CN117852611A - 一种电离层f2层最大高度预测方法及系统 - Google Patents

一种电离层f2层最大高度预测方法及系统 Download PDF

Info

Publication number
CN117852611A
CN117852611A CN202410257639.1A CN202410257639A CN117852611A CN 117852611 A CN117852611 A CN 117852611A CN 202410257639 A CN202410257639 A CN 202410257639A CN 117852611 A CN117852611 A CN 117852611A
Authority
CN
China
Prior art keywords
layer
maximum height
neural network
ionosphere
prediction
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
CN202410257639.1A
Other languages
English (en)
Inventor
于长军
陈学坤
杨洪娟
刘爱军
吕哲
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.)
Harbin Institute of Technology Weihai
Original Assignee
Harbin Institute of Technology Weihai
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 Harbin Institute of Technology Weihai filed Critical Harbin Institute of Technology Weihai
Priority to CN202410257639.1A priority Critical patent/CN117852611A/zh
Publication of CN117852611A publication Critical patent/CN117852611A/zh
Pending legal-status Critical Current

Links

Classifications

    • 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
    • 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
    • G06N3/06—Physical realisation, i.e. hardware implementation of neural networks, neurons or parts of neurons
    • G06N3/061—Physical realisation, i.e. hardware implementation of neural networks, neurons or parts of neurons using biological neurons, e.g. biological neurons connected to an integrated circuit
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/12—Computing arrangements based on biological models using genetic models
    • G06N3/126—Evolutionary algorithms, e.g. genetic algorithms or genetic programming
    • 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

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Health & Medical Sciences (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Theoretical Computer Science (AREA)
  • Biophysics (AREA)
  • Biomedical Technology (AREA)
  • Molecular Biology (AREA)
  • General Health & Medical Sciences (AREA)
  • General Physics & Mathematics (AREA)
  • Business, Economics & Management (AREA)
  • Evolutionary Computation (AREA)
  • Data Mining & Analysis (AREA)
  • Computational Linguistics (AREA)
  • Computing Systems (AREA)
  • General Engineering & Computer Science (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • Artificial Intelligence (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Evolutionary Biology (AREA)
  • Neurology (AREA)
  • Tourism & Hospitality (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Human Resources & Organizations (AREA)
  • Strategic Management (AREA)
  • Primary Health Care (AREA)
  • Marketing (AREA)
  • General Business, Economics & Management (AREA)
  • Economics (AREA)
  • Genetics & Genomics (AREA)
  • Educational Administration (AREA)
  • Development Economics (AREA)
  • Microelectronics & Electronic Packaging (AREA)
  • Physiology (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)

Abstract

本发明属于电离层参数预测技术领域，公开了一种电离层F2层最大高度预测方法及系统。该方法首次建立遗传算法优化神经网络的电离层F2层最大高度预测模型，将遗传算法与神经网络结合，将神经网络等初始参数等作为决策变量，将给预测模型的精度作为目标函数，利用遗传算法优秀的全局搜索能力来进一步提升模型预测的准确性。本发明实现电离层F2层最大高度参数的可靠预测。从而可以获得一段时间内的电离层F2层最大高度的变化情况。为无线通信和空间天气监测等领域提供可参考的数据信息，从而降低台风等灾害对沿海地区造成的生命财产损失。

