[发明专利]一种基于SSA和RBF神经网络模型的电离层预测方法

权利要求书

1.一种基于SSA和RBF神经网络模型的电离层预测方法，其特征在于，包括：

S1：获取目标区域中的TEC原始序列；

S2：通过奇异谱分析法对电离层TEC原始序列进行去噪分析；

S3：将去噪后的TEC数据序列作为输入对RBF神经网络模型进行训练；

S4:用训练好的RBF神经网络模型进行电离层TEC序列预测，并输出预测值；

通过所述奇异谱分析法对电离层TEC原始序列进行去噪分析的具体过程为：

S21：通过已获取的电离层TEC原始序列，构造Hankel矩阵以获得电离层TEC的输入矩阵：

其中，m、n分别表示矩阵的行数和列数；n≥2，m≥2，n≥m，m+n-1=N；

S22：并对步骤S21中的输入矩阵经奇异值分解得到的奇异值，获得矩阵：

其中，表示两个酉矩阵，表示奇异值向量，且，为矩阵的秩；

S23：对步骤S21的原始TEC序列进行快速傅里叶变换处理，得到原始数据序列在频域上的主要频率的幅值，应用奇异值向量的阶数为原始输入信号主要频率数量的两倍原则，来获得去噪后的奇异值向量和重构矩阵，其中k为重构矩阵中奇异值的数量，，为快速傅里叶变换处理后，原始输入信号的主要频率数目；

即矩阵：

S24：对重构矩阵进行逆向分析得到去噪后的电离层TEC序列；

所述对RBF神经网络模型训练的具体过程为：

S31：构建RBF神经网络模型；

RBF神经网络模型隐含层的激活函数为径向基函数高斯函数时，所述高斯函数的公式见式（1）：

（1）

其中，为欧式范数；为高斯函数的中心；为高斯函数的方差，即第个输入样本，，共有P个输入样本；为隐含层结点的中心；

RBF神经网络模型输出层的公式见式（2）：

（2）

其中，即第个输入样本，，共有P个输入样本；为隐含层结点的中心；为隐含层到输出层的连接权值，，隐含层共有h个结点，，共有n个输出结点；为与输入样本对应的网络的第j个输出结点的实际输出；

当RBF神经网络的激活函数为径向基函数高斯函数时，其方差见公式（3）：

（3）

式中，为所选取中心的最大距离；

求解隐含层和输出层之间神经元的连接权值，可以用最小二乘法计算得到，计算公式见式（4）：

（4）

其中， ， ；

S32：将去噪后的电离层TEC序列作为输入，并设定均方误差及分布密度对RBF神经网络模型进行训练。

2.根据权利要求1所述的基于SSA和RBF神经网络模型的电离层预测方法，其特征在于，所述m=n。

3.根据权利要求1所述的基于SSA和RBF神经网络模型的电离层预测方法，其特征在于，所述均方误差值为0.01，密度分布为100。

4.根据权利要求1或3所述的基于SSA和RBF神经网络模型的电离层预测方法，其特征在于，用训练好的RBF神经网络模型进行电离层TEC序列的预测，并输出预测值的具体过程为：RBF神经网络通过输入和输出误差来调整参数中心和权值，再据此调整网络内部系数，通过反复迭代计算直至网络的输出均方误差达到预设的精度要求时，网络终止计算并输出预测值。

5.根据权利要求1所述的基于SSA和RBF神经网络模型的电离层预测方法，其特征在于，还包括对预测精度的分析过程，所述预测精度用残差进行表示，其计算公式见式（5）：

（5）

其中分别表示TEC预测值、实际值。