CN113093225B - 一种广域、局域融合的高精度电离层闪烁模型建立方法 - Google Patents

一种广域、局域融合的高精度电离层闪烁模型建立方法 Download PDF

Info

Publication number
CN113093225B
CN113093225B CN202110189833.7A CN202110189833A CN113093225B CN 113093225 B CN113093225 B CN 113093225B CN 202110189833 A CN202110189833 A CN 202110189833A CN 113093225 B CN113093225 B CN 113093225B
Authority
CN
China
Prior art keywords
model
data
ionospheric scintillation
area
flicker
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.)
Active
Application number
CN202110189833.7A
Other languages
English (en)
Other versions
CN113093225A (zh
Inventor
王成
樊涵东
李可
薛开宇
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.)
Beihang University
Original Assignee
Beihang University
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 Beihang University filed Critical Beihang University
Priority to CN202110189833.7A priority Critical patent/CN113093225B/zh
Publication of CN113093225A publication Critical patent/CN113093225A/zh
Application granted granted Critical
Publication of CN113093225B publication Critical patent/CN113093225B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01S—RADIO DIRECTION-FINDING; RADIO NAVIGATION; DETERMINING DISTANCE OR VELOCITY BY USE OF RADIO WAVES; LOCATING OR PRESENCE-DETECTING BY USE OF THE REFLECTION OR RERADIATION OF RADIO WAVES; ANALOGOUS ARRANGEMENTS USING OTHER WAVES
    • G01S19/00—Satellite radio beacon positioning systems; Determining position, velocity or attitude using signals transmitted by such systems
    • G01S19/01—Satellite radio beacon positioning systems transmitting time-stamped messages, e.g. GPS [Global Positioning System], GLONASS [Global Orbiting Navigation Satellite System] or GALILEO
    • G01S19/03—Cooperating elements; Interaction or communication between different cooperating elements or between cooperating elements and receivers
    • G01S19/07—Cooperating elements; Interaction or communication between different cooperating elements or between cooperating elements and receivers providing data for correcting measured positioning data, e.g. DGPS [differential GPS] or ionosphere corrections
    • G01S19/072—Ionosphere corrections
    • 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)
  • Radar, Positioning & Navigation (AREA)
  • Remote Sensing (AREA)
  • Computer Networks & Wireless Communication (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Measurement Of Radiation (AREA)
  • Position Fixing By Use Of Radio Waves (AREA)

Abstract

本发明提供一种广域、局域融合的高精度电离层闪烁模型建立方法，包括如下步骤：a)、获取空基COSMIC卫星，以及高纬地区地基CHAIN观测站的原始信号数据，对获取的原始信号数据进行预处理；b)、对获取的电离层闪烁信号数据进行时空特征初步分析；c)、建立广域电离层闪烁ANN模型，d)、对广域电离层闪烁ANN模型测试，e)、建立高纬极区局域电离层闪烁ANN模型，f)、对高纬极区局域电离层闪烁ANN模型测试。本发明利用COSMIC以及CHAIN两种观测数据，以总电子含量的时间变化率指数ROTI的形式表征电离层闪烁发生情况模型，并单独使用CHAIN站数据进行高纬地区的电离层闪烁模型的建立，达到广域、局域融合，改进接收机性能、提高卫星导航定位精度。

