电离层F2层的临界频率(f_(o)F_(2))的平方与峰值电子密度(N_(m)F2)成正比,是影响GNSS性能的关键参数之一,提升电离层f_(o)F_(2)的预测精度对于优化GNSS广播电离层模型性能并提升GNSS的定位精度具有重要意义.本文基于中国及周边区域的18...电离层F2层的临界频率(f_(o)F_(2))的平方与峰值电子密度(N_(m)F2)成正比,是影响GNSS性能的关键参数之一,提升电离层f_(o)F_(2)的预测精度对于优化GNSS广播电离层模型性能并提升GNSS的定位精度具有重要意义.本文基于中国及周边区域的18个测高仪台站和COSMIC(constellation observing system for meteorology,ionosphere,and climate)掩星观测数据,综合考虑世界时、年积日、地理位置、太阳和地磁活动等多维特征,利用随机森林(random forest,RF)算法构建了电离层f_(o)F_(2)预测模型.通过与国际参考电离层(international reference ionosphere,IRI)-2020模型对比分析,验证了该模型的预测精度.研究结果表明,与IRI国际无线电咨询委员会(International Radio Consultative Committee,CCIR)和IRI国际无线电科学联盟(International Union of Radio Science,URSI)模型相比,RF模型的平均绝对误差(mean absolute error,MAE)分别降低了14.81%和17.11%,均方根误差(root mean squared error,RMSE)分别降低了11.21%和13.14%.此外,该模型在不同纬度、地方时、太阳活动和地磁活动条件下,均展现出优于IRI-2020的预测精度.本研究不仅有效提升了中国及周边区域电离层f_(o)F_(2)的预测精度,还为提高GNSS的准确性和可靠性奠定了重要基础.展开更多
由于电离层电子密度随时间变化,且空间分布不均匀,对不同频段的无线电波产生延缓和折射,因此电离层电子密度变化是影响短波通信、卫星通信、全球导航卫星系统和其他空间通信质量的一个主要因素,本文对全球电离层电子密度(Number of elec...由于电离层电子密度随时间变化,且空间分布不均匀,对不同频段的无线电波产生延缓和折射,因此电离层电子密度变化是影响短波通信、卫星通信、全球导航卫星系统和其他空间通信质量的一个主要因素,本文对全球电离层电子密度(Number of electron,Ne)的预测工作对短波通信设备三维射线实时追踪定位提供必要条件。本文采用国际电离层参考模型提供的2016年电离层Ne数据,根据数据的三维空间时间序列特征,搭建了自编码器和卷积长短期记忆(Convolutional Long Short-Term Memory Network,Conv LSTM)网络组成的网络结构,在不引入地球自转周期之外任何先验知识的条件下,对Ne数据进行深度学习并实现预测,首先通过实验对比了SGD、Adagrad、Adadelta、Adam、Adamax和Nadam六种优化算法的性能,又对比了三种预测策略的均方根误差(Root Mean Square Error, RMSE),1h-to-1h预测策略的全球平均RMSE为1.0 NEU(最大值的0.4%),1h-to-24h和24h-to-24h预测策略的全球平均RMSE为6.3 NEU(2.6%)。由实验结果得出以下结论,一是Nadam优化算法更适合电离层Ne的深度学习,二是1h预测策略的性能与之前类似的电离层TEC预测工作(RMSE高于1.5 TECU,最大值的1%)相比有竞争力,但预测时间太短且对数据的实时性要求较高,三是两种24h预测策略虽能实现长期预测但性能不理想,要实现三维空间时间序列的长期高精度预测需要进一步改善神经网络、模型结构和预测策略。展开更多
文摘电离层F2层的临界频率(f_(o)F_(2))的平方与峰值电子密度(N_(m)F2)成正比,是影响GNSS性能的关键参数之一,提升电离层f_(o)F_(2)的预测精度对于优化GNSS广播电离层模型性能并提升GNSS的定位精度具有重要意义.本文基于中国及周边区域的18个测高仪台站和COSMIC(constellation observing system for meteorology,ionosphere,and climate)掩星观测数据,综合考虑世界时、年积日、地理位置、太阳和地磁活动等多维特征,利用随机森林(random forest,RF)算法构建了电离层f_(o)F_(2)预测模型.通过与国际参考电离层(international reference ionosphere,IRI)-2020模型对比分析,验证了该模型的预测精度.研究结果表明,与IRI国际无线电咨询委员会(International Radio Consultative Committee,CCIR)和IRI国际无线电科学联盟(International Union of Radio Science,URSI)模型相比,RF模型的平均绝对误差(mean absolute error,MAE)分别降低了14.81%和17.11%,均方根误差(root mean squared error,RMSE)分别降低了11.21%和13.14%.此外,该模型在不同纬度、地方时、太阳活动和地磁活动条件下,均展现出优于IRI-2020的预测精度.本研究不仅有效提升了中国及周边区域电离层f_(o)F_(2)的预测精度,还为提高GNSS的准确性和可靠性奠定了重要基础.
文摘由于电离层电子密度随时间变化,且空间分布不均匀,对不同频段的无线电波产生延缓和折射,因此电离层电子密度变化是影响短波通信、卫星通信、全球导航卫星系统和其他空间通信质量的一个主要因素,本文对全球电离层电子密度(Number of electron,Ne)的预测工作对短波通信设备三维射线实时追踪定位提供必要条件。本文采用国际电离层参考模型提供的2016年电离层Ne数据,根据数据的三维空间时间序列特征,搭建了自编码器和卷积长短期记忆(Convolutional Long Short-Term Memory Network,Conv LSTM)网络组成的网络结构,在不引入地球自转周期之外任何先验知识的条件下,对Ne数据进行深度学习并实现预测,首先通过实验对比了SGD、Adagrad、Adadelta、Adam、Adamax和Nadam六种优化算法的性能,又对比了三种预测策略的均方根误差(Root Mean Square Error, RMSE),1h-to-1h预测策略的全球平均RMSE为1.0 NEU(最大值的0.4%),1h-to-24h和24h-to-24h预测策略的全球平均RMSE为6.3 NEU(2.6%)。由实验结果得出以下结论,一是Nadam优化算法更适合电离层Ne的深度学习,二是1h预测策略的性能与之前类似的电离层TEC预测工作(RMSE高于1.5 TECU,最大值的1%)相比有竞争力,但预测时间太短且对数据的实时性要求较高,三是两种24h预测策略虽能实现长期预测但性能不理想,要实现三维空间时间序列的长期高精度预测需要进一步改善神经网络、模型结构和预测策略。
