基于IRI-2016數(shù)據(jù),通過深度學習建立了電離層Keras神經(jīng)網(wǎng)絡模型。經(jīng)測試,Keras神經(jīng)網(wǎng)絡模型與IRI-2016模型具有同等精度。將Keras神經(jīng)網(wǎng)絡模型應用于Jason-2衛(wèi)星高度計的電離層電子含量觀測,對Jason-2雙頻觀測值進行多項式擬合并與Keras模型值進行比對,結果表明:二者平均電子含量均方根誤差為4.46 TECU;平均相關系數(shù)為0.75;將總電子含量的均方根差值換算成Ku波段的傳輸延遲值為8.5 mm,對于測高精度在厘米級別的衛(wèi)星高度計,該誤差在可接受范圍內。電離層Keras神經(jīng)網(wǎng)絡模型可以擴展IRI模型的使用范圍,方便快捷,也有效地避免了IRI復雜繁瑣的分層積分算法。該模型可應用于單頻衛(wèi)星高度計的電離層延遲誤差校正。 

【文章來源】：海洋技術學報. 2020,39(02)

【文章頁數(shù)】：5 頁

【部分圖文】：

IRI數(shù)據(jù)獲取原理圖

對比Jason-2與IRI-2016的TEC值，必須首先進行時間和空間信息的匹配。將Jason-2數(shù)據(jù)中的時間，經(jīng)度、緯度、高度信息依次輸入到網(wǎng)絡獲取軟件的POST請求當中，這樣就可以得到時間和位置完全匹配的兩列TEC數(shù)據(jù)。按時間排序的兩列TEC數(shù)值分布見圖2所示。從圖2可以看出，Jason-2繞地球每一圈，其觀測到的與地面之間的總電子總量具有周期性，反映了地面固定位置電離層分布的日周期性，而IRI-2016模型值表現(xiàn)出與Jason-2觀測值較強的分布一致性。

圖3為Keras神經(jīng)網(wǎng)絡模型結構示意圖，將前述輸入?yún)⒘孔鳛檩斎雽樱x擇合適的激活函數(shù)以及模型的優(yōu)化器將各層數(shù)據(jù)輸入訓練。模型的層數(shù)以及各層的節(jié)點數(shù)需要不斷地訓練調整，直到損失達到最小及梯度不再下降，進而固定各層參數(shù)，完成模型的建立。本文全鏈接采用6層網(wǎng)絡，前5層的激活函數(shù)均為“relu”，最后一層采用“l(fā)inear”。在隱含層選用“relu”是因為它具有如下優(yōu)點：克服梯度消失的問題與加快訓練速度。最后選用“l(fā)inear”線性激活函數(shù)，為了補償網(wǎng)絡輸出結果的線性偏置[11]。

【參考文獻】：
期刊論文
[1]一種基于衛(wèi)星軌跡的電離層區(qū)域建模方法[J]. 吳寒,吳燕蘋,吳亞君,孔建.  測繪通報. 2017(10)
[2]基于IRI-2012模型廣州地區(qū)f0F2實測與預測的對比分析[J]. 萬德煥,黃江,鄧柏昌,徐杰,孔德寶,林果果.  空間科學學報. 2015(02)
[3]附有國際參考電離層約束的全球電離層模型[J]. 王成,王解先,段兵兵.  武漢大學學報(信息科學版). 2014(11)
[4]地基GNSS全球電離層延遲建模[J]. 章紅平,韓文慧,黃玲,耿長江.  武漢大學學報(信息科學版). 2012(10)
[5]國際參考電離層在電離層電子密度特征分析中的應用[J]. 王成,王解先.  大地測量與地球動力學. 2012(02)
[6]NeQuick電離層模型在中國地區(qū)的應用[J]. 王軍,黨亞民,薛樹強.  測繪科學. 2007(04)
[7]利用IGS數(shù)據(jù)分析全球TEC的周年和半年變化特性[J]. 余濤,萬衛(wèi)星,劉立波,唐偉,欒曉莉,楊光林.  地球物理學報. 2006(04)
[8]自相關分析法在中國電離層短期預報中的應用[J]. 劉瑞源,劉順林,徐中華,吳健,王先義,張北辰,胡紅橋.  科學通報. 2005(24)
[9]時間序列和神經(jīng)網(wǎng)絡的組合預測及其應用[J]. 王磊,姚恒申.  統(tǒng)計與決策. 2005(11)



本文編號：3485013