Description

一种广域、局域融合的高精度电离层闪烁模型建立方法
技术领域
本发明涉及卫星导航技术领域，特别涉及一种广域、局域融合的高精度电离层闪烁模型建立方法。
背景技术
许多
电离层是地球大气层的一部分，位于地球表面60km以上的区域。该区域的大气中的分子和原子在太阳辐射(主要是紫外辐射和X射线)作用下部分电离，存在大量正离子和自由电子。美国电气和电子工程师协会标准(1969)，按照无线电波受影响的角度定义电离层为：“地球大气层的一部分，其中存在的离子和电子数量足以影响无线电波的传播”。
随着全球卫星导航***的迅速发展，电离层已经成为开展空间探测的必要研究对象。电离层干扰是影响卫星导航定位精度的最大误差来源。
电离层闪烁的发生会引起接收到的全球导航卫星***GNSS信号的幅度和相位波动，这些快速的波动可能会降低定位精度，甚至引起载波相位周跳、跟踪环路失锁。基于对电波传播的物理过程的研究以及对大量历史数据进行统计分析，了解和掌握电离层的物理结构和活动规律，对电离层闪烁特性进行准确模拟，以及构建出高精度的电离层模型，是提高卫星导航授时、测速、定位等方面精度的有效方法。
现有的模型可以分为理论分析模型(即薄相位屏理论、born近似法、惠更斯-菲涅尔积分原理法、抛物线方程法、多相位屏理论等)、概率统计模型(典型的有AJ Stanford模型，Cornell模型)以及闪烁监测及预报***(典型的有WBMOD模型，GISM模型)。
但是，由于电离层自身物理结构复杂、电离层闪烁发生的影响因素随机多变以及不规则体与电离层闪烁关系的不确定性，理论分析模型存在着一定的局限性。而两种较为典型的概率统计模型，AJ Stanford模型没有考虑到闪烁频率的限制、Cornell模型没有考虑到相位闪烁与幅度闪烁的相关性。受地理位置限制，地基测站不能遍布全球，所获得的电离层闪烁数据较为单一，对高纬极区的电离层闪烁研究较少。闪烁检测及预报***在建模过程中采用的大多是低纬地区的数据，因此模型在中高纬地区预测中误差极大，只能在局部地区进行电离层预测。
因此，为了解决现有技术中电离层闪烁预测误差较大的问题，需要一种广域、局域融合的高精度电离层闪烁模型建立方法。
发明内容
本发明的一个目的在于提供一种广域、局域融合的高精度电离层闪烁模型建立方法，所述方法包括如下方法步骤：
a)、获取空基COSMIC卫星，以及高纬地区地基CHAIN观测站的原始信号数据，对获取的原始信号数据进行预处理，获取电离层闪烁信号数据；
b)、对获取的电离层闪烁信号数据进行时空特征初步分析；
c)、建立广域电离层闪烁ANN模型，包括：
将经过时空特征初步分析后的数据，分成第一模型构建数据和第一模型测试数据，第一模型构建数据作为神经网络的输入信号，借助误差反向传播算法进行神经网络训练，
经过误差反向传播算法，得到的输出结果ROTI；
d)、对广域电离层闪烁ANN模型测试，包括TSS指数评估，以及内符合精度和外符合精度的评估，
e)、建立高纬极区局域电离层闪烁ANN模型，包括：
将经过使用特征初步分析后，来自高纬地区地基CHAIN观测站的数据，分成第二模型构建数据和第二模型测试数据，第二模型构建数据作为神经网络的输入信号，借助误差反向传播算法进行神经网络训练，经过误差反向传播算法，得到的输出结果ROTI，
f)、对高纬极区局域电离层闪烁ANN模型测试，包括TSS指数评估，以及内符合精度和外符合精度的评估。
优选地，步骤a)中对获取的原始信号数据进行预处理，剔除异常数据、补充遗漏数据、进行周跳探测、数据平滑。
优选地，步骤c)中第一模型构建数据包括：
经纬度、地方时、太阳活动指数、地磁指数、极地特性指数、以及太阳活动周期指数。
优选地，所述步骤c)神经网络训练包括如下方法：
输入向量X为：
X＝(X1，X2，...Xi，...，Xn)T，
隐藏层输出的向量Y为：
Y＝(Y1，Y2，...，Yi，..，Ym)，
输出层向量0为：
O＝(O1，O2，...，Ok，...，Ol)＝{ROTI}，
期望输出向量d为：
d＝(d1，d2，....，dk，...，dl)，
输入层到隐藏层之间的权值矩阵用V表示：
V＝(V1，V2，...，Vi，...，Vm)，
其中，列向量Vj为隐藏层第j个神经元对应的权向量：
Figure BDA0002943433190000031
隐藏层到输出层之间的权值矩阵用W表示为：
W＝(W1，W2，...，Wk，...，Wl)，
其中，列向量Wk’为输出层第k个神经元对应的权值向量，输入向量使用下标i代表第i个输入，隐藏层输出向量使用下标j表示第j个隐藏层输出；
对于输出层，有：
ok＝f(netk)，k＝1；
Figure BDA0002943433190000041
对于隐藏层，有：
yj＝f(netj)，j＝1，2，3，...，m；
Figure BDA0002943433190000042
输出层和隐藏层的转移函数f(x)都是单极性Sigmoid函数：
Figure BDA0002943433190000043
