一种电离层参数的预测方法技术

本发明专利技术公开了一种电离层参数的预测方法，先选择测量站点的电离层临界频率foF2参数作为样本，分为训练集和测试集；然后构建双向长短时记忆神经网络BiLSTM的网络结构，利用训练集数据进行第一个BiLSTM神经网络训练和电离层临界频率foF2参数的预测；再计算预测值前N天历史日的foF2参数值与该预测值之间的相似度大小，选择相似度最大的历史日数据作为相似历史日数据；最后将相似历史日数据和预测值对应的当前时刻的真实标签值构成相似日样本，训练第二个BiLSTM神经网络，得到电离层参数预测网络模型。本发明专利技术的预测方法减小了由于人工或环境等带来的数据误差，从而提升了预测结果的精度。精度。精度。

【技术实现步骤摘要】
一种电离层参数的预测方法


[0001]本专利技术涉及电离层研究及应用
，特别是涉及一种电离层参数的预测方法。

技术介绍

[0002]地球电离层是地球高层大气的电离部分，距离地球表面约50km～1000km，对变化的太阳和磁层能量输入有明显的反应。电离层中的等离子体不仅影响无线电波的传播还会影响着人类的通信、军事和日常生活。
[0003]近几十年来，为了能够更快更准确的获得电离层参数信息，科学家已研究出许多方法对电离层参数进行预测。国际参考电离层(IRI)是目前使用最广泛的电离层参数预测模型，IRI模型是根据大量实测数据所建立起来的经验模型，目的是为了更接近真实电离层。但是，IRI模型对长时期的数据具有依赖性，因此对短期内的参数预测性能并不好。为此，科学家们研究出一些数学算法来解决这一问题。Stanislawska等人利用自协方差的方法对数据进行处理并预测了未来两小时的电离层foF2的值。Chan等人在基于非线性径向基函数的基础上建立了可以短期预测foF2的预测模型。传统的数学方法模型在处理时序数据时需要预处理的数据很多，工作量大，并且不能很好的反应数据之间的关系，最重要的是预测精度不高。神经网络的出现，使得电离层参数预测更加精确。例如Wichaipanich等人利用神经网络模型对2009年至2013年东南亚地区的foF2进行预测，并发现神经网络模型的表现优于IRI 2012。Athieno等人利用人工神经网络(ANN)深入研究电离层的情况，使用电离层探测仪数据成功预测了非线性foF2和hmF2参数。李等人也使用了LSTM网络对海南三亚foF2的值进行短期预测。但这些方法存在准确度低的问题。
[0004]因此，需要一种电离层参数的预测方法来解决预测难度大，准确度低的问题。

