基于机器学习的电离层hmF2长期预测方法技术

本发明专利技术公开一种基于机器学习的电离层hmF2长期预测方法，包括：对采集到的hmF2观测数据以及太阳活动指数数据进行预处理，形成hmF2原始数据集，将hmF2原始数据集分离成训练数据集、验证数据集和测试数据集；应用统计机器学习方法，建立电离层hmF2长期预测模型；基于训练数据集对建立的电离层hmF2长期预测模型进行训练，考虑模型精度，确定电离层hmF2长期预测模型后用验证数据集验证，并用测试数据集进行测试。本发明专利技术的方法可提升hmF2的长期预测精度，为空间天气预警、频率规划和预测高频传播条件等领域提供强有力的技术基础。传播条件等领域提供强有力的技术基础。传播条件等领域提供强有力的技术基础。

【技术实现步骤摘要】
基于机器学习的电离层hmF2长期预测方法


[0001]本专利技术涉及无线电波
，特别是涉及一种基于机器学习的电离层hmF2长期预测方法。

技术介绍

[0002]电离层中存在大量自由电子，会影响无线电波的传播。电离层F2层峰值电子密度高度(hmF2)有助于研究和监测电离层特征，捕捉和观测电离层变化。估计和预测hmF2的长期变化趋势对高频通信，全球导航卫星系统(GNSS)，全球定位系统(GPS)无线电掩星和近地轨道(LEO)精确定轨应用具有重要作用。
[0003]hmF2可以通过电离层探测仪直接测量或利用测量的电离层其他参数(E区电子密度(foE)、F2层3000km处传播因子(M3000F2)和F2层临界频率(foF2))反演得到。在缺少测量条件或其他极端情况时，hmF2可通过物理模型，数学模型和经验模型等计算得到。其中，国际参考电离层(IRI)是最常见的经验模型，也是众所周知推荐的国际标准，该标准可以综合hmF2的全球空间分布特征提供较为平均的预测，然而也需要进一步提升预测精度。随着观测技术的不断发展和计算机技术的不断进步，电离层模型也在更新改进。因此，基于现有技术的不断进步，对电离层hmF2进行长期预测，以提升hmF2的长期预测精度，很有必要。