f(x)具有连续可导的特点，且具有：
f′(x)＝f(x)[1-f(x)]；
在误差反向传播算法中，误差E的来源就是实际输出ROTI和期望输出ROTI的差值：
Figure BDA0002943433190000044
将误差展开到到隐藏层，
Figure BDA0002943433190000045
进一步展开得到代价函数或者损失误差函数：
Figure BDA0002943433190000046
调整权值w和v，
其中，对输出层的权值调整量：
Figure BDA0002943433190000047
对隐藏层的权值调整量：
Figure BDA0002943433190000051
其中，负号表示梯度下降，η为学习系数。
优选地，步骤d)中，利用TSS指数评估广域电离层闪烁ANN模型：
Figure BDA0002943433190000052
其中，真阳性TP、假阳性FP、假阴性FN、真阴性TN，为四个评估值，
真阳性TP表示有闪烁发生并且模型预测结果正确；假阴性FN表示有闪烁发生但模型预测为无闪烁；假阳性FP表示无闪烁发生但模型预测为有闪烁；真阴性TN表示无闪烁发生且模型预测结果也为无闪烁。
优选地，步骤d)中，所述外符合精度的评估包括，
将未训练过的第一模型测试数据，输入到训练好的广域电离层闪烁ANN模型，预测在某一时刻的ROTI值，模型预测的ROTI值与真实ROTI作比较，检验模型的外符合精度。
优选地，步骤d)中，所述内符合精度的评估为：将训练过的第一模型构建数据，再次输入到训练好的广域电离层闪烁ANN模型，进行数据拟合。
优选地，步骤f)中，利用TSS指数评估高纬极区局域电离层闪烁ANN模型：
Figure BDA0002943433190000053
其中，真阳性TP、假阳性FP、假阴性FN、真阴性TN，为四个评估值，
真阳性TP表示有闪烁发生并且模型预测结果正确；假阴性FN表示有闪烁发生但模型预测为无闪烁；假阳性FP表示无闪烁发生但模型预测为有闪烁；真阴性TN表示无闪烁发生且模型预测结果也为无闪烁。
优选地，步骤f)中，所述外符合精度的评估包括，
将未训练过的第二模型测试数据，输入到训练好的高纬极区局域电离层闪烁ANN模型，预测在某一时刻的ROTI值，模型预测的ROTI值与真实ROTI作比较，检验模型的外符合精度。
优选地，步骤f)中，所述内符合精度的评估为：将训练过的第二模型构建数据，再次输入到训练好的高纬极区局域电离层闪烁ANN模型，进行数据拟合。
本发明提供的一种广域、局域融合的高精度电离层闪烁模型建立方法，基于空基COSMIC数据以及地基CHAIN测站数据的全球尺度下的电离层闪烁模型，同时单独使用CHAIN站建立高纬地区电离层闪烁模型，采用深度学习的方法对与电离层闪烁的时空特征相关的因素进行特征提取，建立电离层闪烁模型，提高电离层闪烁预测的准确性，以解决电离层闪烁对信号传输、卫星导航定位精度的影响。
本发明提供的一种广域、局域融合的高精度电离层闪烁模型建立方法，结合空基全球覆盖面广以及地基可持续观测的优势，利用COSMIC以及CHAIN两种观测数据，采用深度学习的方法对影响电离层闪烁的时空分布的因素特征进行提取并分析，以总电子含量的时间变化率指数ROTI的形式表征电离层闪烁发生情况，进行模型构建，从全球尺度给出电离层闪烁的分布情况，并单独使用CHAIN站数据进行高纬地区的电离层闪烁模型的建立，从而达到广域、局域融合，进一步改进接收机性能、提高卫星导航定位精度。
本发明使用空基、地基两种观测数据，克服空基观测不持续、地基全球覆盖面不足的缺点，一定程度解决了由于地理位置限制导致的数据单一问题。
本发明依托长期稳定准确的电离层闪烁指数的观测数据，使用锁定时间、高度角、方位角限制的处理方法剔除了可能存在问题的数据，提高了模型建立的准确性。
本发明使用人工神经网络ANN，通过误差反向传播算法(BP算法)对电离层闪烁的影响因素进行特征提取并训练，分别从全球角度和高纬极区进行模型建立，达到了广域、局域融合。本发明利用剩余部分数据对所建立的模型进行性能评估，验证模型的准确度。
应当理解，前述大体的描述和后续详尽的描述均为示例性说明和解释，并不应当用作对本发明所要求保护内容的限制。
附图说明
参考随附的附图，本发明更多的目的、功能和优点将通过本发明实施方式的如下描述得以阐明，其中：
图1示意性示出了本发明电离层闪烁模型建建立流程图。
图2示出了人工神经网络示意图。
图3示出了本发明电离层闪烁建模人工神经网络示意图。
具体实施方式
通过参考示范性实施例，本发明的目的和功能以及用于实现这些目的和功能的方法将得以阐明。然而，本发明并不受限于以下所公开的示范性实施例；可以通过不同形式来对其加以实现。说明书的实质仅仅是帮助相关领域技术人员综合理解本发明的具体细节。
在下文中，将参考附图描述本发明的实施例。在附图中，相同的附图标记代表相同或类似的部件，或者相同或类似的步骤。
