[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

说明书

本发明公开了一种基于SSA和RBF神经网络模型的电离层预测方法，涉及电离层TEC预测技术领域，所述方法包括：获取目标区域中的TEC原始序列；通过奇异谱分析法对电离层TEC原始序列进行去噪分析；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；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。在本发明通过将奇异谱分析法对TEC序列中主要特征分量及多余噪声信息进行提取分析，为进一步进行建模处理提供高精度数据源，另外还通过RBF神经网络模型对TEC序列进行预测研究，并且以IGS中心发布的参考值作为实验对比值，使得本发明的方法在电离层TEC预测上精度更高。

技术领域

本发明涉及电离层预测技术领域，具体涉及一种基于SSA和RBF神经网络模型的电离层预测方法。

背景技术

距离地面高度为60～2000 km的大气电离层区域存在大量的自由电子，其可对穿越其中的通信和广播信号造成包括反射、折射、散射和吸收等不同程度的影响。电离层总电子含量(total electric content, TEC)是反映电离层特性的一个重要因素，对其精准的预测有利于进一步探索近地空间环境的变化。作为近地空间环境的重要组成部分，电离层对人类生活产生着重要的影响。例如，当电离层发生剧烈扰动时，会造成卫星及地面通信设备中断、航天器失常或受损、长距离输油输气管道及高压输电网损害等。因此，研究认识电离层的结构以及特性，对保障航天活动的安全、提高导航卫星系统的定位精度、揭示电离层活动规律等，都具有非常重要的意义。

建立高精度电离层模型的难点在于电离层对GNSS影响的复杂性以及电离层自身具备的时空变化特性。因此，为了建立高精度的电离层TEC预测模型，国内外学者展开了广泛的研究并取得了一些成果。时间序列模型作为传统的线性预测算法，因其结构简单并且具备良好的预测性能，诸多学者利用时间序列模型进行了短期电离层TEC预测，取得了较好的预测效果。但是，由于时间序列模型存在预测精度随着预测时间增长精度逐渐降低的问题，有学者利用人工神经网络模型对电离层TEC进行预测建模，与时间序列相比，人工神经网络具备更加良好的预测精度以及运算速度，使得此方法在电离层预测领域得到了广泛的应用。然而越来越多的研究表明，传统人工神经网络模型在数据训练过程中极容易陷入局部最小值的“死循环”中，进而避开真正的最优值，并且对建模条件要求较为苛刻。另外，现有技术的研究中还忽略了电离层TEC序列的复杂变化特性，诸如非线性、非周期性、非平稳性等。

发明内容

为了解决上述问题，本发明提供一种基于SSA和RBF神经网络模型的电离层预测方法，该方法通过将奇异谱分析法应用于电离层TEC序列预处理中，对TEC序列中主要特征分量及多余噪声信息进行提取分析，为进一步进行建模处理提供高精度数据源，另外本发明还通过去噪后的TEC序列作为RBF神经网络的训练数据集，对RBF神经网络模型进行建模训练，最后利用已训练好的模型对TEC序列进行预测研究，并且以IGS中心发布的参考值作为实验对比值，得出本发明在电离层TEC预测上具备良好的应用性能。

为了实现上述目的，本发明采用的技术方案为：一种基于SSA和RBF神经网络模型的电离层预测方法，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。

进一步地，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；