CN118013290B - 一种电离层tec预报方法、***、计算机设备及介质 - Google Patents
一种电离层tec预报方法、***、计算机设备及介质 Download PDFInfo
- Publication number
- CN118013290B CN118013290B CN202410424074.1A CN202410424074A CN118013290B CN 118013290 B CN118013290 B CN 118013290B CN 202410424074 A CN202410424074 A CN 202410424074A CN 118013290 B CN118013290 B CN 118013290B
- Authority
- CN
- China
- Prior art keywords
- tec
- data
- ionosphere
- seagull
- forecasting
- 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
Links
- 239000005433 ionosphere Substances 0.000 title claims abstract description 103
- 238000013277 forecasting method Methods 0.000 title claims description 27
- 238000013528 artificial neural network Methods 0.000 claims abstract description 63
- 238000000034 method Methods 0.000 claims abstract description 34
- 238000004422 calculation algorithm Methods 0.000 claims abstract description 28
- 238000012549 training Methods 0.000 claims abstract description 28
- 238000005457 optimization Methods 0.000 claims abstract description 26
- 230000000694 effects Effects 0.000 claims abstract description 19
- 238000004364 calculation method Methods 0.000 claims description 9
- 239000011159 matrix material Substances 0.000 claims description 9
- 230000008569 process Effects 0.000 claims description 9
- 238000012545 processing Methods 0.000 claims description 7
- 230000006870 function Effects 0.000 claims description 6
- 238000007781 pre-processing Methods 0.000 claims description 6
- 230000001932 seasonal effect Effects 0.000 claims description 6
- 238000012360 testing method Methods 0.000 claims description 5
- 230000006399 behavior Effects 0.000 claims description 4
- 230000033001 locomotion Effects 0.000 claims description 4
- 238000010606 normalization Methods 0.000 claims description 4
- 238000011161 development Methods 0.000 claims description 3
- 238000011156 evaluation Methods 0.000 claims description 3
- 230000003044 adaptive effect Effects 0.000 claims description 2
- 230000007423 decrease Effects 0.000 claims 1
- 239000010410 layer Substances 0.000 description 55
- 238000003062 neural network model Methods 0.000 description 4
- 230000008859 change Effects 0.000 description 3