为了解决现有技术中存在的问题，本发明对电离层闪烁指数进行数据预处理，从大量历史观测数据中剔除异常值；对CHAIN双频电离层闪烁数据相关性分析，初步获取电离层闪烁情况；利用公开可用的太阳风、地磁活动、行星际磁场和电离层GNSS数据来开发模型并组成机器学习数据库；.使用人工神经网络ANN以及误差反向传播算法(BP算法)，对大量影响因素数据进行训练，提取特征；利用剩余部分数据对所建立的模型进行性能评估，验证模型的准确度。
下面结合具体的实施例对本发明的内容进行详细的阐述，如图1所示本发明电离层闪烁模型建建立流程图，根据本发明的实施例，一种广域、局域融合的高精度电离层闪烁模型建立方法，如下方法步骤：
步骤a)、获取空基COSMIC卫星，以及高纬地区地基CHAIN观测站的原始信号数据，对获取的原始信号数据进行预处理，获取电离层闪烁信号数据。
观测数据来源
电离层闪烁数据来源于空基COSMIC卫星以及高纬地区地基CHAIN的测站，所使用的COSMIC数据为2007-2016年，CHAIN数据为含有PolaRxS接收机的15个测站(arcc、arvc、chuc、corc、edm、fsic、fsmc、gilc、gjoc、kugc、mcmc、rabc、ranc、repc、sacc)从2013年到2019年观测到的全部数据。两种***所获得数据经多年检验其准确性较高可以较为真实的反应电离层闪烁时空分布特性，故本发明采用以上数据进行电离层闪烁模型建立。
对于电离层闪烁来说，空间天气影响因素的种类比较多。建模过程中可能会用到的有直接影响因素如太阳黑子数、太阳辐射通量F10.7cm，来自地球磁场相关因素为描述赤道环形电流的Dst指数，描述地球全天磁场变化的参数Ap和中低纬度变化的参数Kp、行星际磁场作为评估极光区磁场扰动的能量的指数AE，以及其他因素如粒子沉积和不规则体大小等。
原始数据预处理
根据本发明的实施例，对获取的原始信号数据进行预处理，剔除异常数据、补充遗漏数据、进行周跳探测、数据平滑。
在进行数据建模时由于观测数据时间跨度广，数据量大，为提高所建立模型的精度，原始观测数据需要进行相应的预处理。原始数据中，COSMIC获取的为幅度闪烁指数S4。CHAIN获取的闪烁指数细化为幅度闪烁指数、修正后的幅度闪烁指数、1s内的相位闪烁指数、3s内的相位闪烁指数、10s内的相位闪烁指数、30s内的相位闪烁指数、60s内的相位闪烁指数。
经过分析，实施中对于CHAIN数据选择幅度闪烁指数以及60s内的相位闪烁指数作为研究对象。造成电离层闪烁异常的因素有很多，原因可能是测站经纬度设置或不规则体的活动变化，这些异常值非典型且少见，其参与模型训练时会导致结果有所偏差，降低模型性能。所以在进行电离层闪烁模型构建时必须要进行原始数据预处理，此步骤包括剔除异常数据、补充遗漏数据、进行周跳探测、数据平滑。
剔除异常数据，电离层闪烁指数的有效值为0～1.4，超出1.4的即可看作异常数据。异常数据虽然数量较少，但是为保证模型精度，应在预处理时剔除掉。
周跳检测，是针对在严重的电离层闪烁影响下，GPS接收机发生失锁和周跳，在该情况下所获得的数据不可用。进行周跳检测，使用MW组合法，该方法由同一历元的相位观测值的宽巷组合减伪距观测值的窄巷组合求得，适用于实时观测值的周跳探测，可以确保数据质量和可用性。
步骤b)、对获取的电离层闪烁信号数据进行时空特征初步分析。
对所获得的原始电离层闪烁信号数据，在时间角度上要从电离层闪烁逐年变化、逐月变化、逐地方时变化角度进行分析。
在空间角度上从电离层闪烁随卫星高度角变化、随卫星方位角变化等角度进行分析。
本实施例中，通过计算电离层穿刺点绘制网格图描述出电离层闪烁的时空分布，从而为模型建立提供更加全面具体的理论基础。
步骤c)、建立广域电离层闪烁ANN模型，包括：
将经过时空特征初步分析后的数据，分成第一模型构建数据和第一模型测试数据，第一模型构建数据作为神经网络的输入信号，借助误差反向传播算法进行神经网络训练，经过误差反向传播算法，得到的输出结果ROTI。
根据本发明的实施例，第一模型构建数据占整个数据集的80％，第一模型测试数据占整个数据集的20％。
根据本发明的实施例，第一模型构建数据包括：经纬度、地方时、太阳活动指数、地磁指数、极地特性指数、以及太阳活动周期指数。
具体地，影响电离层闪烁的主要因素有太阳黑子数、太阳辐射通量F10.7cm(太阳活动指数)，来自地球磁场相关因素为描述赤道环形电流的Dst指数，描述地球全天磁场变化的参数Ap(地磁指数)和中低纬度变化的参数Kp(经纬度)、行星际磁场作为评估极光区磁场扰动的能量的指数AE(极区特性指数)。
其他影响电离层闪烁的因素还有很多，例如粒子沉积和不规则体大小等因素、周期指数。
利用上述电离层闪烁形成与分布的影响因素可以获得进行模型构建的“试验”样本。考虑到原始数据采用的是世界时UT，而分析时需要转化为地方时LT，实施例中，输入值除地球活动以及太阳活动周期(周期指数)外的因素还有地方时LT(地方时)。