Description

一种电离层F2层最大高度预测方法及系统
技术领域
本发明属于电离层参数预测技术领域，尤其涉及一种电离层F2层最大高度预测方法及系统。
背景技术
作为近地空间环境的重要组成部分，电离层受太阳活动、大气环流、高空电场和地磁活动等多种因素的共同作用。电离层的参数例如电离层F2层最大高度的等既存在着规则的日、季节和年的变化，也在空间上存在着经纬度变化。电离层F2层最大高度是电离层状态的重要参数，对无线电通信和空间物理研究有着重要作用。对电离层F2层最大高度的预测可以保障无线电通信和卫星通信等系统的正常工作，对短波通信具有重要意义。
电离层F2层最大高度的预测是一项关键的科学研究，旨在提前了解电离层中F2层最大高度的参数变化，为无线通信和空间天气监测等领域提供准确的信息。然而，在其发展过程中，仍然存在一些问题和缺点，这些问题限制了其在实际应用中的精确性和可靠性。首先，电离层是一个高度动态的环境，受太阳活动、地磁活动等多种因素影响。当前的预测模型有时受到这些因素的影响，导致预测结果的不稳定，误差偏大。其次，观测数据的有限性也是电离层参数预测面临的问题之一。虽然现代科技已经提供了多种电离层探测手段，如雷达、卫星等，但观测数据的时空分布不均匀，尤其在地球的极地地区或远离设备的海域，观测数据的获取面临巨大的困难。数据量较小会导致模型的训练不充分，从而影响预测的准确性。此外，电离层F2层最大高度预测模型建立时存在的近似和简化也是一个值得关注的问题。现在有些模型为了提高计算效率和降低复杂性进行了近似和简化假设从而导致模型与真实情况的偏离，这样也会使得模型的精度和可靠性受到威胁。因此，电离层参数例如电离层F2层最大高度等的预测随着发展得到了许多有效的预测方法，但仍然面临着一系列的问题和挑战。为了提高预测的准确性和可靠性，需要加强对电离层动力学过程的深入研究，提高观测数据的时空覆盖率，提出更加有效的预测模型并提高其精度是非常重要的。通过建立更加准确的预测模型，电离层F2层最大高度的预测结果才能更好地为其他应用领域提供准确的信息支持。
当前虽然有大量的电离层参数预测模型，但是暂时没有关于电离层F2层最大高度的预测模型。在神经网络预测模型中，应用最广泛，效果最好的神经网络就是反向传播(BP，back-propagation)神经网络。BP神经网络是现在研究过程中成熟的神经网络算法之一，它具有良好的自学习、自适应、鲁棒性和泛化能力。此外，神经网络还可以以任意精度逼近任意非线性函数。并在模式识别、函数逼近、图像处理等领域有着广泛的应用。但是这种模型存在着一些缺点，首先BP神经网络模型的收敛的速度比较慢，在深层网络中，由于链式法则的连续相乘，梯度可能会迅速减小（梯度消失）或增大（梯度爆炸），导致深层网络难以训练。这使得调整网络参数变得复杂，而且可能需要采用一些特殊的初始化和优化技巧。初始权重的选择对BP神经网络的性能影响很大。不恰当的初始权重可能导致网络陷入局部最小值，训练过程无法收敛到全局最小值。此外，由于BP神经网络是基于误差函数的梯度信息，当问题复杂度比较高或者梯度信息很难获取的时候会导致BP神经网络的预测结果出现较大的误差。
发明内容
为克服相关技术中存在的问题，本发明公开实施例提供了一种电离层F2层最大高度预测方法及系统，具体涉及一种采用遗传算法优化的神经网络进行电离层F2层最大高度预测的方法。
所述技术方案如下：电离层F2层最大高度预测方法，采用遗传算法优化的BP神经网络的权值阈值，对电离层F2层最大高度进行预测模型的建立，并完成参数的预测，具体包括以下步骤：
S1，将垂测仪获取的电离层F2层最大高度数据作为神经网络的输入，对所述电离层F2层最大高度数据进行归一化处理，计算神经网络隐藏层节点个数；
S2，进行遗传算法和BP神经网络的初始化，将BP神经网络得到的F2层最大高度预测误差作为适应度值，采用随机选择的方式将个体进行交叉和变异，通过遗传优化步骤迭代逐次获取最优的初始阈值和权值；
S3，BP神经网络根据得到的最优的初始阈值和权值将训练好的模型保存，在训练过程中计算预测误并更新权值，并判断在种群迭代后最佳适应度值是否满足误差范围；
S4，通过建立的遗传算法优化神经网络的电离层F2层最大高度预测模型进行最大高度的预测。
在步骤S1中，对所述电离层F2层最大高度数据进行归一化处理，表达式为：
；
式中，为待归一化的数据，/>为输入数据的最大值，/>为输入数据的最小值。
在步骤S1中，所述计算神经网络隐藏层节点个数包括，
采用经验公式计算隐藏层节点个数，表达式为：
；
式中，为隐藏层节点个数，/>为输入维度，/>为输出维度，/>为隐藏层个数，/>的范围为/>。
在步骤S2中，将BP神经网络得到的F2层最大高度预测误差作为适应度值包括，
BP神经网络有个输入，/>个输出，隐藏层有/>个神经元；隐藏层的输出为/>，隐藏层阈值为/>，隐藏层的传递函数为/>，输出层的阈值为/>，输出层的传递函数为/>，输出层到隐藏层的权重为/>，隐藏层到输出层的权重为/>，得到网络的输出/>，期望输出为/>，隐藏层第/>个神经元的输出，表达式为：
；
式中，表示输入的数据；/>；
计算每个输出层神经元的输出，表达式为：
；
式中，；
使用得到的预测结果与实际数据进行求解得到误差函数，误差函数公式为：
；
式中，表示与预测结果相对应的实际数据值；
通过调整权重和阈值进行网络训练，得到网络误差在设置的步长之内控制在一个阈值之内时神经网络计算成功，将测试的样本数据输入到训练好的网络中。
