[发明专利]基于深度学习的北半球高纬度地区ROTI预测方法

说明书

本发明公开了基于深度学习的北半球高纬度地区ROTI预测方法，能够实现利用人工智能方法通过预测未来数分钟后ROTI的值来进行电离层闪烁的实时预报。包括如下步骤：采集获取高纬度地区影响电离层闪烁的相关参数数据，其中包含ROTI指数。针对所有数据，划分为训练集，验证集和测试集。对训练集，验证集和测试集中数据进行预处理，得到归一化数据；针对当前时刻t与前设定数量时刻的归一化数据的组合，设定的标签为未来时刻的ROTI指数，得到映射关系。构建递归神经网络模型，利用训练集进行训练，并利用验证集进行验证。每一次迭代都返回训练集和验证集的损失函数，验证集的损失函数达到最小时结束训练，得到的训练好的递归神经网络模型即为ROTI预测模型。

技术领域

本发明涉及空间电离层技术领域，具体涉及基于深度学习的北半球高纬度 地区ROTI预测方法。

背景技术

电离层及其电子密度不均匀体的存在，使得穿越于其中的无线电波的幅度、 相位、到达角以及极化状态等发生快速起伏，即为电离层闪烁。电离层闪烁常 会导致地面接收机接收到的电波信号深度衰落与畸变。例如振幅闪烁会导致信 号衰落，最大可达20dB以上。当衰落幅度超过接收系统的冗余度和动态范围时， 造成卫星通讯障碍和误码率的增加；相位闪烁则引起多谱勒频移。由于电离层不 规则结构的影响，电波折射指数也产生随机起伏，使信号路径发生改变，引起 多径效应以及降低卫星导航精度。

随着全球范围导航和通信系统对空间平台的依赖日益增长，监测并研究电 离层闪烁对通信系统的影响，预报电离层闪烁的发生，成了人们关注的重要问 题。通过对电离层闪烁监测分析和预报，可为闪烁频发地区通信系统的设计提 供参考参数，并对研究引起闪烁的电离层不规则体的形成和演变提供实验数据。

ROTI与S4、sigma-phi一样，是描述电离层闪烁变化的重要指标，综合分 析电离层的规则变化和不规则变化发生的时间长度之后，可以发现，利用人工 智能方法通过预测未来数分钟后ROTI的值来进行电离层闪烁的实时预报，将是 本领域发展的趋势。

发明内容

有鉴于此，本发明提供了基于深度学习的北半球高纬度地区ROTI预测方法， 能够实现利用人工智能方法通过预测未来数分钟后ROTI的值来进行电离层闪 烁的实时预报。

为达到上述目的，本发明的技术方案包括如下步骤：

步骤1、采集获取高纬度地区影响电离层闪烁的相关参数数据，其中包含电 离层总电子含量TEC的变化率指数的时间序列即ROTI指数；高纬度地区为纬 度在60度至90度之间的地区；对所有影响电离层闪烁的相关参数数据进行时 间分辨率统一。

步骤2、针对时间分辨率统一后的所有数据，划分为训练集，验证集和测试 集；且三者中，训练集数量最多。

步骤3、对训练集，验证集和测试集中数据进行预处理，包括剔除噪声数据、 补充遗漏数据以及数据归一化，得到归一化数据。

步骤4、对训练集，验证集和测试集中的归一化数据，针对当前时刻t与前 设定数量时刻的归一化数据的组合，进行标签匹配，设定的标签为未来时刻的 ROTI指数，作为相关参数数据和未来时刻ROTI指数的映射关系。

步骤5、构建递归神经网络模型，利用训练集中数据的映射关系对递归神经 网络模型中进行训练，并利用验证集中的映射关系对递归神经网络模型中进行 验证。

递归神经网络模型执行反向传播算法，反向传播算法的每一次迭代都返回 训练集的损失函数和验证集的损失函数，当验证集的损失函数达到最小时结束 训练，此时得到的训练好的递归神经网络模型即为ROTI预测模型。

步骤6、利用ROTI预测模型，对测试集中的映射关系进行实际测试，测试 合格的ROTI预测模型用于对北半球高纬度地区进行ROTI预测。

进一步地，影响电离层闪烁的相关参数数据为