2 (en) | Ionospheric scintillation prediction | |
| CN108828640B (zh) | 一种卫星导航定位观测值定权方法及装置 | |
| CN111125609B (zh) | 一种基于双指数驱动的电离层三维电子密度重构方法 | |
| CN108196267B (zh) | 一种基于gnss cp技术的不间断时间传递方法 | |
| WO2022156480A1 (zh) | 钟差预报方法和装置 | |
| CN117272812A (zh) | 一种低纬小区域电离层模型构建方法 | |
| CN112649899B (zh) | 一种全球电离层数据同化和预报方法 | |
| Marchesoni-Acland et al. | Intra-day solar irradiation forecast using RLS filters and satellite images | |
| Sun et al. | Resilient pseudorange error prediction and correction for GNSS positioning in urban areas | |
| CN108181633A (zh) | 一种gnss时间频率传递接收机及接收方法 | |
| CN115373007B (zh) | 基于手机gnss模糊度相对变化估计的里程计定位方法 | |
| CN112902989A (zh) | 数据误差标定方法、装置、电子设备和存储介质 | |
| Ssessanga et al. | On imaging South African regional ionosphere using 4D‐var technique | |
| CN107942357B (zh) | 一种大地测量非等距时序噪声的自适应差分估计方法 | |
| Priyadarshi et al. | Machine Learning-based ionospheric modelling performance during high ionospheric activity | |
| CN115857058A (zh) | 一种电离层数据分析模型建设方法及其终端 | |
| 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 | |
| Innerkofler et al. | GNSS radio occultation excess-phase processing for climate applications including uncertainty estimation | |
| CN116224746A (zh) | 一种星地原子钟融合的高稳定时间基准建立方法 | |
| CN113487100B (zh) | 光伏发电出力全局精准预测方法及系统 | |
| CN113031036B (zh) | 基于GNSS 30s采样频率数据的电离层相位闪烁因子构建方法 | |
| CN112083444B (zh) | 一种计及等离子体泡的低纬度机场电离层短时预测方法 | |
| CN103727947A (zh) | 基于ukf滤波的bds与gis深耦合定位方法和系统 |
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 |