经过电离层闪烁时空特征分析之后，结合空基、地基数据(COSMIC数据、CHAIN数据)进行全球范围内进行建模。在进行模型建立以前，要做到标准化数据，目的是使数据归一化为[0，1]区间的数据，保证训练时间比较短，迭代收敛比较快。在一些实施例中，归一化使用的方法是min-max标准化。
如图2所示人工神经网络示意图，神经网络的网络结果从输入层到隐藏层再到输出层，层与层之间的神经元是完全连接的，但每层中的神经元是不连接的。输入层接收来自外部世界的信号“x”。输出层产生神经网络***处理的结果“Y”。在***外部无法观察到输入层和输出层之间的隐藏层。神经元之间连接的权重反映了神经元之间的连接强度。
在训练过程中，借助误差反向传播算法(BP算法)，输出值Y逐渐接近目标值。误差反向传播算法的基本思想是，学习过程由信号的正向传播与误差反向传播两个过程组成。正向传播时，输入样本从输入层传入，经过各隐藏层逐层处理后，传向输出层。若输出层的实际输出与期望输出不符，则转入误差的反向传播阶段。误差反向传播是将输出误差以某种形式通过隐藏层向输入层逐层反传，并将误差分摊给各层的所有单元，从而获得各层的误差信号，此误差信号即作为修正单元权值的依据。信号正向传播与误差反向传播的各层权值调整过程周而复始的进行，权值不断调整的过程，也就是网络学习训练的过程，此过程一直进行到网络输出的误差减少到可接受的程度，或进行到预先设定的学习次数为止。
广域电离层闪烁ANN模型建立
如图3所示本发明电离层闪烁建模人工神经网络示意图，根据本发明的实施例，神经网络训练包括如下方法：
输入向量X为：
X＝(X1，X2，...Xi，...，Xn)T，
隐藏层输出的向量Y为：
Y＝(Y1，Y2，...，Yj，...，Ym)，
输出层向量0为：
0＝(O1，O2，...，Ok，...，Ol)＝{ROTI}，
期望输出向量d为：
d＝(d1，d2，...，dk，...，dl)，
输入层到隐藏层之间的权值矩阵用V表示：
V＝(V1，V2，...，Vi，...，Vm)，
其中，列向量Vj为隐藏层第j个神经元对应的权向量：
Figure BDA0002943433190000111
隐藏层到输出层之间的权值矩阵用W表示为：
W＝(W1，W2，...，Wk，...，Wl)，
其中，列向量Wk’为输出层第k个神经元对应的权值向量，输入向量使用下标i代表第i个输入，隐藏层输出向量使用下标j表示第j个隐藏层输出；
对于输出层，有：
Ok＝f(netk)，k＝1；
Figure BDA0002943433190000112
对于隐藏层，有：
yj＝f(netj)，j＝1，2，3，...，m；
Figure BDA0002943433190000113
输出层和隐藏层的转移函数f(x)都是单极性Sigmoid函数：
Figure BDA0002943433190000121
f(x)具有连续可导的特点，且具有：
f′(x)＝f(x)[1-f(x)]；
在误差反向传播算法中，误差E的来源就是实际输出ROTI和期望输出ROTI的差值：
Figure BDA0002943433190000122
将误差展开到到隐藏层，
Figure BDA0002943433190000123
进一步展开得到代价函数或者损失误差函数：
Figure BDA0002943433190000124
代价函数或者损失误差函数，权值w和v都在其中，只要w和v取合适的值就可以使E达到最小。而使用梯度下降法进行更新权值可以达到最优，由于某点的梯度就是其一阶偏导，因此对w和v求偏导即可。
调整权值w和v，
其中，对输出层的权值调整量：
Figure BDA0002943433190000125
对隐藏层的权值调整量：
Figure BDA0002943433190000126
其中，负号表示梯度下降，η为学习系数。
经过误差反向传播算法，得到的输出结果ROTI(总电子含量的时间变化率指数)是符合期望的。
步骤d)、对广域电离层闪烁ANN模型测试，包括TSS指数评估，以及内符合精度和外符合精度的评估。
模型的评估可以采用总技能得分TSS指数、准确率、各个数据集中预测值与真实值的均方根误差，以及模型的内符合精度和外符合精度的评估。
根据本发明的实施例，利用TSS指数评估广域电离层闪烁ANN模型：
Figure BDA0002943433190000131
其中，真阳性TP、假阳性FP、假阴性FN、真阴性TN，为四个评估值，
真阳性TP表示有闪烁发生并且模型预测结果正确；假阴性FN表示有闪烁发生但模型预测为无闪烁；假阳性FP表示无闪烁发生但模型预测为有闪烁；真阴性TN表示无闪烁发生且模型预测结果也为无闪烁。
假阴性FN反映出的是模型的漏报率，FN越大，意味着模型漏报量越多，对于低纬赤道地区以及高纬度极区这些电离层闪烁事件发生频繁的地区来说，闪烁的漏报会造成严重的后果。
假阳性FP反映出的是模型的虚报率，虚报虽然对模型的性能有一定的影响但是所带来的后果不如漏报严重。本发明构建的模型的在性能评估中FN值越小越好。