在步骤S2中，所述采用随机选择的方式将个体进行交叉和变异，通过遗传优化步骤迭代逐次获取最优的初始阈值和权值包括：
采用轮盘赌选择方法按照适应度值比例进行选择，适应度值越高，越优秀的个体有更高的概率被选中，把适应度值好的个体选取出来并保留，将保留出来的个体进行交叉运算，得到新的个体；对交叉的个体进行随机突变，对选取的个体进行一定概率的基因变异，引入随机性；
在每一步的选择交叉和变异操作中查找满意的解，重复运行选择交叉变异步骤，获得最佳的权值和阈值，所述个体为权值和阈值数据的大小；
进一步，基于通过遗传算法得到的权值和阈值；进行神经网络的训练，得到遗传算法优化神经网络的电离层F2层最大高度预测模型。
所述进行神经网络的训练，得到遗传算法优化神经网络的电离层F2层最大高度预测模型包括：首先采用遗传算法获得的权值阈值进行网络初始化；然后将数据输入网络进行前向传播，在每一层根据权重和偏置进行计算得到输出结果，随后使用输出结果和真实标签计算损失值；根据得到的损失结合反向传播算法计算每个权重和偏置对损失值的影响大小；逐步更新偏置和权值减小损失值；最后重复以上得步骤使得损失值达到设计的预期要求，到此训练结束并得到训练好的遗传算法优化神经网络的电离层F2层最大高度预测模型。
进一步，所述得到遗传算法优化神经网络的电离层F2层最大高度预测模型包括：
数据预处理层，用于对数据进行归一化处理，便于后续数据处理；
权值阈值计算层，用于用遗传算法确定最优权值阈值从而改进BP神经网络的预测精度；
模型训练预测层，用于进行权值，偏置值，损失值的训练和预测；
数据存储和输出层，用于通过对预测数据进行反归一化得到预测的数据并保存从而便于展示。
在步骤S3中，所述在训练过程中计算预测误并更新权值，并判断在种群迭代后最佳适应度值是否满足误差范围包括，均方根误差RMSE和绝对平均误差MAE计算公式如下：
；
；
式中，为均方根误差，/>为绝对平均误差，/>为每一个实际值，/>为实际值对应的预测值，/>为点的个数，/>为平均值；
通过上述两个公式求解出误差结果。
本发明的另一目的在于提供一种电离层F2层最大高度预测系统，该系统实施所述电离层F2层最大高度预测方法，该系统包括：
神经网络处理模块，用于将垂测仪获取的电离层F2层最大高度数据作为神经网络的输入，随后对所述电离层F2层最大高度数据进行归一化处理以及计算神经网络隐藏层节点个数；
最优的初始阈值和权值计算模块，用于进行遗传算法和BP神经网络的初始化，将神经网络得到的F2层最大高度预测误差作为适应度值，采用随机选择的方式将个体进行交叉和变异，通过遗传优化步骤迭代逐次获取最优的初始阈值和权值；
最佳适应度值误差求解模块，用于BP神经网络根据得到的最优的初始阈值和权值将训练好的模型保存下来，在训练过程中计算预测误并更新权值以及判断在种群迭代后最佳适应度值是否满足误差范围；
最大高度的预测模块，用于通过建立的遗传算法优化神经网络的电离层F2层最大高度预测模型进行最大高度的预测。
进一步，所述电离层F2层最大高度预测系统在沿海地区台风灾害的预警上的应用。
结合上述的所有技术方案，本发明所具备的有益效果为：本发明基于现有的电离层垂测仪获取电离层的F2层最大高度数据，设计一种遗传算法优化的神经网络预测模型，实现电离层F2层最大高度参数的可靠预测。从而可以获得一段时间内的电离层F2层最大高度的变化情况。为无线通信和空间天气监测（例如台风风速）等领域提供可参考的数据信息，从而降低台风等灾害对沿海地区造成的生命财产损失。
附图说明
图1是本发明实施例提供的电离层F2层最大高度预测方法流程图；
图2是本发明实施例提供的模型BP部分结构示意图；
图3是本发明实施例提供的电离层F2层最大高度预测方法原理图；
图4是本发明实施例提供的种群进化曲线图；
图5是本发明实施例提供的遗传优化神经网络与普通神经网络预测结果比较图。
具体实施方式
为使本发明的上述目的、特征和优点能够更加明显易懂，下面结合附图对本发明的具体实施方式做详细的说明。在下面的描述中阐述了很多具体细节以便于充分理解本发明。但是本发明能够以很多不同于在此描述的其他方式来实施，本领域技术人员可以在不违背本发明内涵的情况下做类似改进，因此本发明不受下面公开的具体实施的限制。
本发明实施例提供的电离层F2层最大高度预测方法及系统创新点在于：
首次利用遗传算法优化的BP神经网络(GA-BP)对电离层F2层最大高度进行建模，建模过程中通过遗传算法可全局获取最优权值和阈值从而进一步提升了BP神经网络的训练效果，最终获得更精准的预测效果。
具体的，发明首次建立遗传算法优化神经网络的电离层F2层最大高度预测模型，模型的预测结果与传统的BP神经网络的预测结果相比精度更高，效果更好。在训练数据量较少的情况下也可以得到很好的预测结果，为沿海地区台风的预警和其他研究提供参考的数据信息。
实施例1，如图1所示，本发明实施例提供一种电离层F2层最大高度预测方法，包括：
S1，将垂测仪获取的电离层F2层最大高度数据作为神经网络的输入，对所述电离层F2层最大高度数据进行归一化处理，计算神经网络隐藏层节点个数；
S2，进行遗传算法和BP神经网络的初始化，将BP神经网络得到的F2层最大高度预测误差作为适应度值，采用随机选择的方式将个体进行交叉和变异，通过遗传优化步骤迭代逐次获取最优的初始阈值和权值；
