CN114004342A - 一种基于lstm网络的激光通信***畸变波前预测方法 - Google Patents
一种基于lstm网络的激光通信***畸变波前预测方法 Download PDFInfo
- Publication number
- CN114004342A CN114004342A CN202111430985.8A CN202111430985A CN114004342A CN 114004342 A CN114004342 A CN 114004342A CN 202111430985 A CN202111430985 A CN 202111430985A CN 114004342 A CN114004342 A CN 114004342A
- Authority
- CN
- China
- Prior art keywords
- wavefront
- communication system
- laser communication
- lstm network
- 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.)
- Granted
Links
- 238000004891 communication Methods 0.000 title claims abstract description 38
- 238000000034 method Methods 0.000 title claims abstract description 15
- 238000012549 training Methods 0.000 claims abstract description 19
- 230000006870 function Effects 0.000 claims abstract description 12
- 238000012360 testing method Methods 0.000 claims abstract description 11
- 238000004088 simulation Methods 0.000 claims abstract description 10
- 230000000694 effects Effects 0.000 claims abstract description 6
- 230000006403 short-term memory Effects 0.000 claims abstract description 6
- 230000007787 long-term memory Effects 0.000 claims abstract description 5
- 238000011156 evaluation Methods 0.000 claims abstract description 3
- 238000012937 correction Methods 0.000 claims description 12
- 230000008859 change Effects 0.000 claims description 6
- 238000004458 analytical method Methods 0.000 claims description 5
- 230000008014 freezing Effects 0.000 claims description 4
- 238000007710 freezing Methods 0.000 claims description 4
- 238000001228 spectrum Methods 0.000 claims description 4
- 238000007781 pre-processing Methods 0.000 claims description 3
- 238000013528 artificial neural network Methods 0.000 abstract description 6
- 230000008569 process Effects 0.000 abstract description 3
- 238000012795 verification Methods 0.000 abstract 1
- 230000015654 memory Effects 0.000 description 7
- 238000005516 engineering process Methods 0.000 description 6
- 230000003044 adaptive effect Effects 0.000 description 4
- 238000004422 calculation algorithm Methods 0.000 description 4
- 230000008901 benefit Effects 0.000 description 3
- 238000010586 diagram Methods 0.000 description 3
- 239000011159 matrix material Substances 0.000 description 3
- 230000004075 alteration Effects 0.000 description 2