- 238000004458 analytical method Methods 0.000 description 2
- 238000012937 correction Methods 0.000 description 2
- 239000003607 modifier Substances 0.000 description 2
- 238000011160 research Methods 0.000 description 2
- 230000005856 abnormality Effects 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 238000006243 chemical reaction Methods 0.000 description 1
- 238000004891 communication Methods 0.000 description 1
- 230000003247 decreasing effect Effects 0.000 description 1
- 238000009795 derivation Methods 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 230000004907 flux Effects 0.000 description 1
- 239000003574 free electron Substances 0.000 description 1
- 238000011478 gradient descent method Methods 0.000 description 1
- 239000011229 interlayer Substances 0.000 description 1
- 238000012417 linear regression Methods 0.000 description 1
- 238000013178 mathematical model Methods 0.000 description 1
- 238000013508 migration Methods 0.000 description 1
- 230000005012 migration Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 210000002569 neuron Anatomy 0.000 description 1
- 230000002441 reversible effect Effects 0.000 description 1
- 238000012731 temporal analysis Methods 0.000 description 1
- 238000000700 time series analysis Methods 0.000 description 1
Classifications
-
- 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
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明属于电离层电子含量预测技术领域,公开了一种电离层TEC预报方法、***、计算机设备及介质。本发明包括如下步骤:获取CODE提供的标准IONEX文件格式生成的全球电离层TEC数据及对应时间段的太阳活动指数F10.7和Dst等参数数据;提取IONEX文件格式的TEC数据,将TEC和F10.7和Dst等参数组成时间序列数据构建数据集,作为模型训练的输入数据;基于增强型海鸥优化算法ESOA对BP神经网络进行优化,并搭建电离层TEC预报模型,使用构建的数据集对电离层TEC预报模型进行训练。本发明利用ESOA与BP神经网络结合进行电离层TEC预报建模,提高了对电离层TEC预报的精度。
Description
技术领域
本发明属于电离层电子含量预测技术领域,具体涉及一种电离层TEC预报方法、***、计算机设备及介质。
背景技术
电离层总电子含量(Total Electronic Content, TEC)是单位面积上电离层的总电子含量,表征电离层自由电子的数量,是描述电离层结构、状态和变化的重要参量之一。无线电波传播时由于折射引起的时间延迟和相位延迟与电离层TEC紧密相关,而在卫星通信、导航定位等应用领域都离不开无线电波的传播,因此对电离层TEC进行分析研究具有重要的意义。
为了评估使用不同方法对电离层参数预测的效果,进行了大量的研究。从预测方法的角度而言,电离层预测模型可以分为传统预测模型和神经网络预测模型。传统预测模型包括经验模型(国际参考电离层模型)和数学模型(时间序列分析模型、自回归移动平均模型、多元线性回归法、自相关分析法、区域电离层预报的插值法)。随着人工神经网络的迅速发展,为电离层预报提供了新的思路。许多学者采用神经网路对TEC进行有效预报,然而,神经网络在参数选择网络优化等方面较为复杂,容易陷入局部极小值。
发明内容