S3，BP神经网络根据得到的最优的初始阈值和权值将训练好的模型保存，在训练过程中计算预测误并更新权值，并判断在种群迭代后最佳适应度值是否满足误差范围；
S4，通过建立的遗传算法优化神经网络的电离层F2层最大高度预测模型进行最大高度的预测。
示例性的，本发明以电离层垂测仪获取的F2层最大高度数据作为基础，提出一种电离层F2层最大高度预测方法，即一种基于遗传算法优化神经网络的电离层F2层最大高度预测方法。采用遗传算法来优化BP神经网络，遗传算法（GA，Geneticalgorithm）是一种启发式随机搜索的进化算法。这种算法的优点在于它具有非常优秀的全局搜索能力。该算法能够在解空间中寻找各种可能的解，并能够保证在不陷入局部最优解的情况下寻找全局最优解。在遗传算法执行计算的时候它不需要进行误差函数的计算。遗传算法具有自适应性，可以在搜索过程中对解进行一定的调整，从而适应问题的复杂性和变化。最重要的是，遗传算法不需要求解目标函数的导数，因此在处理电离层F2层最大高度这种非线性的数据时具有非常好的鲁棒性。这种优化方法在解决复杂、多模态的问题时具有较好的结果。可以提高电离层F2层最大高度预测精度。
本发明将遗传算法和BP神经网络进行融合，采用遗传算法来优化神经网络的连接权值，这样就可以解决BP神经网络很容易陷入局部最优的缺点。本发明中的BP神经网络部分的架构图如图2所示。图2中的网络有个输入，/>个输出，隐藏层有/>个神经元。隐藏层的输出为/>，隐藏层阈值为/>，隐藏层的传递函数为/>，输出层的阈值为/>，输出层的传递函数为/>，输出层到隐藏层的权重为/>，隐藏层到输出层的权重为/>，通过这种方式最终得到网络的输出/>，期望输出为/>，隐藏层第/>个神经元的输出可以表示为：
；
式中，表示输入的数据；/>；
可以理解，当前的电离层参数预测主要集中于电离层F2层临界频率以及电离层电子浓度，而对电离层F2层最大高度的研究非常少，本发明首次采用GA-BP网络实现了电离层F2层最大高度的精准预测。
通过本发明可以实现局部区域电离层F2层最大高度的精准预测，台风等强对流天气会对最大高度产生影响，通过预测得到的高度参数可以分析参数的变化情况，对于台风等强对流天气的预警具有重要意义。
再者，遗传算法优化BP神经网络模型是一种已经存在较长时间的方法。这种方法结合了遗传算法（GA）和反向传播神经网络（BP神经网络），以提高神经网络的性能和收敛速度。遗传算法的技术作用有以下几点：
优化神经网络权重和结构：遗传算法可以用于搜索神经网络权重和结构的优秀解，帮助神经网络更好地适应特定任务。
提高训练效率：通过使用遗传算法对初始权重进行优化，可以加速神经网络的训练过程，提高收敛速度。
克服局部极小值问题：遗传算法有助于克服BP神经网络在训练过程中陷入局部最小值的问题，通过全局搜索来找到更优的解。
该模型可解决的实际场景问题有三种：
模式识别，优化后的BP神经网络在图像识别、语音识别等模式识别任务中可能表现更好。
预测和分类，用于金融市场预测、医学诊断等需要高度复杂模型的领域。
数据建模：适用于需要处理大量数据和复杂关系的问题，如销售预测、客户行为分析等。
遗传算法优化BP神经网络模型的应用方法可以分为以下几个步骤：
数据准备：收集并准备用于训练的数据。
遗传算法优化BP神经网络模型设计：构建BP神经网络结构，包括神经元的数量和层数。
遗传算法初始化：初始化神经网络权重，并使用遗传算法进行优化。
训练网络：使用反向传播算法进行神经网络的训练。
优化迭代：迭代应用遗传算法和反向传播以调整神经网络的参数，直至达到满意的性能。
与传统BP神经网络对比，本发明在预测电离层F2层最大高度上，优化后的BP神经网络具有更好的性能和收敛速度。特别是在数据复杂、样本量有限、或者存在局部最小值问题的情况下。该遗传算法优化BP神经网络模型具有更好的性能。
随后计算每个输出层神经元的输出，表达式为：
；
式中，；
使用得到的预测结果与实际数据进行求解得到误差函数，误差函数公式为：
；
式中，表示与预测结果相对应的实际数据值；
通过不断调整权重和阈值进行网络训练，当得到网络误差在设置的步长之内控制在一个阈值之内时认为模型计算成功。随后将测试的样本数据输入到训练好的网络中，得到预测结果。
本发明采用遗传算法来优化BP神经网络，因为在神经网络在进行训练过程中是通过数据的前向传播与误差的反向传递随后使用统计度下降算法来跟新权重阈值。梯度下降算法虽然是收敛性得到证明的一种确定性算法，但是收敛值不一定是全局最优。此外，神经网络初始值的选取也都是采用随机化方法得到的。本发明将遗传算法与神经网络结合，将神经网络等初始参数等作为决策变量，将给预测模型的精度作为目标函数，利用遗传算法优秀的全局搜索能力来进一步提升模型预测的准确性。
作为本发明的另一种实施方式，本发明提供的电离层F2层最大高度预测方法，即遗传算法优化神经网络的电离层F2层最大高度预测方法流程图如图3所示。首先将垂测仪获取的电离层F2层最大高度数据作为神经网络的输入，随后对其进行归一化处理。
然后通过设置神经网络以及遗传算法的初始值来进行遗传算法优化的BP神经网络的训练。在BP神经网络中，初始权重的设置对网络的性能和训练收敛速度有重要影响。本发明在BP神经网络部分采用的是随机初始化的方法。对神经网络的权重进行随机初始化，从高斯分布中采样得到的随机数。这样可以打破对称性，避免所有神经元在开始时具有相同的权重。此外，遗传算法的种群初始化也是采用这种方法，随机生成一组个体，每个个体对应神经网络的一组参数。通过这种方法引入多样性，最后迭代寻找优秀解。