- 238000004364 calculation method Methods 0.000 description 2
- 238000005259 measurement Methods 0.000 description 2
- 239000000853 adhesive Substances 0.000 description 1
- 230000001070 adhesive effect Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000013507 mapping Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 230000000306 recurrent effect Effects 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 230000003595 spectral effect Effects 0.000 description 1
- 230000002123 temporal effect Effects 0.000 description 1
Images
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
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/044—Recurrent networks, e.g. Hopfield networks
-
- 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
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/048—Activation functions
-
- 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
-
- 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)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- General Health & Medical Sciences (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Evolutionary Computation (AREA)
- Artificial Intelligence (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Health & Medical Sciences (AREA)
- Optical Communication System (AREA)
Abstract
本发明公开了一种基于LSTM网络的激光通信***畸变波前预测方法，其预测过程为利用相位协方差函数在MATLAB中仿真产生符合激光通信***中大气湍流统计分布的动态相位屏，模拟畸变波前，并将其分为两组分别作为LSTM网络预测模型的训练集与测试集，训练过程中输入历史连续畸变波前，输出下一帧待校正波前，经过迭代后生成多组预测模型，利用测试集进行效果验证，真值与预测值的残差平均RMS值作为预测模型的评价指标，选取残差平均RMS值最小的模型作为最终的预测模型，并将该模型部署到实际的激光通信***中实现畸变波前的前向预测；本发明发挥神经网络的非线性拟合能力，充分利用LSTM网络的长短期记忆能力进行畸变波前预测，提高传输激光的能量集中度和通信能力。
Description
技术领域
本发明属于波前预测控制技术领域，涉及一种基于LSTM网络的激光通信***畸变波前预测方法，适用于自适应光学***中的波前预测与校正。
背景技术
自适应光学(Adaptive Optics，AO)技术是一种能够实时补偿大气湍流的有效手段，已广泛应用于激光通信***的波前校正中。然而实际的AO***由于波前传感器读出数据延迟和控制计算延迟，通常存在2-3个采样周期的时延。在校正具有高时间频率的大气湍流畸变波前的情况下，这种时延误差将造成变形镜上的补偿波前明显滞后于畸变波前的变化，严重限制AO技术的校正性能，从而极易导致激光通信***中能量急剧下降、误码率增高，造成通信失败。目前AO***中常用的比例积分(PI)控制技术，无法在根本上解决时延问题，因此在应对高时间频率波前像差时，校正效果不佳。为了解决AO***的固有时延问题，预测技术得以提出因此，激光通信***中畸变波前的前向预测成为研究重点与热点。
2006年张秀娟等采用递归最小二乘(RLS)算法对自适应光学***的开环控制电压进行预测(张秀娟，李新阳；利用复原电压预测大气湍流畸变波前方法；2006.05)。RLS算法采用了迭代的权值计算，结果表明预测控制比传统PI控制算法能更好的降低时间滞后误差，但RLS算法的计算量较大，需要经过多次迭代才能收敛。2008年，劳伦斯利弗莫尔国家实验室的Poyneer等提出了预测傅里叶控制(PFC)(参见POYNEER L,VéRAN J-P.Predictivewavefront control for adaptive optics with arbitrarycontrol loop delays[J].JOSA A,2008,25(7): 1486-96.)。PFC采用卡尔曼滤波器(KF)的框架计算优化的控制器。