一种基于SSA和RBF神经网络模型的电离层预测方法技术

本发明专利技术公开了一种基于SSA和RBF神经网络模型的电离层预测方法，涉及电离层TEC预测技术领域，所述方法包括：获取目标区域中的TEC原始序列；通过奇异谱分析法对电离层TEC原始序列进行去噪分析；将去噪后的TEC数据序列作为输入对RBF神经网络模型进行训练；用训练好的RBF神经网络模型进行电离层TEC序列的预测，并输出预测值。在本发明专利技术通过将奇异谱分析法对TEC序列中主要特征分量及多余噪声信息进行提取分析，为进一步进行建模处理提供高精度数据源，另外还通过RBF神经网络模型对TEC序列进行预测研究，并且以IGS中心发布的参考值作为实验对比值，使得本发明专利技术的方法在电离层TEC预测上精度更高。

【技术实现步骤摘要】
一种基于SSA和RBF神经网络模型的电离层预测方法
本专利技术涉及电离层预测
，具体涉及一种基于SSA和RBF神经网络模型的电离层预测方法。
技术介绍
距离地面高度为60～2000km的大气电离层区域存在大量的自由电子，其可对穿越其中的通信和广播信号造成包括反射、折射、散射和吸收等不同程度的影响。电离层总电子含量(totalelectriccontent,TEC)是反映电离层特性的一个重要因素，对其精准的预测有利于进一步探索近地空间环境的变化。作为近地空间环境的重要组成部分，电离层对人类生活产生着重要的影响。例如，当电离层发生剧烈扰动时，会造成卫星及地面通信设备中断、航天器失常或受损、长距离输油输气管道及高压输电网损害等。因此，研究认识电离层的结构以及特性，对保障航天活动的安全、提高导航卫星系统的定位精度、揭示电离层活动规律等，都具有非常重要的意义。建立高精度电离层模型的难点在于电离层对GNSS影响的复杂性以及电离层自身具备的时空变化特性。因此，为了建立高精度的电离层TEC预测模型，国内外学者展开了广泛的研究并取得了一些成果。时间序列模型作为传统的线性预测算法，因其结构简单并且具备良好的预测性能，诸多学者利用时间序列模型进行了短期电离层TEC预测，取得了较好的预测效果。但是，由于时间序列模型存在预测精度随着预测时间增长精度逐渐降低的问题，有学者利用人工神经网络模型对电离层TEC进行预测建模，与时间序列相比，人工神经网络具备更加良好的预测精度以及运算速度，使得此方法在电离层预测领域得到了广泛的应用。然而越来越多的研究表明，传统人工神经网络模型在数据训练过程中极容易陷入局部最小值的“死循环”中，进而避开真正的最优值，并且对建模条件要求较为苛刻。另外，现有技术的研究中还忽略了电离层TEC序列的复杂变化特性，诸如非线性、非周期性、非平稳性等。
技术实现思路
为了解决上述问题，本专利技术提供一种基于SSA和RBF神经网络模型的电离层预测方法，该方法通过将奇异谱分析法应用于电离层TEC序列预处理中，对TEC序列中主要特征分量及多余噪声信息进行提取分析，为进一步进行建模处理提供高精度数据源，另外本专利技术还通过去噪后的TEC序列作为RBF神经网络的训练数据集，对RBF神经网络模型进行建模训练，最后利用已训练好的模型对TEC序列进行预测研究，并且以IGS中心发布的参考值作为实验对比值，得出本专利技术在电离层TEC预测上具备良好的应用性能。为了实现上述目的，本专利技术采用的技术方案为：一种基于SSA和RBF神经网络模型的电离层预测方法，包括：S1：获取目标区域中的TEC原始序列；S2：通过奇异谱分析法对电离层TEC原始序列进行去噪分析；S3：将去噪后的TEC数据序列作为输入对RBF神经网络模型进行训练；S4:用训练好的RBF神经网络模型进行电离层TEC序列预测，并输出预测值。进一步地，通过所述奇异谱分析法对电离层TEC原始序列进行去噪分析的具体过程为：S21：通过已获取的电离层TEC原始序列，构造Hankel矩阵以获得电离层TEC的输入矩阵：其中，m、n分别表示矩阵的行数和列数；n≥2，m≥2，n≥m，m+n-1=N；S22：并对步骤S21中的输入矩阵经奇异值分解得到的奇异值，获得矩阵：其中，表示两个酉矩阵，表示奇异值向量，且S23：对步骤S21的原始TEC序列进行快速傅里叶变换处理，得到原始数据序列在频域上的主要频率的幅值，应用奇异值向量的阶数为原始输入信号主要频率数量的两倍原则，来获得去噪后的奇异值向量和重构矩阵，其中k为重构矩阵中奇异值的数量，为快速傅里叶变换处理后，原始输入信号的主要频率数目；即矩阵：S24：对重构矩阵进行逆向分析得到去噪后的电离层TEC序列。更进一步地，所述m=n。更进一步地，所述对RBF神经网络模型训练的具体过程为：S31：构建RBF神经网络模型；RBF神经网络模型隐含层的激活函数为径向基函数高斯函数时，所述高斯函数的公式见式（1）：（1）其中，为欧式范数；为高斯函数的中心；为高斯函数的方差，即第个输入样本，共有P个输入样本；为隐含层结点的中心；RBF神经网络模型输出层的公式见式（2）：（2）其中，，共有P个输入样本；为隐含层结点的中心；为隐含层到输出层的连接权值，，隐含层共有h个结点，，共有n个输出结点；为与输入样本对应的网络的第j个输出结点的实际输出；当RBF神经网络的激活函数为径向基函数高斯函数时，其方差见公式（3）：（3）式中，为所选取中心的最大距离；求解隐含层和输出层之间神经元的连接权值，可以用最小二乘法计算得到，计算公式见式（4）：（4）其中，；S32：将去噪后的电离层TEC序列作为输入，并设定均方误差及分布密度对RBF神经网络模型进行训练。更进一步地，所述均方误差值为0.01，密度分布为100。更进一步地，用训练好的RBF神经网络模型进行电离层TEC序列的预测，并输出预测值的具体过程为：RBF神经网络通过输入和输出误差来调整参数中心和权值，再据此调整网络内部系数，通过反复迭代计算直至网络的输出均方误差达到预设的精度要求时，网络终止计算并输出预测值。更进一步地，还包括对预测精度的分析过程，所述预测精度用残差用进行表示，其计算公式见式（5）：（5）其中分别表示TEC预测值、实际值。本专利技术的有益效果：本专利技术将奇异谱分析法应用于电离层TEC序列预处理中，对TEC序列中主要特征分量及多余噪声信息进行提取分析，为进一步进行建模处理提供高精度数据源。本专利技术采用RBF神经网络模对电离层的TEC值进行预测，该模型可以解决传统人工神经网络学习收敛速度缓慢、易陷入局部最小值及难以确定隐含层神经元数量等缺陷，可以较好的发掘复杂非线性系统的实际结构及内在的变化规律；故本专利技术在利用SSA法对原始TEC序列进行去噪处理后，将去噪后的TEC序列作为RBF神经网络模型的输入，对RBF神经网络模型进行建模训练，最后利用已训练好的模型对TEC序列进行预测研究，并且以IGS中心发布的参考值作为实验对比值，使得本专利技术在电离层TEC预测以及异常扰动监测上与传统方法相比更加精准。除了上面所描述的目的、特征和优点之外，本专利技术还有其它的目的、特征和优点。下面将参照图，对本专利技术作进一步详细的说明。附图说明构成本申请的一部分的附图用来提供对本专利技术的进一步理解，本专利技术的示意性实施例及其说明用于解释本专利技术，并不构成对本专利技术的不当限定。图1为本专利技术实施例的年积日61-85日电离层TEC原始数据图像；图2为本专利技术实施例对原始数据快速傅里叶变换频谱图；图3为本专利技术实施例经过SSA去噪处理数据与原始TEC序列对比图；图4为本专利技术实施例的经过本申请模型预测的TEC值与参考值对比图。...