在随机生成遗传算法的种群之后将模型预测的误差结果作为种群中每个个体的适应度，然后先进行选择操作可以使用多种选择方法，本发明采用轮盘赌选择方法。该方法是一种按照适应度值比例进行选择的方法，适应度值越高，越优秀的个体有更高的概率被选中，把适应度值较好的个体选取出来并保留。将保留出来的个体进行交叉运算，这个过程模拟生物进化中的基因遗传过程，有助于保留优秀个体的优良特征，得到新的个体，随后对交叉的个体进行随机突变。对选取的个体进行一定概率的基因变异，引入随机性，从而跳出局部最优解。在本发明的神经网络中，实施方式是修改权重值；
这样在每一步的选择交叉和变异操作中查找满意的解，重复运行选择交叉变异步骤，上述步骤就是获取BP神经网络最佳权值和阈值的具体步骤，步骤中的个体指的是训练过程中的权值和阈值数据的大小，即，通过上述步骤最后可以获得最佳的权值和阈值；
这样在训练过程中基于通过遗传算法得到的权值和阈值。随后进行神经网络的训练，得到遗传算法优化神经网络的电离层F2层最大高度预测模型，
所述进行神经网络的训练，得到遗传算法优化神经网络的电离层F2层最大高度预测模型包括：首先采用遗传算法获得的权值阈值进行网络初始化；然后将数据输入网络进行前向传播，在每一层根据权重和偏置进行计算得到输出结果，随后使用输出结果和真实标签计算损失值；根据得到的损失结合反向传播算法计算每个权重和偏置对损失值的影响大小；逐步更新偏置和权值减小损失值；最后重复以上得步骤使得损失值达到设计的预期要求，到此训练结束并得到训练好的遗传算法优化神经网络的电离层F2层最大高度预测模型。
可以理解，本发明采用遗传算法来优化BP神经网络的权值和阈值参数，这些参数是在训练过程使用的。因此，本发明是优化了训练的参数使得遗传算法优化神经网络的电离层F2层最大高度预测模型的预测精度提高；进一步可理解为：神经网络训练时的权值阈值对于最后的训练精度和误差有很大影响，本发明通过遗传优化算法获得了最优的权值阈值而不是以前的随机获取权值阈值，这一步相当于是优化了神经网络训练时的初始值的获取方式。
示例性的，所述遗传算法优化神经网络的电离层F2层最大高度预测模型可以分为：
数据预处理层，用于对数据进行归一化处理，便于后续数据处理；
权值阈值计算层，用于用遗传算法确定最优权值阈值从而改进BP神经网络的预测精度；
模型训练预测层，用于进行参数（权值，偏置值，损失值）的训练和预测；
数据存储和输出层，用于通过对预测数据进行反归一化得到预测的数据并保存从而便于展示。
然后进行预测得到电离层F2层最大高度的预测结果并计算了均方根误差(RMSE)和绝对平均误差(MAE)，两种误差的计算公式如下：
；
；
式中，为均方根误差，/>为绝对平均误差，/>为每一个实际值，/>为实际值对应的预测值，/>为点的个数，/>为平均值；
通过上述两个公式求解出误差结果。
本发明通过建立遗传算法优化神经网络的电离层F2层最大高度预测模型来实现F2层最大高度的有效预测，遗传算法优化神经网络的电离层F2层最大高度预测模型的预测结果比传统单BP神经网络的预测结果性能更好。
通过上述实施例可知，本发明建立了一个遗传算法优化神经网络的电离层F2层最大高度预测模型，通过将遗传算法和神经网络结合来进一步提高电离层垂测仪得到的F2层最大高度数据的预测精度。为以后沿海地区台风等灾害的预警提供参考信息，与现有技术相比优点有：
本发明采用遗传算法来优化神经网络的权值阈值，进一步提高电离层F2层最大高度的预测精度；
本发明首次建立遗传算法优化神经网络的电离层F2层最大高度预测模型，通过遗传算法优化BP神经网络的权值和阈值从而提高神经网络对电离层F2层峰值高度的预测精度。通过得到的预测结果的高度变化情况可以进一步分析台风强度以及风速的变化，因为台风风速与电离层F2层高度之间存在一定联系。因此，本发明的预测结果可以为台风的预警与研究提供参考信息。
实施例2，本发明提供一种电离层F2层最大高度预测系统，包括：
神经网络处理模块，用于将垂测仪获取的电离层F2层最大高度数据作为神经网络的输入，随后对所述电离层F2层最大高度数据进行归一化处理以及计算神经网络隐藏层节点个数；
最优的初始阈值和权值计算模块，用于进行遗传算法和BP神经网络的初始化，将神经网络得到的F2层最大高度预测误差作为适应度值，采用随机选择的方式将个体进行交叉和变异，通过遗传优化步骤迭代逐次获取最优的初始阈值和权值；
最佳适应度值误差求解模块，用于BP神经网络根据得到的最优的初始阈值和权值将训练好的模型保存下来，在训练过程中计算预测误并更新权值以及判断在种群迭代后最佳适应度值是否满足误差范围；
最大高度的预测模块，用于通过建立的遗传算法优化神经网络的电离层F2层最大高度预测模型进行最大高度的预测。
在上述实施例中，对各个实施例的描述都各有侧重，某个实施例中没有详述或记载的部分，可以参见其它实施例的相关描述。
上述装置/单元之间的信息交互、执行过程等内容，由于与本发明方法实施例基于同一构思，其具体功能及带来的技术效果，具体可参见方法实施例部分，此处不再赘述。