本发明的目的在于提出一种电离层TEC预报方法,该方法基于CODE提供的TEC数据,利用增强型海鸥优化算法对传统的BP神经网络进行改进,从而解决BP神经网络搜索速度慢且易陷入局部最优的问题,进而提高神经网络模型预测电离层TEC时的准确度。
本发明为了实现上述目的,采用如下技术方案:
一种电离层TEC预报方法,包括如下步骤:
步骤1. 获取CODE提供的标准IONEX文件格式生成的全球电离层TEC数据以及对应时间段的太阳活动指数F10.7和Dst参数数据;
步骤2. 提取IONEX文件格式的TEC数据,将TEC数据、太阳活动指数F10.7和Dst参数数据组成时间序列数据,构建TEC数据集,作为模型训练的输入数据;
步骤3. 基于增强型海鸥优化算法ESOA对BP神经网络的权值和阈值进行优化,并基于优化后的BP神经网络搭建电离层TEC预报模型;
使用步骤2得到的TEC数据集,对该步骤3中构建的电离层TEC预报模型进行训练,然后利用训练好的电离层TEC预报模型对电离层TEC进行预报。
此外,在上述电离层TEC预报方法的基础上,本发明还提出了一种与之对应的电离层TEC预报***,其采用如下技术方案:
一种电离层TEC预报***,包括:
数据采集模块,用于获取CODE提供的标准IONEX文件格式生成的全球电离层TEC数据以及对应时间段的太阳活动指数F10.7和Dst参数数据;
数据预处理模块,用于提取IONEX文件格式的TEC数据,将TEC数据、太阳活动指数F10.7和Dst参数数据组成时间序列数据,构建TEC数据集,作为模型训练的输入数据;
以及电离层TEC预报模块,用于基于增强型海鸥优化算法ESOA对BP神经网络的权值和阈值进行优化,并基于优化后的BP神经网络搭建电离层TEC预报模型;
其中,使用数据预处理模块得到的TEC数据集,对构建的电离层TEC预报模型进行训练,然后利用训练好的电离层TEC预报模型对电离层TEC进行预报。
此外,在上述电离层TEC预报方法的基础上,本发明还提出了一种用于实现上述电离层TEC预报方法的计算机设备。
该计算机设备包括存储器和处理器,存储器中存储有可执行代码,处理器执行所述可执行代码时,用于实现上面述及的电离层TEC预报方法的步骤。
此外,在上述电离层TEC预报方法的基础上,本发明还提出了一种用于实现上述电离层TEC预报方法的计算机可读存储介质。该计算机可读存储介质,其上存储有程序,当该程序被处理器执行时,用于实现上面述及的电离层TEC预报方法的步骤。
本发明具有如下优点:
如上所述,本发明述及了一种电离层TEC预报方法,该方法基于CODE提供的TEC数据,利用增强型海鸥优化算法对传统的BP神经网络进行改进,以解决BP神经网络搜索速度慢且易陷入局部最优的问题。其中,BP神经网络通过多层神经元之间的非线性转换学习适应数据的能力,处理非线性数据十分有效。它的网络结构可以根据数据集调整,增减隐层节点数量或改变拓扑结构。此外,通过训练和调整参数可优化网络性能。而增强型海鸥优化算法(Enhanced Seagull Optimization Algorithm,ESOA)在搜索精度、收敛速度和稳定性方面具有一定的优势,因此本发明提出利用ESOA优化BP神经网络的模型对电离层进行预测,攻克了BP神经网络在进行非线性拟合时,容易陷入局部最优解和收敛速度慢的问题,提高了BP神经网络算法的全局寻优能力,并通过优化BP神经网络算法的权值和阈值来提高模型预测的准确度。本发明方法在没有增加传统BP神经网络模型复杂度的基础上,通过引入增强型海鸥优化算法进行优化,从而有效地解决了BP神经网络在处理大量数据时网络搜索速度降低的问题,使用稳定性强、收敛速度快的增强型海鸥优化算法与神经网络结合,可以寻找到最优权值与阈值,且能有效避免局部最优问题,提高了模型的性能和泛化能力。
附图说明
图1为本发明实施例1中电离层TEC预报方法的流程图。
图2为本发明实施例1中通过ESOA优化的BP神经网络模型的训练示意图。
具体实施方式
下面结合附图以及具体实施方式对本发明作进一步详细说明:
实施例1
本实施例1述及了一种电离层TEC预报方法,以解决传统BP神经网络过程中网络搜索速度慢且易陷入局部最优导致电离层TEC预报模型精度低的问题。
如图1所示,本实施例中电离层TEC预报方法,包括如下步骤:
步骤1. 获取CODE提供的标准IONEX(IONosphere map EXchange format)文件格式生成的全球电离层TEC数据以及对应时间段的太阳活动指数F10.7和Dst参数数据。
步骤1.1. 下载CODE提供的IONEX格式、时间分辨率是1h的TEC数据。
其中下载的TEC数据,其空间经度范围从西经180°到东经180°且分辨率是5°,纬度范围从北纬87.5°到南纬87.5°且分辨率为2.5°。
步骤1.2. 选择地磁指数Dst作为整体地磁活动和磁暴的指标,借助F10.7指数,作为太阳活动的一个指标;获取对应时间的Dst和F10.7指数。
其中,F10.7指数即10.7厘米,2800兆赫处的太阳射电通量。
步骤1.3. 计算LTS、LTC日变化因子和DOYS、DOYC季节变化因子作为电离层TEC预报模型的输入数据。该步骤1.3具体为:
步骤1.3.1. 电离层TEC具有显著的24小时日变化特性,考虑到地方时在子夜发生跳变,将地方时LT拆分为两个正交输入LTS、LTC,日变化因子的计算公式如下:
;
。
步骤1.3.2. 不同季节由于太阳天顶角不同,造成了TEC显著的季节变化。因此将年积日DOY 同样转换为两个正交分量,即DOYS和DOYC,季节变化因子的计算公式如下:
;
。
步骤2. 提取IONEX文件格式的TEC数据,将TEC数据、太阳活动指数F10.7和Dst参数数据组成时间序列数据,构建TEC数据集,作为模型训练的输入数据。
具体的,使用MATLAB对IONEX格式的TEC数据文件处理,筛选需要经纬度范围内的TEC值,将经纬度、TEC、F10.7和Dst等参数组成时间序列数据,并给TEC打上标签。
该步骤2具体为:
步骤2.1. 打开IONEX格式的TEC数据文件,读取文件头部信息,并检查是否有缺省值,确保数据完整性,防止因数据缺失造成的算法运行异常。
步骤2.2. 解析TEC数据,遍历IONEX文件格式生成的全球电离层TEC数据文件的每一行,并解析每行的内容。根据数据格式提取所需经纬度范围内的数值,将数据计算得到经纬度对应的TEC数据,将解析后的TEC数据存储到inx文件中,时间分辨率为1小时。
步骤2.3. 提取inx文件的经纬度和对应的TEC的值,然后将时间、TEC、Dst和F10.7指数以及日变化因子和季节变化因子存储到数组中组成时间序列数据,构建TEC数据集。
具体的,下载对应时间内的Dst和F10.7参数,将时间、经纬度、TEC、Dst、F10.7以及年参数和日参数一一对应变成时间序列,构建数据集,便于后续步骤中使用。
该模型的输入数据是包含7个电离层数据特征的数据集。
步骤3. 基于增强型海鸥优化算法ESOA对BP神经网络的权值和阈值进行优化,并基于优化后的BP神经网络搭建电离层TEC预报模型。
使用步骤2得到的TEC数据集,对该步骤3中构建的电离层TEC预报模型进行训练,然后利用训练好的电离层TEC预报模型对电离层TEC进行预报。
本发明在没有增加传统BP神经网络模型复杂度的基础上,通过引入增强型海鸥优化算法ESOA,对BP神经网络进行优化,有效地解决了神经网络在处理大量数据时网络搜索速度降低的问题,使用稳定性强、收敛速度快的增强型海鸥优化算法与BP神经网络结合可以寻找到最优权值与阈值,且能有效避免局部最优问题,提高了模型的性能和泛化能力。
该步骤3具体为:
步骤3.1. 导入由步骤2得到的TEC数据集作为电离层TEC预报模型的输入数据集,对电离层TEC预报模型的输入数据集划分训练集和测试集。
将TEC数据集中的80%的电离层数据作为训练集,20%的电离层数据作为测试集。
对TEC数据集中的数据进行归一化处理。
步骤3.2. 确定由BP神经网络搭建的电离层TEC预报模型的拓扑结构,初始化BP神经网络的权值和阈值,将步骤2得到的TEC数据集输入模型进行训练。
选取训练集和测试集的平均绝对误差作为寻优的适应度值函数。
步骤3.3. 初始化增强型海鸥优化算法ESOA的参数,其中,ESOA的维度数等于BP神经网络的参数总数;利用ESOA进行网络全局寻优,迭代结束后输出最优参数。
构造增强型海鸥优化器,将BP神经网络初始权重和偏执矩阵设置为海鸥位置。
利用ESOA进行BP神经网络全局寻优是通过迁徙行为和攻击行为进行的,过程如下:
步骤3.3.1. 初始化参数,包括搜索空间的上下界、海鸥空间维度、海鸥规模和
。
步骤3.3.2. 随机生成海鸥初始种群,计算出所有海鸥的适应度值,并找出最优海鸥。
步骤3.3.3. 对于每个海鸥,根据公式(1)-公式(11)更新海鸥的位置信息,接着检查更新后的位置是否越界并做出相应的调整,最后计算出适应度值。
更新海鸥的位置的计算公式如下:
(1)
其中代表海鸥之间不发生碰撞的位置,保存最佳解并更新其他海鸥的位
置,C表示海鸥的运动行为;C的计算如公式(2)所示。
(2)
其中n表示ESOA算法的迭代次数,n=1,2…,表示ESOA算法的最大迭代次
数,用来控制C的频率,C从线性递减到0。
(3)
其中表示海鸥当前的位置,表示最优的海鸥。
(4)
其中I表示在海鸥探索和开发之间进行平衡的参数,ran为[0,1]中的一个随机数。
(5)
其中表示海鸥与最佳海鸥之间的距离,表示最优海鸥的方向。
(6)
(7)
(8)
其中R是螺旋每转的半径,k是范围[0,2π]内的随机数,代表攻击角度; 、 、分别表示海鸥在X、Y、Z方向上的运动轨迹。
(9)
其中A为动态收敛因子,u和v是与螺旋飞行轨迹形状相关的常数。
(10)
其中表示[-1,1]中的一个随机数,表示当前的迭代次数;
(11)
其中,表示基于Levy分布的随机数向量;
步骤3.3.4. 通过步骤3.3.3更新最优海鸥;重复步骤3.3.3,直到达到最大迭代次
数,输出最优海鸥的位置信息和适应度值。
步骤3.4. 将ESOA的最优参数即最优海鸥位置,赋值给BP神经网络的初始权值和初始阈值,然后进行网络训练,更新神经网络的权值和阈值。
将ESOA的最优海鸥的位置信息赋值给BP神经网络的初始权值和初始阈值的公式为:
(12)
(13)
(14)
(15)
其中,为初始输入层到隐藏层的权重矩阵,为初始隐藏层阈值矩阵,从初