TSS指数可以很好的反映假阴性FN的数目，也能更好的评估模型的整体性能，TSS指数越大说明真阳性TP越大，假阴性FN越小，假阳性FP越小，真阴性TN越大，即电离层闪烁预测更为准确。
反之，TSS指数越小说明真阳性TP越小，假阴性FN越大，假阳性FP越大，真阴性TN越小，说明电离层闪烁预测不够准确。
因此TSS指数能够反映本发明提供的广域电离层闪烁ANN模型的综合性能。TSS指数的取值范围是[0,1]之间，TSS值越接近0说明预测效果越差，越接近1说明预测效果越好。
根据本发明的实施例，外符合精度的评估包括，
将未训练过的第一模型测试数据，输入到训练好的广域电离层闪烁ANN模型，预测在某一时刻的ROTI值，模型预测的ROTI值与真实ROTI作比较，检验模型的外符合精度。
根据本发明的实施例，内符合精度的评估为：将训练过的第一模型构建数据，再次输入到训练好的广域电离层闪烁ANN模型，进行数据拟合。
根据本发明的实施例，准确率通过内符合精度、外符合精度以及各个数据集中预测值与真实值的的均方根误差大小进行判定，在内符合精度越小、外符合精度越小、数据预测值与真实值的均方根误差越小的情况下，模型的准确率越高。
步骤e)、建立高纬极区局域电离层闪烁ANN模型，包括：
将经过使用特征初步分析后，来自高纬地区地基CHAIN观测站的数据，分成第二模型构建数据和第二模型测试数据，第二模型构建数据作为神经网络的输入信号，借助误差反向传播算法进行神经网络训练，经过误差反向传播算法，得到的输出结果ROTI。
根据本发明的实施例，第二模型构建数据占整个数据集的80％，第二模型测试数据占整个数据集的20％。
高纬极区局域电离层闪烁ANN模型利用来自高纬地区地基CHAIN观测站的数据作为输入数据。助误差反向传播算法进行神经网络训练，建立高纬极区局域电离层闪烁ANN模型的过程与上述步骤c)的过程相同，这里不再赘述。
步骤f)、对高纬极区局域电离层闪烁ANN模型测试，包括TSS指数评估，以及内符合精度和外符合精度的评估。
模型的评估可以采用总技能得分TSS指数、准确率、各个数据集中预测值与真实值的均方根误差，以及模型的内符合精度和外符合精度的评估。
根据本发明的实施例，利用TSS指数评估高纬极区局域电离层闪烁ANN模型：
Figure BDA0002943433190000141
其中，真阳性TP、假阳性FP、假阴性FN、真阴性TN，为四个评估值，
真阳性TP表示有闪烁发生并且模型预测结果正确；假阴性FN表示有闪烁发生但模型预测为无闪烁；假阳性FP表示无闪烁发生但模型预测为有闪烁；真阴性TN表示无闪烁发生且模型预测结果也为无闪烁。
根据本发明的实施例，外符合精度的评估包括，
将未训练过的第二模型测试数据，输入到训练好的高纬极区局域电离层闪烁ANN模型，预测在某一时刻的ROTI值，模型预测的ROTI值与真实ROTI作比较，检验模型的外符合精度。
根据本发明的实施例，内符合精度的评估为：将训练过的第二模型构建数据，再次输入到训练好的高纬极区局域电离层闪烁ANN模型，进行数据拟合。
根据本发明的实施例，准确率通过内符合精度、外符合精度以及各个数据集中预测值与真实值的的均方根误差大小进行判定，在内符合精度越小、外符合精度越小、数据预测值与真实值的均方根误差越小的情况下，模型的准确率越高。
本发明提供的一种广域、局域融合的高精度电离层闪烁模型建立方法，基于空基COSMIC数据以及地基CHAIN测站数据的全球尺度下的电离层闪烁模型，同时单独使用CHAIN站建立高纬地区电离层闪烁模型，采用深度学习的方法对与电离层闪烁的时空特征相关的因素进行特征提取，建立电离层闪烁模型，提高电离层闪烁预测的准确性，以解决电离层闪烁对信号传输、卫星导航定位精度的影响。
本发明提供的一种广域、局域融合的高精度电离层闪烁模型建立方法，结合空基全球覆盖面广以及地基可持续观测的优势，利用COSMIC以及CHAIN两种观测数据，采用深度学习的方法对影响电离层闪烁的时空分布的因素特征进行提取并分析，以总电子含量的时间变化率指数ROTI的形式表征电离层闪烁发生情况，进行模型构建，从全球尺度给出电离层闪烁的分布情况，并单独使用CHAIN站数据进行高纬地区的电离层闪烁模型的建立，从而达到广域、局域融合，进一步改进接收机性能、提高卫星导航定位精度。
本发明使用空基、地基两种观测数据，克服空基观测不持续、地基全球覆盖面不足的缺点，一定程度解决了由于地理位置限制导致的数据单一问题。
本发明依托长期稳定准确的电离层闪烁指数的观测数据，使用锁定时间、高度角、方位角限制的处理方法剔除了可能存在问题的数据，提高了模型建立的准确性。
本发明使用人工神经网络ANN，通过误差反向传播算法(BP算法)对电离层闪烁的影响因素进行特征提取并训练，分别从全球角度和高纬极区进行模型建立，达到了广域、局域融合。本发明利用剩余部分数据对所建立的模型进行性能评估，验证模型的准确度。
结合这里披露的本发明的说明和实践，本发明的其他实施例对于本领域技术人员都是易于想到和理解的。说明和实施例仅被认为是示例性的，本发明的真正范围和主旨均由权利要求所限定。