相比于RLS算法， PFC利用了大气横向风的速度向量在傅里叶域对每层大气冻结湍流进行运动补偿，但是PFC 需要横向风的速度矢量已知，而不能进行实时估计。2011年，加利福尼亚大学圣克鲁兹分校的Johnson等人提出了预测时域更新校正(PTC)(参见JOHNSON L C,GAVEL D T,WIBERG D M.Bulk wind estimation and prediction foradaptive opticscontrol systems[J].JOSA A,2011, 28(8):1566-77.)。PTC能够从闭环的残余斜率测量中对大气横向风的速度矢量进行实时估计。但是所采用的高斯-牛顿法需要经过多次迭代才能得到大气横向风的速度矢量，另一方面残余斜率测量中损失了大量的横向风信息，不利于速度矢量的实时估计。
神经网络具有较强的非线性拟合能力，已经成功地应用于AO***。1992年，Jorgenson 等首次在开环条件下进行了基于神经网络的畸变波前预测，结果表明预测的引入能降低七倍左右的波前校正误差(参见JORGENSON M B,AITKEN G J.Prediction ofatmospherically induced wave frontdegradati ons[J].Optics letters,1992,17(7):466-8.)。
因此，本发明提出一种基于长短期记忆递归神经网络(Long Short-term memory，LSTM) 的激光通信***畸变波前预测方法。
发明内容
本发明要解决的技术问题是：在校正具有高时间频率的大气湍流畸变波前的情况下，AO ***固有的时延误差将造成变形镜上的补偿波前明显滞后于畸变波前的变化，严重限制AO 技术的校正性能，从而极易导致激光通信***中能量急剧下降、误码率增高，造成通信失败。本发明提供一种基于LSTM网络的激光通信***畸变波前预测方法，利用神经网络的非线性拟合能力与LSTM网络的长短期记忆能力来实现畸变波前的前向预测。
本发明采用的技术方案是：一种基于LSTM网络的激光通信***畸变波前预测方法，通过以下步骤实现：
步骤S1：根据大气冻结理论，利用激光通信***中波前畸变在时间上是连续变化序列的特征，采用相位协方差函数在MATLAB中仿真产生符合大气湍流统计分布的动态相位屏，模拟获得横向风下激光通信***中实际畸变波前数据；
步骤S2：利用LSTM网络突出的长短期记忆能力，搭建基于LSTM网络的波前畸变预测模型结构，内部采用撤除方式，密集层线性集成LSTM网络的输出；
步骤S3：对模拟所得畸变波前数据进行预处理，包括数据分组，按预测模型要求分为训练集与测试集两组，训练集按照目的预测效果再次分为历史输入波前(输入数据)与待校正实际波前(输出数据)两组；
步骤S4：导入预处理后的训练集数据，检查训练集数据的输入与输出正确与否，核对后利用搭建好的模型结构进行迭代训练；
步骤S5：导入测试集的输入波前进行模型测试，对输出预测波前与待校正实际波前进行残差分析，选取最优模型结构；
进一步地，将最优预测模型应用于实际激光通信***中，解决校正时延问题。
进一步地，所述步骤S1中符合激光通信***中大气湍流统计分布规律的为VonKarman 谱。
进一步地，所述步骤S2中利用Spyder软件(Python语言)进行基于LSTM网络的模型搭建，隐藏层采用撤除方式是为了防止过拟合，提高网络泛化能力和鲁棒性。
进一步地，所述步骤S4中检查训练集数据的输入与输出正确与否是网络模型有效性的前提条件。
进一步地，所述步骤S5中残差分析的评价指标为RMS值。
本发明与现有技术相比有如下优点：在激光通信***中，利用AO技术在校正具有高时间频率的大气湍流畸变波前的情况下，不再适用传统的波前控制方式，本发明充分发挥了 LSTM网络特有的长短期记忆能力来拟合待校正波前信息与历史连续波前信息的映射，无需已知横向风的速度矢量，且结构简单、操作便易、可直接用于波前控制***进行实时预测估计，避免了AO***固有的时延误差造成变形镜上的补偿波前明显滞后于畸变波前的变化，可有效改善AO***的校正性能，从而降低传输激光的误码率，提高能量集中度和通信能力，有望用于激光通信***及更多相关领域的高时间频率波前畸变的预测校正。
附图说明
图1为本发明中带有预测模型的激光通信***畸变波前校正过程；
图2为本发明中基于LSTM网络的波前预测模型；
图3为LSTM网络结构图。
具体实施方式
为使本发明的技术方案和优点更加清楚明白，以下结合具体实施例子，参照附图对本发明进一步详细说明。
图1是基于LSTM网络的激光通信***畸变波前预测方法的具体步骤：
步骤S1：根据大气冻结理论，利用激光通信***中波前畸变在时间上是连续变化序列的特征，采用相位协方差函数在MATLAB中仿真产生符合大气湍流统计分布的动态相位屏，模拟获得横向风下激光通信***中实际畸变波前数据；
步骤S2：利用LSTM网络突出的长短期记忆能力，搭建基于LSTM网络的波前畸变预测模型结构；
步骤S3：对模拟所得畸变波前数据进行预处理，主要包括数据分组，按预测模型要求分为训练集与测试集两组，训练集按照目的预测效果再次分为历史输入波前(输入数据)与待校正实际波前(输出数据)两组；
步骤S4：导入预处理后的训练集数据，检查训练集数据的输入与输出正确与否，核对后利用搭建好的模型结构进行迭代训练；
步骤S5：导入测试集的输入波前进行模型测试，对输出预测波前与待校正实际波前进行残差分析，选取最优模型结构；
步骤S6：将最优预测模型应用于实际激光通信***中，解决校正时延问题。