始隐藏层到输出层的权重矩阵,为输出层的阈值矩阵;表示电离层TEC预测模型中ESOA
算法得到的最优海鸥的位置信息,表示电离层TEC预测模型中BP神经网络的输入
层节点数,表示电离层TEC预测模型中BP神经网络的隐藏层数,表示
电离层TEC预测模型中BP神经网络的输出层节点数。
该步骤3.4的具体过程如下:
步骤3.4.1. 确定BP神经网络的输入样本和期望输出数据。
,为n个输入数据,,为n个输出数据。
步骤3.4.2. 对输入层电离层数据进行权值加成和计算,确定隐含层各节点的输
入和输出,和的计算公式如下:
,;其中表示输入层各节点和隐含
层各节点的连接权值,表示隐含层的输入数据在隐含层中的计算。
步骤3.4.3. 经隐含层计算后,数据将会传至输出层,因此需要确定输出层的输入和输出,和的计算公式如下:
,;其中表示输出层各节点和隐
含层各节点的连接权值,表示输出层的输入数据在输出层的计算。
上述步骤3.4.1-3.4.3完成了BP神经网络标准算法的正向传输阶段。
接下来将进入逆向反馈阶段,即步骤3.4.4至步骤3.4.8,此阶段采用梯度下降法,通过每次调整权值使输出误差符合要求,而调整权值便是利用误差函数分别对隐含层至输出层、输入层至隐含层求偏导的方式进行修正。具体过程如下:
步骤3.4.4. 首先调整隐含层至输出层的权值,即求误差函数对权值的偏导。
;
其中,表示输出层的输出,表示输出层节点的误差项。
步骤3.4.5. 求输入层至隐含层间误差函数对权值的求导结果为:
;
其中,表示输入值,表示隐含层节点的误差项。
步骤3.4.6. 在对输入层至隐含层,隐含层至输出层分别对应的权值求偏导后,利用偏导结果对各层连接权值进行修正,首先对输出层各节点和隐含层各节点的连接权值进行修正。
首先求得权值修改量:
。
其中,表示输出层各节点和隐含层各节点的连接权值,表示控制权值更新
步长的超参数。因此更新后的权值为更新前权值和权值修改量之和。
。
步骤3.4.7. 对隐含层各节点和输入层各节点的连接权值进行修正。
首先求得权值修正量:
。
因此,更新后的权值为更新前权值和权值修正量之和。
。
步骤3.4.8. 在对BP神经网络内部各权值进行修正后,再次对网络误差进行计算。
步骤3.5. 对基于优化后的BP神经网络搭建的电离层TEC预报模型进行模型训练。
当训练达到最大迭代次数后,输出结果,然后对结果进行反归一化,得到最终的预测结果,并通过RMSE、MAE和相关系数ρ三个不同的统计指标评估模型性能。
评估指标公式如下:
(16)
(17)
(18)
其中,为CODE发布的电离层TEC的值,m表示电离层TEC值的数量,为电
离层TEC预报模型预测的电离层TEC值;和分别为CODE发布的电离层TEC值的
均值及模型预测值的均值。
本发明方法通过利用增强型海鸥优化算法与BP神经网络结合进行电离层TEC预报建模,实现了给定日期和太阳活动指数等参数,对电离层TEC进行精确预报。并与传统BP神经网络构建的电离层TEC预测结果通过三种评估指标进行对比。结果如表1所示。
表1 二种预报模型指标对比
由上述表1可知,本发明所提出的ESOA与BP神经网络相结合进行电离层TEC预报的方法,在各项指标下均表现出较优越的预测性能。具体而言,本发明采用ESOA与BP神经网络结合的方法,相对于传统BP神经网络,其RMES和MAE值更小,分别为6.35和5.65,而相关系数值则更高,达到0.93,这说明ESOA和BP神经网络结合进行电离层TEC预报,不仅在预测精度上更为准确,而且与实际值之间的线性关系更为紧密。
实施例2
本实施例2述及了一种电离层TEC预报***,该***与上述实施例1述及的电离层TEC预报方法基于相同发明构思。
具体的,电离层TEC预报***,包括:
数据采集模块,用于获取CODE提供的标准IONEX文件格式生成的全球电离层TEC数据以及对应时间段的太阳活动指数F10.7和Dst参数数据;
数据预处理模块,用于提取IONEX文件格式的TEC数据,将TEC数据、太阳活动指数F10.7和Dst参数数据组成时间序列数据,构建TEC数据集,作为模型训练的输入数据;
以及电离层TEC预报模块,用于基于增强型海鸥优化算法ESOA对BP神经网络的权值和阈值进行优化,并基于优化后的BP神经网络搭建电离层TEC预报模型;
其中,使用数据预处理模块得到的TEC数据集,对构建的电离层TEC预报模型进行训练,然后利用训练好的电离层TEC预报模型对电离层TEC进行预报。
需要说明的是,本实施例2述及的电离层TEC预报***中,各个功能模块的功能和作用的实现过程具体详见上述实施例1中方法中对应步骤的实现过程,在此不再赘述。
实施例3
本实施例3述及了一种计算机设备,该计算机设备用于实现上述实施例1中述及的电离层TEC预报方法。
具体的,该计算机设备包括存储器和一个或多个处理器。在存储器中存储有可执行代码,当处理器执行可执行代码时,用于实现上述电离层TEC预报方法的步骤。
本实施例中计算机设备为任意具备数据数据处理能力的设备或装置,此处不再赘述。
实施例4
本实施例4述及了一种计算机可读存储介质,该计算机可读存储介质用于实现上述实施例1中述及的电离层TEC预报方法。
