基于深度学习的电离层参数预测研究

doi:10.11959/j.issn.1000-436x.2021097

通信学报 ›› 2021, Vol. 42 ›› Issue (4): 202-206.doi: 10.11959/j.issn.1000-436x.2021097

• 学术通信 • 上一篇

基于深度学习的电离层参数预测研究

冯蕴天¹, 吴霞², 许雄¹, 张荣庆³

¹ 电子信息系统复杂电磁环境效应国家重点实验室，河南洛阳 471003
² 同济大学电子与信息工程学院，上海 201804
³ 同济大学软件学院，上海 201804

修回日期:2020-12-09 出版日期:2021-04-25 发布日期:2021-04-01
作者简介:冯蕴天（1990- ），男，河南洛阳人，电子信息系统复杂电磁环境效应国家重点实验室工程师，主要研究方向为电磁大数据和智能博弈推演。
吴霞（1982- ），女，上海人，博士，同济大学副教授，主要研究方向为计算电磁学、通信工程。
许雄（1985- ），男，福建莆田人，电子信息系统复杂电磁环境效应国家重点实验室工程师，主要研究方向为复杂电磁环境和体系对抗仿真。
张荣庆（1985- ），男，河南洛阳人，博士，同济大学副教授，主要研究方向为无线网络优化和人工智能。
基金资助:
电子信息系统复杂电磁环境效应国家重点实验室课题基金资助项目(CEMEE2020K0104B);国家重点研发计划基金资助项目(2017YFE0119300)

Research on ionospheric parameters prediction based on deep learning

Yuntian FENG¹, Xia WU², Xiong XU¹, Rongqing ZHANG³

¹ State Key Laboratory of Complex Electromagnetic Environment Effects on Electronics and Information System, Luoyang 471003, China
² School of Electronics and Information Engineering, Tongji University, Shanghai 201804, China
³ School of Software Engineering, Tongji University, Shanghai 201804, China

Revised:2020-12-09 Online:2021-04-25 Published:2021-04-01
Supported by:
The Open Research Fund of State Key Laboratory CEMEE(CEMEE2020K0104B);The National Key Re-search and Development Program of China(2017YFE0119300)

摘要/Abstract

摘要：

对于电离层参数预测，通过长短期记忆（LSTM）的预测神经网络建模实现电离层参数的短期和日均值预测。使用逐点预测和序列预测2种方法，并采用多维预测和经验模态分解（EMD）算法优化，预测电离层参数的每小时和每天的变化规律。实验结果验证了所提优化算法在提高预测电离层参数预测精度上的可行性。

关键词: 长短期记忆, 电离层, 多维预测, 经验模态分解

Abstract:

For ionospheric parameter prediction, the short-term and daily mean value prediction of ionospheric parameters was established by long short-term memory (LSTM) predictive neural network modeling.Two methods of point-by-point prediction and sequence prediction were utilized.Furthermore, in order to predict the hourly and daily changes of ionospheric parameters, the proposed scheme was optimized by multidimensional prediction and empirical mode decomposition (EMD) algorithm.Finally, the feasibility of the proposed optimization algorithm in improving the prediction accuracy of ionospheric parameters is verified.

Key words: LSTM, ionosphere, multidimensional prediction, EMD

中图分类号:

TN92

冯蕴天, 吴霞, 许雄, 张荣庆. 基于深度学习的电离层参数预测研究[J]. 通信学报, 2021, 42(4): 202-206.

Yuntian FENG, Xia WU, Xiong XU, Rongqing ZHANG. Research on ionospheric parameters prediction based on deep learning[J]. Journal on Communications, 2021, 42(4): 202-206.

