[发明专利]一种电磁波频率预测方法及装置

说明书

本发明公开了一种电磁波频率预测方法及装置，所述方法包括：基于电离层经验模型获取电离层的f0F2数据；根据f0F2数据构建训练样本，并将所述训练样本分为训练集和测试集；利用编码器、LSTM网络以及解码器依次串联构建神经网络模型；利用训练集训练神经网络模型，直至收敛，得到目标网络模型，并使用目标网络模型进行电磁波频率预测。本发明实施例采用编码器、LSTM网络以及解码器级联的模型，能够更好的处理前面CNN提取的特征，最终得到精度更高的图片序列的时空特征，以实现更高精度的电磁波频率预测。

技术领域

本发明涉及电离层监测技术领域，更具体涉及一种电磁波频率预测方法及装置。

背景技术

电离层是距离地面60公里到1000公里之间的区域，它的内部存在着大量的自由电子，足以影响无线电波的传播。电离层是离地表最近的大气电离区域，由中性大气和占比很小的等离子体组成，等离子体的存在显著改变了大气的性质，使得大气可以承载电流进而影响到从VLF(Very Low Frequency，甚低频)频段到微波的各个波段的无线电波的传播。短波通信一般指的是利用工作频率在3MHz到30MHz之间的电磁波信号在两地之间传递信息。如果两地相据较远，使用频率较高的电磁波信号会衰减更快，无法实现远距离通信和广播。但是电磁波在电离层中的损耗较小，因此可以借助电离层实现远距离短波通信。电离层可以按照电子浓度由低到高的高度分布划分为D、E、F1、F2层，当频率一定的无线电波以某个入射角由空气进入电离层后，在电离层不断发生折射，如果电磁波传播到电离层的某一高度时，该处的电子密度刚好使得电波发生全反射，那么电波从电离层返回地面，则两地可以使用此频率的电磁波实现通信。从电离层反射回来的电磁波的最高频率(MUF)与电离层的最大电子密度成正相关，电子密度越大的地方，允许使用的电磁波频率也就越高。但是，电离层会受到大气环流的运动、太阳活动和地磁活动等诸多因素的共同影响，导致电离层的参数在空间上随着地理经纬度而变化，在时间上存在着昼夜变化、季节变化等。地面上的短波通信也会因此受到影响，通过预测电离层参数我们可以为选择合适的短波通信频率提供指导，提高短波通信的质量。在电磁波频率预测中，电离层F2层截止频率f0F2是短波通信频率选择过程中的主要参考依据，f0F2决定了短波通信的最大可用频率，对f0F2预测的准确性直接影响了短波频率预报的准确性。

在实际应用中，现有技术中对于电离层f0F2的预测还有传统的建立数学模型进行数学计算的方法，比如多元线性回归方法、自相关分析法、数据同化法和卡尔曼滤波法等，但是，这些预测方法操作繁琐，需要大量的物理知识作为前提，且预测精度不足。进入21世纪以来，有学者使用反向传播的神经网络对设定观测台站的f0F2数据进行预测，但是其预测精度有限。此外，有国内学者将季节因子、太阳活动性和地磁指数等参数加入神经网络来预测f0F2的值，虽然预测精度有较大提升，但是需要的数据集更大而且预测的空间范围也是局部区域，无法实现全球电磁波频率的预测。

现有技术中也有仅使用编码器-解码器模型进行电磁波频率预测的，它的两个部分都可以由卷积神经网络CNN和循环神经网络RNN组成，它的最本质的特点就在于：编码和解码之间的唯一联系是一个固定长度的语义向量。也就是说编码器要将整个序列的信息压缩进一个固定长度的向量中去，这就要求此语义向量可以概括表示整个序列的信息，也就是特征提取需要做的非常好。目前使用基于编解码器模型的深度学习预测全球的f0F2数据主要有以下方法：使用CNN或使用RNN。对于全部使用CNN的模型，由于CNN具有SIFT等特征提取算法的特点，而且卷积的权值可以共享，大大降低了运算量。但是CNN模型从本质上来说只是将图像与卷积核对应相乘再求和，不具有记忆功能，因此无法胜任这样的工作。对于全部使用RNN的模型，根据RNN的算法原理：短期的记忆影响较大，但是长期的记忆影响很小，这明显不满足实际需要。

发明内容

本发明所要解决的技术问题在于实现较好的电磁波频率预测效果。

本发明是通过以下技术方案解决上述技术问题的：

本发明提供了一种电磁波频率预测方法，所述方法包括：