具体的,本实施例4中的计算机可读存储介质,其上存储有程序,该程序被处理器执行时,用于实现上述电离层TEC预报方法的步骤。
该计算机可读存储介质可以是任意具备数据处理能力的设备或装置的内部存储单元,例如硬盘或内存,也可以是任意具备数据处理能力的设备的外部存储设备,例如设备上配备的插接式硬盘、智能存储卡(Smart Media Card,SMC)、SD卡、闪存卡(Flash Card)等。
当然,以上说明仅仅为本发明的较佳实施例,本发明并不限于列举上述实施例,应当说明的是,任何熟悉本领域的技术人员在本说明书的教导下,所做出的所有等同替代、明显变形形式,均落在本说明书的实质范围之内,理应受到本发明的保护。
Claims (6)
1.一种电离层TEC预报方法,其特征在于,包括如下步骤:
步骤1.获取CODE提供的标准IONEX文件格式生成的全球电离层TEC数据以及对应时间段的太阳活动指数F10.7和Dst参数数据;
所述步骤1具体为:
步骤1.1.下载CODE提供的IONEX格式、时间分辨率是1h的TEC数据;
其中,下载的TEC数据,其空间经度范围从西经180°到东经180°且分辨率是5°,纬度范围从北纬87.5°到南纬87.5°且分辨率为2.5°;
步骤1.2.选择地磁指数Dst作为整体地磁活动和磁暴的指标,借助F10.7指数,作为太阳活动的一个指标;获取对应时间的Dst和F10.7指数;
步骤1.3.计算LTS、LTC日变化因子和DOYS、DOYC季节变化因子;其中LTS、LTC为地方时LT拆分的两个正交输入,DOYS和DOYC为年积日Doy转换的两个正交分量;
步骤2.提取IONEX文件格式的TEC数据,将TEC数据、太阳活动指数F10.7和Dst参数数据组成时间序列数据,构建TEC数据集,作为模型训练的输入数据;
所述步骤2具体为:
步骤2.1.打开IONEX格式的TEC数据文件,读取文件头部信息,检查是否有缺省值;
步骤2.2.解析TEC数据,遍历IONEX文件格式生成的全球电离层TEC数据文件的每一行,并解析每行的内容;根据数据格式,提取所需经纬度范围内的数值,将数据进行计算得到经纬度对应的TEC数据,最后将解析后的TEC数据存储到inx文件中;
步骤2.3.提取inx文件的经纬度和对应的TEC的值,然后将时间、TEC、Dst和F10.7指数以及日变化因子和季节变化因子存储到数组中组成时间序列数据,构建TEC数据集;
步骤3.基于增强型海鸥优化算法ESOA对BP神经网络的权值和阈值进行优化,并基于优化后的BP神经网络搭建电离层TEC预报模型;
使用步骤2得到的TEC数据集,对该步骤3中构建的电离层TEC预报模型进行训练,然后利用训练好的电离层TEC预报模型对电离层TEC进行预报;
所述步骤3具体为:
步骤3.1.将TEC数据集中的80%的电离层数据作为训练集,20%的作为测试集;
对TEC数据集中的数据进行归一化处理;
步骤3.2.确定由BP神经网络搭建的电离层TEC预报模型的拓扑结构,初始化BP神经网络的权值和阈值,将步骤2得到的TEC数据集输入模型进行训练;
选取训练集和测试集的平均绝对误差作为寻优的适应度值函数;
步骤3.3.初始化增强型海鸥优化算法ESOA的参数,其中,ESOA的维度数等于BP神经网络的参数总数;利用ESOA进行网络全局寻优,迭代结束后输出最优参数;
ESOA进行全局寻优的过程如下:
步骤3.3.1.初始化参数,包括搜索空间的上下界、海鸥空间维度、海鸥规模和maxi;
步骤3.3.2.随机生成海鸥初始种群,计算出所有海鸥的适应度值,并找出最优海鸥;
步骤3.3.3.对于每个海鸥,根据公式(1)至公式(11)更新海鸥的位置信息,接着检查更新后的位置是否越界并做出相应的调整,最后计算出适应度值;
更新海鸥的位置的计算公式如下:
其中代表海鸥之间不发生碰撞的位置,/>保存最佳解并更新其他海鸥的位置,C表示海鸥的运动行为;C的计算如公式(2)所示;
其中n表示ESOA算法的迭代次数,n=1,2…maxi,maxi表示ESOA算法的最大迭代次数,fc用来控制C的频率,C从fc=2线性递减到0;
其中表示海鸥当前的位置,/>表示最优的海鸥;
I=2×C2×ran (4)
其中I表示在海鸥探索和开发之间进行平衡的参数,ran为[0,1]中的一个随机数;
其中表示海鸥与最佳海鸥之间的距离,/>表示最优海鸥的方向;
X′=Rcos(k) (6)
Y′=Rsin(k) (7)
Z′=Rk (8)
其中R是螺旋每转的半径,k是范围[0,2π]内的随机数,代表攻击角度;X′、Y′、Z′分别表示海鸥在X、Y、Z方向上的运动轨迹;
R=Auekν (9)
其中A为动态收敛因子,u和v是与螺旋飞行轨迹形状相关的常数;
A=a(1-(iter(1/maxi))) (10)
其中a表示[-1,1]中的一个随机数,iter表示当前的迭代次数;
其中,L表示基于Levy分布的随机数向量;
步骤3.3.4.通过步骤3.3.3更新最优海鸥;重复步骤3.3.3,直到达到最大迭代次数maxi,输出最优海鸥的位置信息和适应度值;
步骤3.4.将ESOA的最优参数赋值给BP神经网络的权值和阈值;
步骤3.5.对基于优化后的BP神经网络搭建的电离层TEC预报模型进行模型训练;
