共查询到12条相似文献，搜索用时 93 毫秒
1.
贝叶斯正则化的Elman神经网络电离层TEC预报模型 总被引：1，自引：0，他引：1
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。 相似文献
2.
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。实验结果表明,利用优化后的Elman神经网络模型对TEC进行连续5 d预报时,单个年积日的均方根误差最优可达1.443 TECu,相关系数最优可达0.976,优于BP模型和Elman神经网络模型。 相似文献
3.
针对电离层TEC非线性、非平稳的特点,建立一种基于Prophet与Elman神经网络相结合的残差改正电离层短期预报模型。利用该模型对IGS提供的不同太阳活动程度期间的电离层TEC时间序列进行建模预报。结果显示,改正模型能够反映电离层TEC的变化特征,在太阳活动低年和太阳活动高年预报的平均相对精度分别为92.9%和92.2%,均方根误差分别为0.94 TECu和1.77 TECu,精度较Prophet-Elman模型及单一Elman模型有显著提高。 相似文献
4.
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。 相似文献
5.
EOF-LSTM神经网络的电离层TEC预报模型 总被引：1，自引：0，他引：1
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%。 相似文献
6.
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。 相似文献
7.
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。 相似文献
8.
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。 相似文献
9.
利用IGS中心提供的不同经纬度平静期、活跃期14 d的电离层TEC格网点数据,以前8 d的TEC值作为样本序列,分别采用Holt-Winters加法模型和乘法模型建立TEC预报模型,并预报后6 d的TEC值。结果表明,无论在电离层平静期还是活跃期,2种模型所得预报结果大致相同,并与实际观测数据吻合较好,但加法模型的预测结果能更好地反映电离层TEC的变化特性。 相似文献
10.
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%。 相似文献
11.
基于亚太地区北斗GEO卫星数据对2017-05发生在中低纬度地区的磁暴现象进行研究,并使用北斗GEO卫星获取的TEC实测数据对全球电离层图的精度进行评估。进一步对磁暴引起的全球电离层TEC变化进行分析发现,电离层TEC对磁暴的响应出现在磁暴主相开始1~4 h之后,最大扰动值达到20 TECu以上。 相似文献
12.
??????????????????(VTEC)??????????????????????????????????4?????????????????????Э????????????????С???????÷????????????????????????г????????????????????????????????????????????????????????(CODE)????????????????????????0.812???????????ο???в???4 TECu????????????????????????????????????????????γ20°?????????????????????????????????????1??7 TECu?????????????????2.4 TECu?????CODE????????20.14%????????????????3.5 TECu?????CODE???????????????????3.0 TECu?????CODE????????8.25%?? 相似文献