所属领域的技术人员可以清楚地了解到，为了描述的方便和简洁，仅以上述各功能单元、模块的划分进行举例说明，实际应用中，可以根据需要而将上述功能分配由不同的功能单元、模块完成，即将所述装置的内部结构划分成不同的功能单元或模块，以完成以上描述的全部或者部分功能。实施例中的各功能单元、模块可以集成在一个处理单元中，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单元中，上述集成的单元既可以采用硬件的形式实现，也可以采用软件功能单元的形式实现。另外，各功能单元、模块的具体名称也只是为了便于相互区分，并不用于限制本发明的保护范围。上述系统中单元、模块的具体工作过程，可以参考前述方法实施例中的对应过程。
本发明实施例还提供了一种计算机设备，该计算机设备包括：至少一个处理器、存储器以及存储在所述存储器中并可在所述至少一个处理器上运行的计算机程序，所述处理器执行所述计算机程序时实现上述任意各个方法实施例中的步骤。
本发明实施例还提供了一种计算机可读存储介质，所述计算机可读存储介质存储有计算机程序，所述计算机程序被处理器执行时可实现上述各个方法实施例中的步骤。
本发明实施例还提供了一种信息数据处理终端，所述信息数据处理终端用于实现于电子装置上执行时，提供用户输入接口以实施如上述各方法实施例中的步骤，所述信息数据处理终端不限于手机、电脑、交换机。
本发明实施例还提供了一种服务器，所述服务器用于实现于电子装置上执行时，提供用户输入接口以实施如上述各方法实施例中的步骤。
本发明实施例提供了一种计算机程序产品，当计算机程序产品在电子设备上运行时，使得电子设备执行时可实现上述各个方法实施例中的步骤。
所述集成的单元如果以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，本申请实现上述实施例方法中的全部或部分流程，可以通过计算机程序来指令相关的硬件来完成，所述的计算机程序可存储于一计算机可读存储介质中，该计算机程序在被处理器执行时，可实现上述各个方法实施例的步骤。其中，所述计算机程序包括计算机程序代码，所述计算机程序代码可以为源代码形式、对象代码形式、可执行文件或某些中间形式等。所述计算机可读介质至少可以包括：能够将计算机程序代码携带到拍照装置/终端设备的任何实体或装置、记录介质、计算机存储器、只读存储器（Read-OnlyMemory，ROM）、随机存取存储器（RandomAccessMemory，RAM）、电载波信号、电信信号以及软件分发介质。例如U盘、移动硬盘、磁碟或者光盘等。
为进一步说明本发明实施例相关效果，进行如下实验。
（1）首先进行第一步，将垂测仪获取的电离层F2层最大高度数据输入到模型中。其中，电离层垂测仪获取的电离层F2层最大高度数据是以一分钟为间隔进行获取的，一共1×440个数据。遗传算法优化神经网络的电离层F2层最大高度预测模型的输入和输出维度都是一维的。将电离层F2层最大高度数据的前400个数据作为模型的训练集，将数据的后40个数据作为测试集进行模型的训练。在数据进行训练和预测之前首先对数据进行归一化处理，将数据范围控制在[-1,1]之间，采用离差标准化的方法进行数据的归一化，其中，归一化公式如下所示：
；
式中，为待归一化的数据，/>为输入数据的最大值，/>为输入数据的最小值。
通过这种方法将数据进行归一化处理。
（2）采用经验公式计算隐藏层节点个数，公式如下：
；
式中，为隐藏层节点个数，/>为输入维度，/>为输出维度，/>为隐藏层个数，/>的范围为/>，设定隐藏层个数为10。
（3）随后进行遗传算法和BP神经网络的初始化。初始设计神经网络训练次数为1000次，学习率为0.01，期望的最小误差为，遗传算法的初始种群规模设置为10，最大进化数为30，将神经网络得到的F2层最大高度预测误差作为适应度值，采用随机选择的方式将个体进行交叉和变异，两种操作的概率分别取0.8和0.2，这里变异采用的方法是高斯变异法，通过遗传算法迭代来逐次计算权值和阈值。
（4）经过遗传算法计算得到最优的初始阈值和权值，随后BP神经网络根据得到的数据进行网络的训练并将训练好的模型保存下来，在训练过程中计算预测误差并更新去权值并判断其是否达到预测模型的要求。其中训练过程中的种群进化曲线如图4所示，纵坐标中的适应度为一个数值，用来表征迭代过程中种群的演化效果，越接近0代表种群演化效果越好，这样得到的训练模型的预测效果就越好。从图4中可以看出，在种群迭代后最佳适应度值达到期望的误差范围。
（5）通过建立的遗传算法优化神经网络的电离层F2层最大高度预测模型来进行最大高度的预测并于传统的BP神经网络的预测结果进行比较，预测结果以及比较结果如图5所示，实线代表的是电离层垂测仪测量得到的电离层F2层最大高度的实际值，三角线代表遗传算法优化神经网络电离层F2层最大高度模型的预测结果，圆圈线代表传统的BP神经网络的预测结果，从图5中可以看出本发明的预测结果优于传统的预测模型。此外还将两种模型的均方根误差和绝对平均误差进行了比较，从对比结果可知，本发明提出的遗传算法优化神经网络的电离层F2层最大高度预测方法得到的预测结果的均方根误差和绝对平均误差分别为0.2730和0.2662，远低于BP神经网络的1.1482和0.7717。通过对比结果可以证明，提出的新方法具有更好的预测性能。
可以理解，本发明可应用场景就是电离层F2层最大高度的精确预测，通过电离层F2层参数的GA-BP预测模型，能够精确预测。
以上所述，仅为本发明较优的具体的实施方式，但本发明的保护范围并不局限于此，任何熟悉本技术领域的技术人员在本发明揭露的技术范围内，凡在本发明的精神和原则之内所作的任何修改、等同替换和改进等，都应涵盖在本发明的保护范围之内。