当训练达到最大迭代次数后,输出结果,然后对结果进行反归一化,得到最终的预测结果,并通过RMSE、MAE和相关系数ρ三个不同的统计指标评估模型。
2.基于根据权利要求1所述的电离层TEC预报方法,其特征在于,
所述步骤3.4具体为:
将ESOA的最优海鸥的位置信息赋值给BP神经网络的权值和阈值的计算公式如下:
W1=x(1:inputnum hiddennum) (12)
B1=x(inputnum×hiddennum+1:inputnum×hiddennum+hiddennum) (13)
其中,W1为初始输入层到隐藏层的权重矩阵,B1为初始隐藏层阈值矩阵,W2从初始隐藏层到输出层的权重矩阵,B2为输出层的阈值矩阵;x表示电离层TEC预测模型中ESOA算法得到的最优海鸥的位置信息,inputnum表示电离层TEC预测模型中BP神经网络的输入层节点数,hiddennum表示电离层TEC预测模型中BP神经网络的隐藏层数,outputnum表示电离层TEC预测模型中BP神经网络的输出层节点数。
3.基于根据权利要求1所述的电离层TEC预报方法,其特征在于,
所述步骤3.5具体为:
评估指标公式如下:
其中,为CODE发布的电离层TEC的值,m表示电离层TEC值的数量,/>为电离层TEC预报模型预测的电离层TEC值;/>和/>分别为CODE发布的电离层TEC值的均值及模型预测值的均值。
4.一种用于实现如上述权利要求1至3任一项所述的电离层TEC预报方法的电离层TEC预报***,其特征在于,所述电离层TEC预报***包括:
数据采集模块,用于获取CODE提供的标准IONEX文件格式生成的全球电离层TEC数据以及对应时间段的太阳活动指数F10.7和Dst参数数据;
数据预处理模块,用于提取IONEX文件格式的TEC数据,将TEC数据、太阳活动指数F10.7和Dst参数数据组成时间序列数据构建TEC数据集,作为模型训练的输入数据;
以及电离层TEC预报模块,用于基于增强型海鸥优化算法ESOA对BP神经网络的权值和阈值进行优化,并基于优化后的BP神经网络搭建电离层TEC预报模型;
其中,使用数据预处理模块得到的TEC数据集,对构建的电离层TEC预报模型进行训练,然后利用训练好的电离层TEC预报模型对电离层TEC进行预报。
5.一种计算机设备,包括存储器和处理器,存储器中存储有可执行代码,其特征在于,处理器执行所述可执行代码时,用于实现如上述权利要求1至3任一项所述的电离层TEC预报方法的步骤。
6.一种计算机可读存储介质,其上存储有程序,其特征在于,当该程序被处理器执行时,用于实现如上述权利要求1至3任一项所述的电离层TEC预报方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202410424074.1A CN118013290B (zh) | 2024-04-10 | 2024-04-10 | 一种电离层tec预报方法、***、计算机设备及介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202410424074.1A CN118013290B (zh) | 2024-04-10 | 2024-04-10 | 一种电离层tec预报方法、***、计算机设备及介质 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN118013290A CN118013290A (zh) | 2024-05-10 |
CN118013290B true CN118013290B (zh) | 2024-06-25 |
Family
ID=90947469
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202410424074.1A Active CN118013290B (zh) | 2024-04-10 | 2024-04-10 | 一种电离层tec预报方法、***、计算机设备及介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN118013290B (zh) |
Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116805516A (zh) * | 2023-06-29 | 2023-09-26 | 武汉大学 | 一种基于集成模型的电离层智能预报与监测方法及*** |
CN117236746A (zh) * | 2023-09-01 | 2023-12-15 | 安徽理工大学 | 一种空调负荷可调节潜力评估方法 |
Family Cites Families (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113139327B (zh) * | 2020-01-19 | 2024-03-12 | 中国科学院国家空间科学中心 | 一种基于gru网络模型的电离层tec单点预测方法及*** |
CN111967679B (zh) * | 2020-08-20 | 2023-12-08 | 江苏师范大学 | 基于tcn模型的电离层总电子含量预报方法 |
