基于SSA-Elman神经网络的电离层TEC短期预报模型

针对基于神经网络的电离层TEC短期预报存在精度较低、易陷入局部最优的问题,利用CODE中心提供的TEC数据及地磁活动指数,建立基于麻雀搜索算法(SSA)改进Elman神经网络的电离层TEC短期预报模型,并通过BP模型、Elman模型及SSA-Elman组合模型分别对电离层平静期和扰动期中低纬度TEC进行5 d连续预报....     

基于SSA-LSTM的短期电离层TEC组合预报模型

针对电离层总电子含量(TEC)时间序列具有高噪声、非线性和非平稳的特性,在奇异谱分析基础上,融合长短期记忆神经网络模型构建短期电离层组合预报改进模型,并对磁暴期、磁平静期的电离层TEC预报精度进行分析。结果表明,在磁暴期和磁平静期,该模型预报3 d的TEC相对精度分别为91.17%和95.46%,比单一LSTM模型分别提高4.92百分点和3.17百分点。     

ARMA模型在地震电离层TEC异常探测中的应用

基于IGS数据分析中心提供的全球电离层TEC数据,利用时间序列分析理论中的ARMA模型对2008-05-12汶川Ms8.0地震的电离层TEC资料进行处理,将ARMA模型TEC预报值作为电离层TEC背景参考值,对地震前后的电离层TEC进行异常探测研究。结果表明,在取得了与其他研究方法结果基本一致的基础上,新发现震前第13d、12d、10d、7d也存在电离层TEC异常扰动现象。说明以全球电离层TEC数据为基础,利用ARMA模型同样能有效探测到震前电离层TEC异常扰动现象,并达到较高精度。     

贝叶斯正则化的Elman神经网络电离层TEC预报模型

利用2017年中低纬电离层总电子含量、地磁活动指数、年积日等参数,首次建立基于贝叶斯正则化(Bayesian regularization)的Elman回归神经网络(BR-Elman)的电离层TEC预报模型。同时,根据地磁活动指数的变化特征,分别进行平静电离层和扰动电离层预报建模。实验结果表明,该方法在平静期5 d预测值的均方根误差为1.19 TECu,残差为1.03 TECu,相关系数为0.93;在扰动期5 d预测值均方根误差为1.34 TECu,残差为1.01 TECu,相关系数为0.91。贝叶斯正则化的BP神经网络模型以及传统BP神经网络模型在平静期与扰动期5 d的预测上,均方根误差最小为1.87 TECu,残差最小为1.50 TECu,相关系数最优为0.87。通过对比分析,该模型较其他2个模型的预报效果有明显改善。     

EWT-Elman组合模型短期电离层TEC预报

针对电离层总电子含量(TEC)非线性、高噪声的特点,建立基于经验小波变换(EWT)和Elman神经网络的短期电离层组合预报模型。运用该模型对不同地磁环境的电离层TEC时间序列进行建模预报,结果表明,EWT-Elman组合模型可反映电离层TEC的变化特征,地磁平静期预测平均相对精度为93%,均方根误差为1.04 TECu;地磁扰动期预测平均相对精度为92.4%,均方根误差为2.18 TECu。单一Elman模型、EMD-Elman组合模型以及EWT-BP组合模型在地磁平静期平均相对精度最高为90.7%,均方根误差最小为1.33 TECu;地磁扰动期平均相对精度最高为90.7%,均方根误差最小为2.57 TECu。对比其他模型,本文方法预测效果最优。     

EOF-LSTM神经网络的电离层TEC预报模型

为有效利用电离层总电子含量序列的时间信息,提出一种经验正交函数分解与长短期记忆神经网络组合的预报模型,利用IGS提供的云南地区TEC格网数据,分别对不同地点和不同时段的电离层进行建模预报。实验结果表明,该模型在同一时段预报5 d的TEC值均方根误差最优达1.83 TECu,较单一模型减小16%,其平均相对精度最优达91.56%,较单一模型增加7%;在同一地点预报5 d的TEC值均方根误差最优达1.86 TECu,较单一模型减小25%,其平均相对精度最优达90.74%,较单一模型增加7%。     