Claims (10)

1.一种电离层F2层最大高度预测方法，其特征在于，该方法采用遗传算法优化的BP神经网络的权值阈值，对电离层F2层最大高度进行预测模型的建立，并完成参数的预测，具体包括以下步骤：
S1，将垂测仪获取的电离层F2层最大高度数据作为神经网络的输入，对所述电离层F2层最大高度数据进行归一化处理，计算神经网络隐藏层节点个数；
S2，进行遗传算法和BP神经网络的初始化，将BP神经网络得到的F2层最大高度预测误差作为适应度值，采用随机选择的方式将个体进行交叉和变异，通过遗传优化步骤迭代逐次获取最优的初始阈值和权值；
S3，BP神经网络根据得到的最优的初始阈值和权值将训练好的模型保存，在训练过程中计算预测误并更新权值，并判断在种群迭代后最佳适应度值是否满足误差范围；
S4，通过建立的遗传算法优化神经网络的电离层F2层最大高度预测模型进行最大高度的预测。
2.根据权利要求1所述的电离层F2层最大高度预测方法，其特征在于，在步骤S1中，对所述电离层F2层最大高度数据进行归一化处理，表达式为：
；
式中，为待归一化的数据，/>为输入数据的最大值，/>为输入数据的最小值。
3.根据权利要求1所述的电离层F2层最大高度预测方法，其特征在于，在步骤S1中，所述计算神经网络隐藏层节点个数包括，
采用经验公式计算隐藏层节点个数，表达式为：
；
式中，为隐藏层节点个数，/>为输入维度，/>为输出维度，/>为隐藏层个数，/>的范围为/>。
4.根据权利要求1所述的电离层F2层最大高度预测方法，其特征在于，在步骤S2中，将BP神经网络得到的F2层最大高度预测误差作为适应度值包括，
BP神经网络有个输入，/>个输出，隐藏层有/>个神经元；隐藏层的输出为/>，隐藏层阈值为/>，隐藏层的传递函数为/>，输出层的阈值为/>，输出层的传递函数为/>，输出层到隐藏层的权重为/>，隐藏层到输出层的权重为/>，得到网络的输出/>，期望输出为/>，隐藏层第/>个神经元的输出，表达式为：
；
式中，表示输入的数据；/>；
计算每个输出层神经元的输出，表达式为：
；
式中，；
使用得到的预测结果与实际数据进行求解得到误差函数，误差函数公式为：
；
式中，表示与预测结果相对应的实际数据值；
通过调整权重和阈值进行网络训练，得到网络误差在设置的步长之内控制在一个阈值之内时神经网络计算成功，将测试的样本数据输入到训练好的网络中。
5.根据权利要求1所述的电离层F2层最大高度预测方法，其特征在于，在步骤S2中，所述采用随机选择的方式将个体进行交叉和变异，通过遗传优化步骤迭代逐次获取最优的初始阈值和权值包括：
采用轮盘赌选择方法按照适应度值比例进行选择，适应度值越高，越优秀的个体有更高的概率被选中，把适应度值好的个体选取出来并保留，将保留出来的个体进行交叉运算，得到新的个体；对交叉的个体进行随机突变，对选取的个体进行一定概率的基因变异，引入随机性；
在每一步的选择交叉和变异操作中查找满意的解，重复运行选择交叉变异步骤，获得最佳的权值和阈值，所述个体为权值和阈值数据的大小。
6.根据权利要求5所述的电离层F2层最大高度预测方法，其特征在于，基于通过遗传算法得到的权值和阈值；进行神经网络的训练，得到遗传算法优化神经网络的电离层F2层最大高度预测模型；
所述进行神经网络的训练，得到遗传算法优化神经网络的电离层F2层最大高度预测模型包括：首先采用遗传算法获得的权值阈值进行网络初始化；然后将数据输入网络进行前向传播，在每一层根据权重和偏置进行计算得到输出结果，随后使用输出结果和真实标签计算损失值；根据得到的损失结合反向传播算法计算每个权重和偏置对损失值的影响大小；逐步更新偏置和权值减小损失值；最后重复以上得步骤使得损失值达到设计的预期要求，到此训练结束并得到训练好的遗传算法优化神经网络的电离层F2层最大高度预测模型。
7.根据权利要求6所述的电离层F2层最大高度预测方法，其特征在于，所述得到遗传算法优化神经网络的电离层F2层最大高度预测模型包括：
数据预处理层，用于对数据进行归一化处理，便于后续数据处理；
权值阈值计算层，用于用遗传算法确定最优权值阈值从而改进BP神经网络的预测精度；
模型训练预测层，用于进行权值，偏置值，损失值的训练和预测；
数据存储和输出层，用于通过对预测数据进行反归一化得到预测的数据并保存从而便于展示。
8.根据权利要求1所述的电离层F2层最大高度预测方法，其特征在于，在步骤S3中，所述在训练过程中计算预测误并更新权值，并判断在种群迭代后最佳适应度值是否满足误差范围包括，均方根误差RMSE和绝对平均误差MAE计算公式如下：
；
；
式中，为均方根误差，/>为绝对平均误差，/>为每一个实际值，/>为实际值对应的预测值，/>为点的个数，/>为平均值通过上述两个公式求解出误差结果。
9.一种电离层F2层最大高度预测系统，其特征在于，该系统实施如权利要求1-8任意一项所述电离层F2层最大高度预测方法，该系统包括：
神经网络处理模块，用于将垂测仪获取的电离层F2层最大高度数据作为神经网络的输入，随后对所述电离层F2层最大高度数据进行归一化处理以及计算神经网络隐藏层节点个数；
最优的初始阈值和权值计算模块，用于进行遗传算法和BP神经网络的初始化，将神经网络得到的F2层最大高度预测误差作为适应度值，采用随机选择的方式将个体进行交叉和变异，通过遗传优化步骤迭代逐次获取最优的初始阈值和权值；
最佳适应度值误差求解模块，用于BP神经网络根据得到的最优的初始阈值和权值将训练好的模型保存下来，在训练过程中计算预测误并更新权值以及判断在种群迭代后最佳适应度值是否满足误差范围；
最大高度的预测模块，用于通过建立的遗传算法优化神经网络的电离层F2层最大高度预测模型进行最大高度的预测。
10.根据权利要求9所述的电离层F2层最大高度预测系统，其特征在于，所述电离层F2层最大高度预测系统在沿海地区台风灾害的预警上的应用。
CN202410257639.1A 2024-03-07 2024-03-07 一种电离层f2层最大高度预测方法及系统 Pending CN117852611A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202410257639.1A CN117852611A (zh) 2024-03-07 2024-03-07 一种电离层f2层最大高度预测方法及系统