CN113379107B (zh) * | 2021-05-26 | 2023-12-19 | 江苏师范大学 | 基于lstm和gcn的区域电离层tec预报方法 |
CN115374710A (zh) * | 2022-09-19 | 2022-11-22 | 兰州理工大学 | 基于改进海鸥优化算法和多核极限学习机的风速预测方法 |
CN117217069A (zh) * | 2023-06-13 | 2023-12-12 | 哈尔滨工业大学 | 一种基于海鸥优化算法的雷达装备体系部署点位优化方法 |
-
2024
- 2024-04-10 CN CN202410424074.1A patent/CN118013290B/zh active Active
Patent Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116805516A (zh) * | 2023-06-29 | 2023-09-26 | 武汉大学 | 一种基于集成模型的电离层智能预报与监测方法及*** |
CN117236746A (zh) * | 2023-09-01 | 2023-12-15 | 安徽理工大学 | 一种空调负荷可调节潜力评估方法 |
Also Published As
Publication number | Publication date |
---|---|
CN118013290A (zh) | 2024-05-10 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111784041B (zh) | 一种基于图卷积神经网络的风电功率预测方法及*** | |
CN111967679B (zh) | 基于tcn模型的电离层总电子含量预报方法 | |
Sikorska-Senoner et al. | A novel ensemble-based conceptual-data-driven approach for improved streamflow simulations | |
CN111563706A (zh) | 一种基于lstm网络的多变量物流货运量预测方法 | |
CN111045046B (zh) | 一种基于narx的短期电离层预报方法及装置 | |
CN114493050B (zh) | 多维度融合的新能源功率并联预测方法和装置 | |
CN113468803B (zh) | 一种基于改进的woa-gru洪水流量预测方法及*** | |
CN113379107B (zh) | 基于lstm和gcn的区域电离层tec预报方法 | |
CN112488396A (zh) | 基于小波变换的Holt-Winters和LSTM组合模型的电力负荷预测方法 | |
CN114330935B (zh) | 基于多种结合策略集成学习的新能源功率预测方法和*** | |
US11886967B1 (en) | Long-term streamflow forecast method and system based on process-data synergic drive | |
CN114331542A (zh) | 一种电动汽车充电需求预测方法及装置 | |
CN112884236B (zh) | 一种基于vdm分解与lstm改进的短期负荷预测方法及*** | |
CN112396152A (zh) | 一种基于cs-lstm的洪水预报方法 | |
CN116596044A (zh) | 基于多源数据的发电负荷预测模型训练方法及装置 | |
CN115347571A (zh) | 基于迁移学习的光伏发电功率短期预测方法及装置 | |
CN112215404A (zh) | 基于相空间重构和集合经验模态分解的预测方法及装置 | |
CN117973440B (zh) | 基于LSTM-Transformer模型的区域电离层延迟预测方法 | |
CN115327662A (zh) | 一种基于统计学习的区域电离层tec预测方法 | |
Ye et al. | Multi-year ENSO forecasts using parallel convolutional neural networks with heterogeneous architecture | |
CN115759413A (zh) | 一种气象预测方法、装置、存储介质及电子设备 | |
CN118013290B (zh) | 一种电离层tec预报方法、***、计算机设备及介质 | |
CN117293809A (zh) | 一种基于大模型的多时空尺度新能源发电功率预测方法 | |
CN110852415B (zh) | 基于神经网络算法的植被指数预测方法、***及设备 | |
CN116933083A (zh) | 一种电离层总电子含量预测方法、***、电子设备及介质 |
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 |