步骤S1中符合激光通信***中大气湍流统计分布规律的为Von Karman谱。
Von Karman谱中，大气湍流结构相位函数为：
其中，K5/6(r)为修正的第三阶内塞尔函数，Γ(x)为伽马函数，L0为大气湍流外尺度，r0为大气相干长度，π为圆周率，r为模拟相位屏移动距离。
大气湍流像差相位结构函数可用协方差和方差表示，即
其中
为协方差函数，
为方差。则Von Karman谱相位协方差函数可表示为：
步骤S2中LSTM神经网络主要包含一个记忆单元和三个控制门(输入门、输出门和忘记门)，其关键控制公式如下：
it＝σ(Wixxt+Wihht-1+Wicct-1+bi)
ft＝σ(Wfxxt+Wfhht-1+Wfcct-1+bf)
ot＝σ(Woxxt+Wohht-1+Wocct-1+bo)
ct＝ft*ct-1+tanh(Wcxxt+Wchht-1+bc)
ht＝ot*tanh(ct)
其中，it、ft、ct和ot分别表示输入门、忘记门、记忆单元和输出门。Wix、Wih和Wic是在最后时刻和记忆单元输出到输入门的权重矩阵。Wfx、Wfh和Wfc是在最后时刻和记忆单元输出到忘记门的权重矩阵。Wox、Woh和Woc是在最后时刻和记忆单元输出到输出门的权重矩阵。bi、bo、bf和bc分别为输入门、输出门、忘记门和记忆单元的偏置值。σ是S型类函数，tanh 是双曲切线函数。“*”表示卷积操作，ht为最后输出。
本发明并不局限于上述的具体实施方式，上述的实施方式仅仅是示意性的，而不是限制性的。本领域的普通技术人员在本发明的启示下，在不脱离本发明宗旨和权利要求所保护的范围情况下，还可做出很多形式，这些均属于本发明的保护之内。本发明未详细阐述部分属于本领域技术人员的公知技术。
Claims (5)
1.一种基于LSTM网络的激光通信***畸变波前预测方法，其特征在于：该方法包括如下步骤：
步骤S1：根据大气冻结理论，利用激光通信***中波前畸变在时间上是连续变化序列的特征，采用相位协方差函数在MATLAB中仿真产生符合大气湍流统计分布的动态相位屏，模拟获得横向风下激光通信***中实际畸变波前数据；
步骤S2：利用LSTM网络突出的长短期记忆能力，搭建基于LSTM网络的波前畸变预测模型结构，内部采用撤除方式，密集层线性集成LSTM网络的输出；
步骤S3：对模拟所得畸变波前数据进行预处理，包括数据分组，按预测模型要求分为训练集与测试集两组，训练集按照目的预测效果再次分为历史输入波前即输入数据与待校正实际波前即输出数据两组；
步骤S4：导入预处理后的训练集数据，检查训练集数据的输入与输出正确与否，核对后利用搭建好的模型结构进行迭代训练；
步骤S5：导入测试集的输入波前进行模型测试，对输出预测波前与待校正实际波前进行残差分析，选取最优模型结构；
步骤S6：将最优预测模型应用于实际激光通信***中，解决校正时延问题。
2.根据权利要求1所述的基于LSTM网络的激光通信***畸变波前预测模型，其特征在于：所述步骤S1中符合激光通信***中大气湍流统计分布规律的为Von Karman谱。
3.根据权利要求1所述的基于LSTM网络的激光通信***畸变波前预测模型，其特征在于：所述步骤S2中利用Spyder软件进行基于LSTM网络的模型搭建，隐藏层采用撤除方式是为了防止过拟合，提高网络泛化能力和鲁棒性。
4.根据权利要求1所述的基于LSTM网络的激光通信***畸变波前预测模型，其特征在于：所述步骤S4中检查训练集数据的输入与输出正确与否是网络模型有效性的前提条件。
5.根据权利要求1所述的基于LSTM网络的激光通信***畸变波前预测模型，其特征在于：所述步骤S5中残差分析的评价指标为RMS值。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202111430985.8A CN114004342B (zh) | 2021-11-29 | 2021-11-29 | 一种基于lstm网络的激光通信***畸变波前预测方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202111430985.8A CN114004342B (zh) | 2021-11-29 | 2021-11-29 | 一种基于lstm网络的激光通信***畸变波前预测方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN114004342A true CN114004342A (zh) | 2022-02-01 |
| CN114004342B CN114004342B (zh) | 2023-05-30 |
Family
ID=79930663
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202111430985.8A Active CN114004342B (zh) | 2021-11-29 | 2021-11-29 | 一种基于lstm网络的激光通信***畸变波前预测方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN114004342B (zh) |
Cited By (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN114519309A (zh) * | 2022-02-23 | 2022-05-20 | 中国科学院光电技术研究所 | 一种基于深度学习的畸变波前预测方法 |