技术实现思路

[0005]针对上述要解决的技术问题，本专利技术提供一种电离层参数的预测方法，能够减小由于人工或环境等带来的数据误差，提升了预测结果的精度。
[0006]为解决上述技术问题，本专利技术提出的技术方案为：
[0007]为了实现上述目的，本专利技术的技术方案如下：
[0008]一种电离层参数的预测方法，包含以下步骤：
[0009]步骤1：选择测量站点的电离层临界频率foF2参数作为样本，对缺失的数据进行筛选和剔除并划分为训练集和测试集；
[0010]步骤2：构建长短时记忆神经网络BiLSTM的网络结构，利用训练集数据进行第一个的BiLSTM神经网络训练和电离层临界频率foF2参数的预测；
[0011]步骤3：计算预测值的前N天历史日的foF2参数值与该预测值之间的相似度大小，选择相似度最大的历史日数据作为相似历史日数据；
[0012]步骤4：将相似历史日数据和预测值对应的当前时刻的真实标签值构建成相似日
样本，训练第二个BiLSTM神经网络，得到电离层参数预测网络模型。
[0013]作为上述技术方案的进一步改进为：
[0014]上述技术方案中，优选地，所述步骤1中，从电离层参数测量站中，选择测量间隔时间为1小时的总数据至少包含3年的电离层临界频率foF2参数作为数据样本，每组历史数据和标签数据取24小时的数据，且数据没有缺失。
[0015]上述技术方案中，优选地，所述步骤2中，BiLSTM神经网络由双向双层的长短时记忆神经网络LSTM组成。
[0016]上述技术方案中，优选地，所述步骤3中，先找出每个预测值对应的前N天的历史日，再通过相似度公式分别计算出N个历史日与对应的预测值之间的相似度大小，选择相似度最大的历史日数据作为相似历史日数据；
[0017]相似度公式为：
[0018][0019]其中，X
i
＝(X
i1
,X
i2
…
,X
i24
)为历史日的foF2数据，Y
j
＝(Y
j1
,Y
j2
…
,Y
j24
)为预测的foF2数据，E代表数学期望，D代表方差；相似度的取值范围在(0,1)之间。
[0020]上述技术方案中，优选地，所述步骤4中，第二个BiLSTM神经网络与第一次训练的BiLSTM神经网络网络架构相同。
[0021]本专利技术提供的电离层参数的预测方法，与现有技术相比，有以下优点：
[0022]本专利技术的电离层参数的预测方法，由于本专利技术利用了双向长短时记忆神经网络BiLSTM，且电离层临界频率foF2参数为时间序列数据，因此降低了电离层临界频率foF2参数的预测难度。此外，利用了相似度的理论，选择与预测值相似度最高的历史日作为第二次训练样本，提高了历史日和标签值之间的关联性，减小了由于人工或环境等带来的数据误差，从而提升了预测结果的精度。
附图说明
[0023]图1为本专利技术实施例中的电离层参数的预测方法的流程图。
[0024]图2为本专利技术实施例中双向长短时记忆神经网络BiLSTM的网络结构图。
[0025]图3为本专利技术实施例中长短时记忆神经网络LSTM的网络结构。
[0026]图4为本专利技术实施例中某一天24小时的foF2参数最终预测值与真实值对比曲线。
具体实施方式
[0027]以下对本专利技术的具体实施方式进行详细说明。应当理解的是，此处所描述的具体实施方式仅用于说明和解释本专利技术，并不用于限制本专利技术。
[0028]图1至图3示出了本专利技术电离层参数的预测方法的一种实施方式，包括以下步骤：
[0029]步骤1：选择测量站点的电离层临界频率foF2参数作为样本，对缺失的数据进行筛选和剔除并划分为训练集和测试集；
[0030]步骤2：构建长短时记忆神经网络BiLSTM的网络结构，利用训练集数据进行第一个的BiLSTM神经网络训练和电离层临界频率foF2参数的预测；
[0031]步骤3：计算预测值的前N天历史日的foF2参数值与该预测值之间的相似度大小，选择相似度最大的历史日数据作为相似历史日数据；
[0032]步骤4：将相似历史日数据和预测值对应的当前时刻的真实标签值构建成相似日样本，训练第二个BiLSTM神经网络，得到电离层参数预测网络模型。
[0033]本实施例中，在步骤1中，选择合适的测量站点的电离层临界频率foF2参数作为样本，从电离层参数测量站中，选择测量间隔时间为1小时的总数据至少包含3年的电离层临界频率foF2参数作为数据样本，每组历史数据和标签数据都取24小时的数据，即一组数据包含48小时的连续数据，且48小时内的数据中没有缺失数据。
[0034]电离层临界频率具有受季节以及昼夜影响的特性，为了能够更加准确地对不同季节的foF2进行预测，一般选取一整年数据。本实施例的步骤1中，选取的3年数据中，第一年数据作为第一个网络的训练数据，第二年的数据作为第一次训练后需进行预测的数据，预测后还需进行相似度计算并输入第二个网络中训练，第三年的数据本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种电离层参数的预测方法，其特征在于，包含以下步骤：步骤1：选择测量站点的电离层临界频率foF2参数作为样本，对缺失的数据进行筛选和剔除并划分为训练集和测试集；步骤2：构建长短时记忆神经网络BiLSTM的网络结构，利用训练集数据进行第一个的BiLSTM神经网络训练和电离层临界频率foF2参数的预测；步骤3：计算预测值的前N天历史日的foF2参数值与该预测值之间的相似度大小，选择相似度最大的历史日数据作为相似历史日数据；步骤4：将相似历史日数据和预测值对应的当前时刻的真实标签值构建成相似日样本，训练第二个BiLSTM神经网络，得到电离层参数预测网络模型。2.根据权利要求1所述的电离层参数的预测方法，其特征在于，所述步骤1中，从电离层参数测量站中，选择测量间隔时间至少1小时的总数据且至少包含3年的电离层临界频率foF2参数作为数据样本，每组历史数据和标签数据取24小时的数据，且数据没有缺失。3.根据权利要求1所述的电离层参数的预测方法，其特征在于，所述步骤2中，BiLSTM...

【专利技术属性】
技术研发人员：郑丹丹，柳文，邓敏，姚志强，盛孟刚，
申请(专利权)人：湘潭大学，
类型：发明
国别省市：