技术实现思路

[0004]本专利技术的目的是针对现有技术中的问题，而提供一种基于机器学习的电离层hmF2长期预测方法，本专利技术的方法可提升hmF2的长期预测精度，为空间天气预警、频率规划和预测高频传播条件等领域提供强有力的技术基础。
[0005]为实现本专利技术的目的所采用的技术方案是：
[0006]一种基于机器学习的电离层hmF2长期预测方法，包括：
[0007]A、对采集到的hmF2观测数据以及太阳活动指数数据进行预处理，形成hmF2原始数据集，将hmF2原始数据集分离成训练数据集、验证数据集和测试数据集；
[0008]B、应用统计机器学习方法，建立电离层hmF2长期预测模型；
[0009]C、基于训练数据集对建立的电离层hmF2长期预测模型进行训练，考虑模型精度，确定电离层hmF2长期预测模型后用验证数据集验证，并用测试数据集进行测试。
[0010]其中，太阳活动指数数据包括波长为10.7厘米太阳射电波通量F10.7；太阳黑子数R；紫外线波段中最强的单线Lyman
‑
α。
[0011]其中，对hmF2观测数据以及太阳活动指数数据进行预处理，包括：
[0012]通过处理hmF2观测数据，得到hmF2月中值数据，对hmF2月中值数据进行分析，观察时间变化特性，根据时间变化特性确定训练模型集合；确定建模过程中数据的采样周期和存储格式；根据太阳活动指数的数据，获得对应的12月滑动平均值。
[0013]其中，所述训练模型集合包括所有将被训练的电离层hmF2长期预测模型。
[0014]其中，采集hmF2观测数据的采样周期为60分钟。
[0015]其中，采集到hmF2观测数据后，按照时间顺序存储每一月份hmF2全天24小时月中值，形成了标准化的hmF2建模数据，即观测站点对应一个标准化建模数据文件，第一行存储第一年第1个月份24小时hmF2月中值，第二行存储第一年第2个月份24小时hmF2月中值，依序存储至最后一年最后一月24小时hmF2月中值，形成“年数*12，24”的建模数据矩阵，保存为标准化的hmF2建模数据文件；同时将太阳射电通量F10.7、紫外线波段中最强的单线Lyman
‑
α的12月滑动平均值保存为标准化的数据文件。
[0016]所述建立电离层hmF2长期预测模型，包括：
[0017]考虑hmF2月中值数据与太阳活动相关性以及电离层特征参数的年、半年、季节的变化，对于给定的地理坐标和当地时间，确定输出参数hmF2和输入参数之间可能的映射关系，定义电离层hmF2长期预测模型如下：
[0018][0019]式中，q为F10.7的12个月滑动平均值，或太阳黑子R的12个月滑动平均值，或是Lyman
‑
α的12月滑动平均值，m是月份，a与太阳活动指数直接相关，表示太阳活动指数的变化特性，三角函数中的b用于表示年、半年、季节和月的周期变化特性，b＝1，2，3，4分别代表12个月、6个月、3个月和1个月，分母12代表季节周期的最大值，A和B分别是a与b的最大数值，θ
a,b
和μ
a,b
是模型的超参数。
[0020]步骤C中，所述的基于训练数据集对建立的电离层hmF2长期预测模型进行训练，考虑模型精度，确定电离层hmF2长期预测模型后用验证数据集验证，并用测试数据集进行测试，包括：
[0021]步骤C1：利用最小二乘法方法LS下的回归分析，对步骤B中所建立的所有的电离层hmF2长期模型进行训练，模型中的A和B的值，A＝1，2，3，4、B＝1，2，3，4；当A和B的值确定后，通过最小二乘法确定模型中的超参数θ
a,b
和μ
a,b
；
[0022]步骤C2：使用验证数据集对不同A、B的值的情况下和不同太阳活动指数下建立的模型进行验证；考虑相对均方根误差RRMSE，最终确定hmF2的长期预测模型中A＝1，B＝1，输入的太阳活动指数为R的12个月滑动平均值，即：
[0023][0024]本专利技术的基于机器学习的电离层hmF2长期预测方法，所建立的hmF2长期预测模型相较于IRI模型，RRMSE下降了1.78％，性能提升了29.61％，从而可提升hmF2的长期预测精度，可以为空间天气预警，短波通信等应用、频率规划和预测高频传播条件等领域提供强有力的技术基础。
附图说明
[0025]图1是本专利技术实施例的基于机器学习的电离层hmF2长期预测方法的处理流程示意图。
[0026]图2是本专利技术实施例的步骤A的处理流程示意图。
[0027]图3是本专利技术实施例的步骤C的处理流程示意图。
具体实施方式
[0028]以下结合附图和具体实施例对本专利技术作进一步详细说明。应当理解，此处所描述的具体实施例仅仅用以解释本专利技术，并不用于限定本专利技术。
[0029]由于hmF2会受到太阳活动的影响，且存在年、半年、季节以及更细微的变化特征，为了对其进行长期预测且精度好，基于高频通信和卫星业务领域的应用需求和目前的研究现状，本专利技术应用统计机器学习方法(SML)入手重建电离层hmF2的长期预测模型，然后运用重建的该电离层hmF2的长期预测模型进行长期预测，实现了电离层hmF2长期预测。
[0030]参考图1至图3所示，一种基于机器学习的电离层hmF2长期预测方法，包括步骤：
[0031]步骤A：对采集到的hmF2观测数据以及太阳活动指数数据进行预处理，形成hmF2原始数据集，将hmF2原始数据集分离成训练数据集、验证数据集和测试数据集；
[0032]具体的，是从对应数据网站上下载得到hmF2数据和太阳活动指本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.基于机器学习的电离层hmF2长期预测方法，其特征在于，包括：A、对采集到的hmF2观测数据以及太阳活动指数数据进行预处理，形成hmF2原始数据集，将hmF2原始数据集分离成训练数据集、验证数据集和测试数据集；B、应用统计机器学习方法，建立电离层hmF2长期预测模型；C、基于训练数据集对建立的电离层hmF2长期预测模型进行训练，考虑模型精度，确定电离层hmF2长期预测模型后用验证数据集验证，并用测试数据集进行测试。2.根据权利要求1所述基于机器学习的电离层hmF2长期预测方法，其特征在于，所述太阳活动指数数据包括波长为10.7厘米太阳射电波通量F10.7；太阳黑子数R；紫外线波段中最强的单线Lyman
‑
α。3.根据权利要求1所述基于机器学习的电离层hmF2长期预测方法，其特征在于，对hmF2观测数据以及太阳活动指数数据进行预处理，包括：通过处理hmF2观测数据，得到hmF2月中值数据，对hmF2月中值数据进行分析，观察时间变化特性，根据时间变化特性确定训练模型集合；确定建模过程中数据的采样周期和存储格式；根据太阳活动指数的数据，获得对应的12月滑动平均值。4.根据权利要求3所述基于机器学习的电离层hmF2长期预测方法，其特征在于，所述训练模型集合包括所有将被训练的电离层hmF2长期预测模型。5.根据权利要求3所述基于机器学习的电离层hmF2长期预测方法，其特征在于，采集hmF2观测数据的采样周期为60分钟。6.根据权利要求3所述基于机器学习的电离层hmF2长期预测方法，其特征在于，采集到hmF2观测数据后，按照时间顺序存储每一月份hmF2全天24小时月中值，形成了标准化的hmF2建模数据，即观测站点对应一个标准化建模数据文件，第一行存储第一年第1个月份24小时hmF2月中值，第二行存储第一年第2个月份24小时hmF2月中值，依序存储至最后一年最后一月24小时hmF2月中值，形成“年数*12，24”的建模数据矩阵，保存为标准化的hmF2建模数据文...

【专利技术属性】
技术研发人员：王健，于俏，士亚菲，
申请(专利权)人：天津大学，
类型：发明
国别省市：