| CN114978315A (zh) * | 2022-07-28 | 2022-08-30 | 南昌大学 | 基于拟合法的scma辅助可见光通信编解码方法及*** |
| CN115374712A (zh) * | 2022-10-24 | 2022-11-22 | 中国航天三江集团有限公司 | 激光内通道热效应影响下光传输仿真参数校准方法与装置 |
| WO2024077751A1 (zh) * | 2022-10-09 | 2024-04-18 | 深圳先进技术研究院 | 模型训练方法、光子检测方法、终端设备以及存储介质 |
Citations (8)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN108805269A (zh) * | 2018-06-28 | 2018-11-13 | 杭州叙简科技股份有限公司 | 一种基于lstm循环神经网络拾取震相到时的方法 |
| CN109739033A (zh) * | 2019-02-25 | 2019-05-10 | 中国科学院光电技术研究所 | 一种无波前探测的液晶像差校正方法 |
| CN110427924A (zh) * | 2019-09-09 | 2019-11-08 | 桂林电子科技大学 | 一种基于lstm的心冲击信号自动多分类识别方法 |
| CN110648298A (zh) * | 2019-11-01 | 2020-01-03 | 中国工程物理研究院流体物理研究所 | 一种基于深度学习的光学像差畸变校正方法及*** |
| WO2020023399A1 (en) * | 2018-07-23 | 2020-01-30 | Magic Leap, Inc. | Deep predictor recurrent neural network for head pose prediction |
| CN111626997A (zh) * | 2020-05-21 | 2020-09-04 | 浙江大学 | 基于深度学习的高速单图直接探测光学畸变相位的方法 |
| CN113158487A (zh) * | 2021-05-08 | 2021-07-23 | 大连海事大学 | 一种基于长短期记忆深度网络的波前相位差探测方法 |
| CN113239614A (zh) * | 2021-04-22 | 2021-08-10 | 西北工业大学 | 一种大气湍流相位时空预估算法 |
-
2021
- 2021-11-29 CN CN202111430985.8A patent/CN114004342B/zh active Active
Patent Citations (8)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN108805269A (zh) * | 2018-06-28 | 2018-11-13 | 杭州叙简科技股份有限公司 | 一种基于lstm循环神经网络拾取震相到时的方法 |
| WO2020023399A1 (en) * | 2018-07-23 | 2020-01-30 | Magic Leap, Inc. | Deep predictor recurrent neural network for head pose prediction |
| CN109739033A (zh) * | 2019-02-25 | 2019-05-10 | 中国科学院光电技术研究所 | 一种无波前探测的液晶像差校正方法 |
| CN110427924A (zh) * | 2019-09-09 | 2019-11-08 | 桂林电子科技大学 | 一种基于lstm的心冲击信号自动多分类识别方法 |
| CN110648298A (zh) * | 2019-11-01 | 2020-01-03 | 中国工程物理研究院流体物理研究所 | 一种基于深度学习的光学像差畸变校正方法及*** |
| CN111626997A (zh) * | 2020-05-21 | 2020-09-04 | 浙江大学 | 基于深度学习的高速单图直接探测光学畸变相位的方法 |
| CN113239614A (zh) * | 2021-04-22 | 2021-08-10 | 西北工业大学 | 一种大气湍流相位时空预估算法 |
| CN113158487A (zh) * | 2021-05-08 | 2021-07-23 | 大连海事大学 | 一种基于长短期记忆深度网络的波前相位差探测方法 |
Non-Patent Citations (5)
| Title |
|---|
| NING WANG 等: "Research on distortion wavefront prediction technique for laser communication system based on LSTM network" * |
| XUEWEN LIU 等: "Using Long Short-Term Memory for Wavefront Prediction in Adaptive Optics" * |
| 张之光 等: "基于深度学习的无波前探测自适应光学***研究进展" * |
| 李正汉 等: "冻结大气湍流下自适应光学***的预测校正性能" * |
| 齐鑫: "基于LSTM的相位差异图像波前检测技术研究" * |
