[发明专利]一种基于VMD与Elman神经网络的电离层预报方法

说明书

本发明公开了一种基于VMD与Elman神经网络的电离层预报方法，利用变分模态分解法与Elman神经网络组合进行电离层TEC预报建模。本发明利用变分模态分解(VMD)与Elman神经网络组合进行电离层TEC预报建模。考虑到电离层TEC序列存在的非线性、非平稳性等特征，VMD算法在进行TEC原始序列预处理时能有效降低原始序列的复杂度且不发生模态混叠现象。与常用的EMD算法相比，VMD在数据预处理过程中能有效避免模态混叠现象的发生，滤波降噪性能更加优良。本发明引入VMD方法对电离层TEC序列进行分解，得到相应的本征模态分量(IMF)，为后续预测模型提供质量较高的输入值。

技术领域

本发明涉及电离层技术，具体涉及一种基于VMD与Elman神经网络的电离层预报方法。

背景技术

目前，电离层作为近地空间环境的重要组成部分，其对导航定位系统及无线电通讯等方面的精确性和实时性有着重要的影响。电离层总电子含量(total electriccontent, TEC)作为电离层的一个重要参量，对其准确的预报可以有效地避免电离层对人们生活所带来的影响。为探求高精度的电离层TEC预报模型，国内外学者开展了广泛的研究并取得了一定的成果。电离层具有时空上的无序性、随机性和非线性，如果选取固有模型对电离层电子含量进行预报，所得TEC精度已无法满足应用需求，为此，国内外学者开展了广泛的研究并获取了一些成果。陈鹏等利用时间序列模型进行电离层TEC的预测，实验结果表明，时间序列模型结构简单且TEC预报精度有所提高。近年来，神经网络作为一种典型的非线性模型在很多领域得到了广泛的应用，李淑慧等利用神经网络模型预测了目标日内的12个TEC值，实验结果表明神经网络模型可以较好的反映电离层TEC值的周期性及扰动性变化特征。陆建华等建立时间序列与BP (back propagation)神经网络的组合模型对TEC进行短期预报，结果表明组合模型的预报精度比单一时间序列模型有显著提高。然而越来越多研究表明，BP神经网络学习速度较慢，模型稳定较低，只是一种常规静态模型。为了进一步对原始TEC数据进行预先处理，使得模型在输入时具备更高的数据质量，有学者提出经验模态分解(empirical model decomposition, EMD)与时间序列相结合的模型进行TEC值的预报；以及经验模态分解EMD与自回归神经网络结合的方法进行预测。以上研究结果均表明对原始电离层TEC数据进行预先处理后，TEC的预报精度有显著的提升效果。但是，EMD算法存在模态混叠的现象导致信号分解不准确，从而影响TEC值预报精度。

现有技术中：

在数据预处理方法中，经验模态分解(EMD)算法从本质上来说是对一个信号进行平稳化处理，其结果是将信号中不同尺度的波动或趋势逐级分解开，产生一系列具有不同特征尺度的数据序列，每个序列代表一个本征式分量(intrinsic mode function, IMF)且满足以下两个条件：局部极值数量和零交叉点数相等或者相差最多为1；数据上任意点由局部极值确定的上下包络线均值为零。这两个条件实际上表示了一种波动模式，大多数时间序列包含多种波动模式，所以EMD在定义本征模式序列的基础上，通过筛分过程将信号分解成一系列特征尺度由最小到最大依次增大的IMF和一个趋势项余量。通过EMD算法，原始输入信号被分解为个基本分量和1个残余分量，可由式(1)表示：

(1)

在电离层现有的神经网络预测模型中，BP神经网络得到了广泛的应用。BP算法的基本思想是由整个学习过程由信号的正向传播与误差的反向传播两个过程组成。当正向传播时，输入参数由输入层导入，经过隐含层的处理之后传向输出层部分，若实际的输出结果与预期的输出结果不符合预想的要求，则转入误差的反向传播阶段。误差反向传播是将输出结果误差以某一种形式通过隐含层向输入层逐层反向传播，并将误差分配给各个层的所有处理单元，从而获得各层单元的误差信号，此误差信号即作为修正各单元的依据。这种信号正向传播与误差反向传播的各层权值调整过程是循环往复地进行的。此过程一直进行到网络输出的误差减小到可接受的程度或进行到预先设定的学习次数为止。