Claims (10)

1.一种广域、局域融合的高精度电离层闪烁模型建立方法，其特征在于，所述方法包括如下方法步骤：
a)、获取空基COSMIC卫星，以及高纬地区地基CHAIN观测站的原始信号数据，对获取的原始信号数据进行预处理，获取电离层闪烁信号数据；
剔除异常数据，电离层闪烁指数的有效值为0～1.4，超出1.4的即可看作异常数据；
COSMIC获取的原始数据为幅度闪烁指数S4，CHAIN数据选择幅度闪烁指数以及60s内的相位闪烁指数；
b)、对获取的电离层闪烁信号数据进行时空特征初步分析；
对获取的电离层闪烁信号数据进行时空特征初步分析；对所获得的原始电离层闪烁信号数据，在时间角度上要从电离层闪烁逐年变化、逐月变化、逐地方时变化角度进行分析；在空间角度上从电离层闪烁随卫星高度角变化、随卫星方位角变化等角度进行分析；通过计算电离层穿刺点绘制网格图描述出电离层闪烁的时空分布；
c)、建立广域电离层闪烁ANN模型，包括：
将经过时空特征初步分析后的数据，分成第一模型构建数据和第一模型测试数据，第一模型构建数据作为神经网络的输入信号，借助误差反向传播算法进行神经网络训练，经过误差反向传播算法，得到的输出结果ROTI；
d)、对广域电离层闪烁ANN模型测试，包括TSS指数评估，以及内符合精度和外符合精度的评估，
e)、建立高纬极区局域电离层闪烁ANN模型，包括：
将经过使用特征初步分析后，来自高纬地区地基CHAIN观测站的数据，分成第二模型构建数据和第二模型测试数据，第二模型构建数据作为神经网络的输入信号，借助误差反向传播算法进行神经网络训练，经过误差反向传播算法，得到的输出结果ROTI，
f)、对高纬极区局域电离层闪烁ANN模型测试，包括TSS指数评估，以及内符合精度和外符合精度的评估。
2.根据权利要求1所述的方法，其特征在于，步骤a)中对获取的原始信号数据进行预处理，剔除异常数据、补充遗漏数据、进行周跳探测、数据平滑。
3.根据权利要求1所述的方法，其特征在于，步骤c)中第一模型构建数据包括：
经纬度、地方时、太阳活动指数、地磁指数、极地特性指数、以及太阳活动周期指数。
4.根据权利要求1所述的方法，其特征在于，步骤c)和步骤e)神经网络训练包括如下方法：
输入向量X为：
X＝(X1，X2，...，Xi，...，Xn)T，
隐藏层输出的向量Y为：
Y＝(Y1，Y2，...，Yi，...，Ym)，
输出层向量O为：
O＝(O1，O2，...，Ok，...，O1)＝{ROTI}，
期望输出向量d为：
d＝(d1，d2，...，dk，...，d1)，
输入层到隐藏层之间的权值矩阵用V表示：
V＝(V1，V2，...，V，...，Vm)，
其中，列向量Vj为隐藏层第j个神经元对应的权向量：
Figure FDA0004040086180000021
隐藏层到输出层之间的权值矩阵用W表示为：
W＝(W1，W2，...，Wk，...，Wl)，
其中，列向量Wk，为输出层第k个神经元对应的权值向量，输入向量使用下标i代表第i个输入，隐藏层输出向量使用下标j表示第j个隐藏层输出；
对于输出层，有：
ok＝f(netk)，k＝1；
Figure FDA0004040086180000031
对于隐藏层，有：
yj＝f(netj)，j＝1，2，3，...，m；
Figure FDA0004040086180000032
输出层和隐藏层的转移函数f(x)都是单极性Sigmoid函数：
Figure FDA0004040086180000033
f(x)具有连续可导的特点，且具有：
f′(x)＝f(x)[1-f(x)]；
在误差反向传播算法中，误差E的来源就是实际输出ROTI和期望输出ROTI的差值：
Figure FDA0004040086180000034
将误差展开到隐藏层，
Figure FDA0004040086180000035
进一步展开得到代价函数或者损失误差函数：
Figure FDA0004040086180000041
调整权值w和v，
其中，对输出层的权值调整量：
Figure FDA0004040086180000042
对隐藏层的权值调整量：
Figure FDA0004040086180000043
其中，负号表示梯度下降，η为学习系数。
5.根据权利要求1所述的方法，其特征在于，步骤d)中，利用TSS指数评估广域电离层闪烁ANN模型：
Figure FDA0004040086180000044
其中，真阳性TP、假阳性FP、假阴性FN、真阴性TN，为四个评估值，
真阳性TP表示有闪烁发生并且模型预测结果正确；假阴性FN表示有闪烁发生但模型预测为无闪烁；假阳性FP表示无闪烁发生但模型预测为有闪烁；真阴性TN表示无闪烁发生且模型预测结果也为无闪烁。
6.根据权利要求1所述的方法，其特征在于，步骤d)中，所述外符合精度的评估包括，
将未训练过的第一模型测试数据，输入到训练好的广域电离层闪烁ANN模型，预测在某一时刻的ROTI值，模型预测的ROTI值与真实ROTI作比较，检验模型的外符合精度。
7.根据权利要求1所述的方法，其特征在于，步骤d)中，所述内符合精度的评估为：将训练过的第一模型构建数据，再次输入到训练好的广域电离层闪烁ANN模型，进行数据拟合。
8.根据权利要求1所述的方法，其特征在于，步骤f)中，利用TSS指数评估高纬极区局域电离层闪烁ANN模型：
Figure FDA0004040086180000051
其中，真阳性TP、假阳性FP、假阴性FN、真阴性TN，为四个评估值，
真阳性TP表示有闪烁发生并且模型预测结果正确；假阴性FN表示有闪烁发生但模型预测为无闪烁；假阳性FP表示无闪烁发生但模型预测为有闪烁；真阴性TN表示无闪烁发生且模型预测结果也为无闪烁。
9.根据权利要求1所述的方法，其特征在于，步骤f)中，所述外符合精度的评估包括，
将未训练过的第二模型测试数据，输入到训练好的高纬极区局域电离层闪烁ANN模型，预测在某一时刻的ROTI值，模型预测的ROTI值与真实ROTI作比较，检验模型的外符合精度。
10.根据权利要求1所述的方法，其特征在于，步骤f)中，所述内符合精度的评估为：将训练过的第二模型构建数据，再次输入到训练好的高纬极区局域电离层闪烁ANN模型，进行数据拟合。
CN202110189833.7A 2021-02-18 2021-02-18 一种广域、局域融合的高精度电离层闪烁模型建立方法 Active CN113093225B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202110189833.7A CN113093225B (zh) 2021-02-18 2021-02-18 一种广域、局域融合的高精度电离层闪烁模型建立方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202110189833.7A CN113093225B (zh) 2021-02-18 2021-02-18 一种广域、局域融合的高精度电离层闪烁模型建立方法