Cited By (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN114519309A (zh) * | 2022-02-23 | 2022-05-20 | 中国科学院光电技术研究所 | 一种基于深度学习的畸变波前预测方法 |
| CN114978315A (zh) * | 2022-07-28 | 2022-08-30 | 南昌大学 | 基于拟合法的scma辅助可见光通信编解码方法及*** |
| WO2024077751A1 (zh) * | 2022-10-09 | 2024-04-18 | 深圳先进技术研究院 | 模型训练方法、光子检测方法、终端设备以及存储介质 |
| CN115374712A (zh) * | 2022-10-24 | 2022-11-22 | 中国航天三江集团有限公司 | 激光内通道热效应影响下光传输仿真参数校准方法与装置 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN114004342B (zh) | 2023-05-30 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN114004342A (zh) | 一种基于lstm网络的激光通信***畸变波前预测方法 | |
| Quej et al. | ANFIS, SVM and ANN soft-computing techniques to estimate daily global solar radiation in a warm sub-humid environment | |
| CN110568442B (zh) | 一种基于对抗外推神经网络的雷达回波外推方法 | |
| CN114331233B (zh) | 植被总初级生产力估算方法、装置、电子设备及存储介质 | |
| CN103593538A (zh) | 一种遗传算法优化动态递归神经网络的光纤陀螺温度漂移建模方法 | |
| 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 | |
| Cintra et al. | Data assimilation by artificial neural networks for an atmospheric general circulation model | |
| Nousiainen et al. | Toward on-sky adaptive optics control using reinforcement learning-model-based policy optimization for adaptive optics | |
| Sato et al. | Nonlinear biasing and redshift-space distortions in Lagrangian resummation theory<? format?> and N-body simulations | |
| CN111144644B (zh) | 基于变分异方差高斯过程回归的短期风速预测方法 | |
| CN111783363B (zh) | 一种基于ssa和rbf神经网络模型的电离层预测方法 | |
| Han et al. | Network traffic prediction using variational mode decomposition and multi-reservoirs echo state network | |
| CN114912077B (zh) | 一种融合随机搜索与混合分解误差订正的海浪预报方法 | |
| CN114154401B (zh) | 基于机器学习和观测数据的土壤侵蚀模数计算方法及*** | |
| CN111210089A (zh) | 基于kalman滤波的门控循环单元神经网络的股票价格预测方法 | |
| Shen et al. | Quantized generalized maximum correntropy criterion based kernel recursive least squares for online time series prediction | |
| CN112287607B (zh) | 一种多尺度电离层tec预测方法 | |
| CN114239796A (zh) | 一种基于扩展卡尔曼滤波的电力***状态估计方法 | |
| CN116993832A (zh) | 一种基于cnn的飞行目标的位置预测方法及装置 | |
| CN109061544B (zh) | 一种电能计量误差估计方法 | |
| CN107704944A (zh) | 一种基于信息论学习的股市波动区间预测方法 | |
| CN115753018A (zh) | 一种动态湍流下畸变涡旋光束超前预测校正方法 | |
| CN114742265B (zh) | 一种vhf信号传播路径误差预测方法及*** | |
| CN112231987B (zh) | 一种基于VMD与Elman神经网络的电离层预报方法 | |
| CN115933159A (zh) | 一种实时高精度波前畸变相位补偿*** |
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 |