图/表 6

图1

图2

图3

图4

表1

图5

参考文献 10

[1]	周倜 . 海战场电磁态势生成若干关键技术研究[D]. 哈尔滨:哈尔滨工程大学, 2013.
	ZHOU T . Research on several key techniques of electromagnetic situation generation in sea battlefield[D]. Harbin:Harbin Engineering University, 2013.
[2]	高敬帆, 赵海生, 徐朝辉 ,等. 拉萨地区电离层长期变化特性研究[J]. 电波科学学报, 2018,33(6): 701-707.
	GAO J F , ZHAO H S , XU Z H ,et al. Long-term ionospheric characteristics over Lhasa[J]. Chinese Journal of Radio Science, 2018,33(6): 701-707.
[3]	张雯鹤, 黄国策, 董淑福 ,等. 基于LSTM的短波频率参数预测[J]. 空军工程大学学报(自然科学版), 2019,20(3): 59-64.
	ZHANG W H , HUANG G C , DONG S F ,et al. A prediction of frequency parameters based on LSTM for high frequency communication[J]. Journal of Air Force Engineering University (Natural Science Edition), 2019,20(3): 59-64.
[4]	孔庆颜, 柳文, 焦培南 ,等. 电离层 f₀F₂参数提前 24 小时预测[J]. 空间科学学报, 2009,29(4): 377-382.
	KONG Q Y , LIU W , JIAO P N ,et al. Twenty-four hour ahead prediction of f₀F₂[J]. Chinese Journal of Space Science, 2009,29(4): 377-382.
[5]	HAJIHASSANI M , JAHED A D , MARTO A ,et al. Ground vibration prediction in quarry blasting through an artificial neural network optimized by imperialist competitive algorithm[J]. Bulletin of Engineering Geology and the Environment, 2015,74(3): 873-886.
[6]	HOCHREITER S , SCHMIDHUBER J . Long short-term memory[J]. Neural Computation, 1997,9(8): 1735-1780.
[7]	HUANG N E , SHEN Z , LONG S R ,et al. The empirical mode decomposition and the Hilbert spectrum for nonlinear and non-stationary time series analysis[J]. Proceedings of the Royal Society of London Series A:Mathematical,Physical and Engineering Sciences, 1998,454(1971): 903-995.
[8]	王昭斌, 胡伍生, 韩理想 ,等. 基于经验模态分解和BP神经网络的地铁沉降预测模型研究[J]. 现代测绘, 2017,40(5): 8-11.
	WANG Z B , HU W S , HAN L X ,et al. The study of the deformation of subway based on the empirical mode decomposition and back propagation neutral network[J]. Modern Surveying and Mapping, 2017,40(5): 8-11.
[9]	刘鑫 . 基于机器学习的短期电力负荷预测方法研究[D]. 北京:北京邮电大学, 2019.
	LIU X . Research on short-term load forecasting methods based on machine learning[D]. Beijing:Beijing University of Posts and Telecommunications, 2019.
[10]	DIEDERIK K , JIMMY B A . Adam:a method for stochastic optimization[J]. arXiv Preprint,arXiv:1412.6980, 2014.

预测方法	f₀F₂	f_min	M(3 000)F₂	hpf
LSTM网络	0.77	0.148	0.03	4.35
多维预测	0.74	0.13	0.025	2.95
EMD算法	0.75	0.1	0.020 3	2.6

[1]	王洪雁, 袁海. 基于骨骼及表观特征融合的动作识别方法[J]. 通信学报, 2022, 43(1): 138-148.
[2]	舒坚, 王启宁, 刘琳岚. 基于深度图嵌入的无人机自组网链路预测[J]. 通信学报, 2021, 42(7): 137-149.
[3]	李国军, 郑广发, 叶昌荣, 周银萍. 基于稳健卡尔曼滤波的倾斜探测电离层MUF短期预报方法[J]. 通信学报, 2021, 42(1): 79-86.
[4]	黄瑞章, 靳文繁, 陈艳平, 秦永彬, 郑庆华. 基于Highway-BiLSTM网络的汉语谓语中心词识别研究[J]. 通信学报, 2021, 42(1): 100-107.
[5]	丁恩杰,刘忠育,刘亚峰,郁万里. 基于多维度和多模态信息的视频描述方法[J]. 通信学报, 2020, 41(2): 36-43.
[6]	王丽娜,郭晓东,汪润. 面向中文用户评论的自动化众包攻击方法[J]. 通信学报, 2019, 40(6): 1-13.
[7]	兰巨龙,张学帅,胡宇翔,孙鹏浩. 基于深度强化学习的软件定义网络QoS优化[J]. 通信学报, 2019, 40(12): 60-67.
[8]	汪润,唐奔宵,王丽娜. DeepRD：基于Siamese LSTM网络的Android重打包应用检测方法[J]. 通信学报, 2018, 39(8): 69-82.
[9]	焦卫东,唐志虎,沈笑云. 电离层与对流层模型对北斗RAIM可用性的影响分析[J]. 通信学报, 2015, 36(3): 179-186.
[10]	郭通,兰巨龙,黄万伟,张震. 分数阶Fourier变换域中网络流量的自相似特性分析[J]. 通信学报, 2013, 34(6): 38-48.
[11]	郭通，兰巨龙，黄万伟，张震. 分数阶Fourier变换域中网络流量的自相似特性分析[J]. 通信学报, 2013, 34(6): 5-48.

基于深度学习的电离层参数预测研究

Research on ionospheric parameters prediction based on deep learning

在线阅读

PDF下载

可视化

摘要/Abstract

引用本文

使用本文

图/表 6

参考文献 10

相关文章 11

Metrics

推荐阅读 0