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202410257639.1A CN117852611A (zh) 2024-03-07 2024-03-07 一种电离层f2层最大高度预测方法及系统

Publications (1)

Publication Number Publication Date
CN117852611A true CN117852611A (zh) 2024-04-09

Family

ID=90533049

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202410257639.1A Pending CN117852611A (zh) 2024-03-07 2024-03-07 一种电离层f2层最大高度预测方法及系统

Country Status (1)

Country Link
CN (1) CN117852611A (zh)

Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109034388A (zh) * 2018-07-27 2018-12-18 湖北中烟工业有限责任公司 一种基于遗传算法优化神经网络的卷烟材料与主流烟气成分的预测模型
CN109165764A (zh) * 2018-06-26 2019-01-08 昆明理工大学 一种遗传算法优化bp神经网络的线损计算方法
CN111783363A (zh) * 2020-07-15 2020-10-16 华东交通大学 一种基于ssa和rbf神经网络模型的电离层预测方法
CN112116145A (zh) * 2020-09-15 2020-12-22 东北农业大学 基于遗传算法优化bp神经网络的奶牛采食量评估方法
CN112906957A (zh) * 2021-02-05 2021-06-04 东北大学秦皇岛分校 基于遗传算法优化的bp神经网络输煤故障预测方法
CN116882585A (zh) * 2023-07-28 2023-10-13 燕山大学 一种遗传算法和神经网络耦合的铝合金轮毂低压铸造工艺优化方法
CN116956737A (zh) * 2023-07-31 2023-10-27 电子科技大学 基于神经网络和遗传算法对低电离层电子密度反演的方法

Patent Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109165764A (zh) * 2018-06-26 2019-01-08 昆明理工大学 一种遗传算法优化bp神经网络的线损计算方法
CN109034388A (zh) * 2018-07-27 2018-12-18 湖北中烟工业有限责任公司 一种基于遗传算法优化神经网络的卷烟材料与主流烟气成分的预测模型
CN111783363A (zh) * 2020-07-15 2020-10-16 华东交通大学 一种基于ssa和rbf神经网络模型的电离层预测方法
CN112116145A (zh) * 2020-09-15 2020-12-22 东北农业大学 基于遗传算法优化bp神经网络的奶牛采食量评估方法
CN112906957A (zh) * 2021-02-05 2021-06-04 东北大学秦皇岛分校 基于遗传算法优化的bp神经网络输煤故障预测方法
CN116882585A (zh) * 2023-07-28 2023-10-13 燕山大学 一种遗传算法和神经网络耦合的铝合金轮毂低压铸造工艺优化方法
CN116956737A (zh) * 2023-07-31 2023-10-27 电子科技大学 基于神经网络和遗传算法对低电离层电子密度反演的方法

Similar Documents

Publication Publication Date Title
Li et al. A hybrid approach for forecasting ship motion using CNN–GRU–AM and GCWOA
CN109142171B (zh) 基于特征扩张的融合神经网络的城市pm10浓度预测方法
Jalali et al. An advanced short-term wind power forecasting framework based on the optimized deep neural network models
CN113468803B (zh) 一种基于改进的woa-gru洪水流量预测方法及系统
Jalalkamali Using of hybrid fuzzy models to predict spatiotemporal groundwater quality parameters
CN110138595A (zh) 动态加权网络的时间链路预测方法、装置、设备及介质
JP2013074695A (ja) 太陽光発電予測装置、太陽光発電予測方法及び太陽光発電予測プログラム
CN110619082B (zh) 一种基于重复搜索机制的项目推荐方法
CN110232444B (zh) 地质监测bp神经网络的优化方法、装置、设备及存储介质
CN115906954A (zh) 一种基于图神经网络的多变量时间序列预测方法及装置
CN114912673A (zh) 一种基于鲸鱼优化算法和长短时记忆网络的水位预测方法
CN115018193A (zh) 基于lstm-ga模型的时间序列风能数据预测方法
CN108364098B (zh) 一种天气特征对用户签到影响的度量方法
CN118134017A (zh) 一种采用脉冲神经网络预测社交网络链路的方法
CN116015967A (zh) 基于改进鲸鱼算法优化delm的工业互联网入侵检测方法
CN110516792A (zh) 基于小波分解和浅层神经网络的非平稳时间序列预测方法
CN117938477A (zh) 网络入侵检测方法、装置、终端设备以及存储介质
Sánchez et al. Obtaining transparent models of chaotic systems with multi-objective simulated annealing algorithms
CN117636183A (zh) 一种基于自监督预训练的小样本遥感图像分类方法
CN116933037A (zh) 一种基于多模型融合的光伏出力预测方法及相关装置
Lu et al. Dynamic evolution analysis of desertification images based on BP neural network
CN117852611A (zh) 一种电离层f2层最大高度预测方法及系统
CN115936773A (zh) 一种互联网金融黑产识别方法与系统
CN115345207A (zh) 一种自适应的多气象要素预测方法
CN115510948A (zh) 一种基于鲁棒图分类的区块链钓鱼检测方法

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