Publications (2)

Publication Number Publication Date
CN113093225A CN113093225A (zh) 2021-07-09
CN113093225B true CN113093225B (zh) 2023-04-18

Family

ID=76663888

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202110189833.7A Active CN113093225B (zh) 2021-02-18 2021-02-18 一种广域、局域融合的高精度电离层闪烁模型建立方法

Country Status (1)

Country Link
CN (1) CN113093225B (zh)

Families Citing this family (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113569433B (zh) * 2021-09-24 2022-03-25 北京航空航天大学 一种太阳闪烁下深空电磁波信道传播建模方法

Family Cites Families (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2016034252A1 (en) * 2014-09-05 2016-03-10 Fugro Intersite B.V. Ionospheric scintillation prediction
CN107991690A (zh) * 2017-06-28 2018-05-04 江苏省测绘工程院 一种基于北斗导航的闪烁指数的计算方法
CN111651941B (zh) * 2020-04-30 2022-05-17 北京航空航天大学 一种全球电离层电子总含量预测的算法
CN111581803B (zh) * 2020-04-30 2022-04-26 北京航空航天大学 一种全球电离层电子含量的克里金代理模型构建方法
CN112070203A (zh) * 2020-07-20 2020-12-11 中国科学院空天信息创新研究院 基于深度学习的北半球高纬度地区roti预测方法
CN111983654B (zh) * 2020-08-24 2021-03-19 中国矿业大学 一种基于gnss的北极区域电离层相位闪烁因子构建方法

Also Published As

Publication number Publication date
CN113093225A (zh) 2021-07-09

Similar Documents

Publication Publication Date Title
US10962651B2 (en) Ionospheric delay correction method for LEO satellite augmented navigation systems
Wang et al. Development of the global assimilative ionospheric model
Huang et al. Ionospheric single-station TEC short-term forecast using RBF neural network
CN111639747B (zh) 一种基于bp神经网络的gnss-r海面风速反演方法及***
CN114265836A (zh) 一种基于云区温湿度廓线反演的卫星微波温湿度计全天候同化方法及装置
CN113936142A (zh) 一种基于深度学习的降水临近预报方法及装置
CN110990505B (zh) 一种基于神经网络的Loran-C ASF修正方法
CN114417580A (zh) 一种观测***对全球电离层数据同化性能的影响评估方法
CN113093225B (zh) 一种广域、局域融合的高精度电离层闪烁模型建立方法
Xu et al. An investigation of optimal machine learning methods for the prediction of ROTI
Xu et al. A cloud-dependent 1DVAR precipitation retrieval algorithm for FengYun-3D microwave soundings: a case study in tropical cyclone mekkhala
Yu et al. Using the GPS observations to reconstruct the ionosphere three-dimensionally with an ionospheric data assimilation and analysis system (IDAAS)
Hirooka et al. Neural network based tomographic approach to detect earthquake-related ionospheric anomalies
CN113625356A (zh) 一种适用于单站电离层tec实时异常监测方法
Jiang et al. Comparison of the Kriging and neural network methods for modeling foF2 maps over North China region
Aranzulla et al. Volcanic ash detection by GPS signal
Santosa et al. One day prediction of nighttime VLF amplitudes using nonlinear autoregression and neural network modeling
Stamper et al. Nowcasting, forecasting and warning for ionospheric propagation: tools and methods
Hu et al. Improving the Computerized Ionospheric Tomography Performance Through a Neural Network-Based Initial IED Prediction Model
Pietrella et al. A comparative study of ionospheric IRIEup and ISP assimilative models during some intense and severe geomagnetic storms
Priyadarshi et al. Machine Learning-based ionospheric modelling performance during high ionospheric activity
Tafazoli et al. Performance improvement of GPS GDOP approximation using recurrent wavelet neural network
Forootan et al. Empirical data assimilation for merging total electron content data with empirical and physical models
CN112731497A (zh) 一种利用现场视域分析提高卫星定位精度的方法
Fabbro et al. HAPEE, a statistical approach for ionospheric scintillation prediction in the polar region

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
GR01 Patent grant
GR01 Patent grant