申请/专利权人：山东科技大学

申请日：2024-04-10

公开（公告）日：2024-06-25

公开（公告）号：CN118013290B

主分类号：G06F18/214

分类号：G06F18/214;G06N3/006;G06N3/04;G06N3/084;G01W1/10

优先权：

专利状态码：有效-授权

法律状态：2024.06.25#授权;2024.05.28#实质审查的生效;2024.05.10#公开

摘要：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、系统、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。

主权项：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×ran4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′＝Rcosk6Y′＝Rsink7Z′＝Rk8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＝Auekν9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＝a1-iter1maxi10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。

全文数据：

权利要求：

百度查询： 山东科技大学 一种电离层TEC预报方法、系统、计算机设备及介质

免责声明
1、本报告根据公开、合法渠道获得相关数据和信息，力求客观、公正，但并不保证数据的最终完整性和准确性。
2、报告中的分析和结论仅反映本公司于发布本报告当日的职业理解，仅供参考使用，不能作为本公司承担任何法律责任的依据或者凭证。

阅读全文 双屏查看 官方信息 专利公告 收藏专利 下载PDF 下载WORD