BP神经网络和ARMA模型在中纬度TEC短期预测中的对比分析

在充分考虑TEC序列非平稳、非线性、高噪声特性前提下, 以IGS提供的2017年电离层TEC格网数据为基准,运用BP神经网络和ARMA两种模型分别进行TEC 3 d预测,重点分析两种模型在不同季节时段、不同电离层活跃强度及不同样本长度下的TEC预测性能及精度。结果表明,在不同时段,两种模型均能很好地反映TEC的变化特性,其中ARMA模型在春、冬时段及整体预测精度上略优于BP神经网络。在平静期,两种模型的平均相对预测精度分别为87.3%和87.5%,预测效果相差较小;在活跃期,两种模型的平均相对预测精度分别为78.5%和75.5%,BP神经网络的精度比ARMA模型高3%。随着样本长度的增加,BP神经网络在21 d样本处预测效果最佳,ARMA模型的预测精度随样本长度的增加呈降低趋势。     

MEEMD-Elman神经网络的电离层TEC预报模型

利用IGS中心提供的不同纬度的电离层TEC值,建立基于改进的集总平均经验模态分解(MEEMD)算法和Elman回归神经网络(ERNN)模型相结合的电离层TEC预报模型。实验结果表明,在低、中、高不同纬度采用本文方法预报5 d电离层TEC的预测值的均方根误差最优可达到0.96 TECu,相对精度最优达到95.4%,精度较EMD-ERNN模型及单一ERNN模型有显著提高。     

基于离散系统卡尔曼滤波的电子含量预报分析

使用中国地壳运动观测网络基准站的数据,拟合电离层VTEC模型的参数,提出了利用离散系统卡尔曼滤波方程预报电离层TEC的方法,并对2002年9月10日和2002年9月14日特定时刻的TEC进行了预报和分析,其半小时内的预报精度达到2.5 TECU,实验证明可以利用该方法对某些电离层活动进行有效预报。     

一种改进的单站TEC快速估计与短期预报方法

为解决电离层产品大多基于格网形式及传统预报模型精度较低等问题,采用加权函数方法计算单站TEC,并提出一种基于滑动窗口改进的MEA-BP(MW-MEA-BP)预报模型。选取不同纬度的IGS测站,分别对太阳活动低年和太阳活动高年的观测数据进行分析验证。结果表明,本文单站TEC估计方法快速可靠,在短期预报方面,MEA-BP模型较BP模型有明显改进。当TEC变化剧烈时,本文MW-MEA-BP模型的预报精度较BP模型提高71.8%～90.6%,较MEA-BP模型提高13.9%～54.4%。本文研究结果可为定位用户提供先验准确的电离层信息。     

纬度因素对季节性时序TEC短期预报模型的影响分析

通过测试选取合适的时间序列长度，分析地磁指数，排除磁暴与地磁活动的影响，针对电离层TEC值的周期性变化及其随纬度的不均匀分布规律，采用季节性时间序列模型SARIMA和指数平滑模型Holt-Winters，利用IGS中心提供的TEC格网数据，对北半球不同纬度的48个区域进行预报，并通过定义日均相对精度和均方根误差来评定预报精度。结果表明，3种模型均能较好地反映电离层TEC值的周期性变化，但均方根误差随纬度的降低总体呈现增长趋势，且在北纬25°与55°表现为极大值，在北纬45°表现为极小值。     

�ۺ϶��ַ��������й�����TECʱ�ձ仯����

????????????????????С?????????????1999??2013??IGS??????????????????й?????TEC???仯??????仯????仯???????????????о???????????TEC???????????????????С???????????γ??????????γ???????????????????????У?????????????LT12:00??16:00???????LT04:00??06:00?????з???????γ?????????????????????TEC?????????????е?????????????????＾??TEC?????????183 d???????????????й??????2001????????“??????”????     

基于EWT-ARMA的短期电离层TEC预测模型

针对电离层总电子含量（TEC）数据非线性、非平稳的特点,在自回归移动平均（ARMA）模型的基础上,结合经验小波变换（EWT）,提出一种组合的短期电离层预测方法。采用IGS提供的电离层TEC格网数据进行实验,通过对比分析可知,相较于单一ARMA模型,本文组合模型在太阳活动低年和太阳活动高年5 d内的平均相对精度分别提高4.8%和2.8%,前1 d内组合模型的平均相对精度分别提高7%和6.1%。     

ARMAģ���ڵ�������TEC�쳣̽���е�Ӧ��

????IGS??????????????????????TEC????,??????????з????????е?ARMA????2008-05-12??Ms8.0?????????TEC??????д???,??ARMA???TEC????????????TEC?????ο??,?????????????TEC??????????о??????????,??????????????о??????????????μ??????,?·????????13??d??12??d??10??d??7??d?????????TEC?????????????????????TEC?????????,????ARMA??????????Ч???????????TEC?????????,???????????