【技术保护点】
1.一种基于SSA和RBF神经网络模型的电离层预测方法，其特征在于，包括：/nS1：获取目标区域中的TEC原始序列；/nS2：通过奇异谱分析法对电离层TEC原始序列进行去噪分析；/nS3：将去噪后的TEC数据序列作为输入对RBF神经网络模型进行训练；/nS4:用训练好的RBF神经网络模型进行电离层TEC序列预测，并输出预测值。/n

【技术特征摘要】
1.一种基于SSA和RBF神经网络模型的电离层预测方法，其特征在于，包括：
S1：获取目标区域中的TEC原始序列；
S2：通过奇异谱分析法对电离层TEC原始序列进行去噪分析；
S3：将去噪后的TEC数据序列作为输入对RBF神经网络模型进行训练；
S4:用训练好的RBF神经网络模型进行电离层TEC序列预测，并输出预测值。


2.根据权利要求1所述的基于SSA和RBF神经网络模型的电离层预测方法，其特征在于，通过所述奇异谱分析法对电离层TEC原始序列进行去噪分析的具体过程为：
S21：通过已获取的电离层TEC原始序列，构造Hankel矩阵以获得电离层TEC的输入矩阵：



其中，m、n分别表示矩阵的行数和列数；n≥2，m≥2，n≥m，m+n-1=N；
S22：并对步骤S21中的输入矩阵经奇异值分解得到的奇异值，获得矩阵：



其中，表示两个酉矩阵，表示奇异值向量，且
S23：对步骤S21的原始TEC序列进行快速傅里叶变换处理，得到原始数据序列在频域上的主要频率的幅值，应用奇异值向量的阶数为原始输入信号主要频率数量的两倍原则，来获得去噪后的奇异值向量和重构矩阵，其中k为重构矩阵中奇异值的数量，为快速傅里叶变换处理后，原始输入信号的主要频率数目；



即矩阵：



S24：对重构矩阵进行逆向分析得到去噪后的电离层TEC序列。


3.根据权利要求2所述的基于SSA和RBF神经网络模型的电离层预测方法，其特征在于，所述m=n。


4.根据权利要求1-3任一所述的基于SSA和RBF神经网络模型的电离层预测方法，其特征在于，所述对RBF神经网络模型训练的具体过程为：
S31：构建RBF神经网络模型...

【专利技术属性】
技术研发人员：汤俊，高鑫，
申请(专利权)人：华东交通大学，
类型：发明
国别省市：江西;36