深度学习LSTM模型的电离层总电子含量预报

发布时间：2022-10-05 23:04

　　针对TEC时间序列高噪声、非线性和非平稳的动态序列的特性,基于分解-预测-重构的思想,运用总体经验模态分解和深度学习长短期记忆神经网络,构建了EEMD-LSTM预测模型。同时,以测试集上预测结果的均方根误差最小为目标,运用多层网格搜索算法对EMD-LSTM预测模型进行参数优选。以IGS中心2015年全年1 h时间尺度的TEC格网数据进行实验分析,结果表明,EEMD-LSTM组合模型的预报结果能够很好的反应电离层TEC的变化特性,在低、中、高纬度地区平均预报残差分别为1.37、0.82和0.96个TECu,预测平均相对精度分别为92.8%、91.9%和87.8%。 

【文章页数】：6 页

【文章目录】：
0 引言
1 算法原理
    1.1 递归神经网络
    1.2 总体经验模态分解（EEMD)
    1.3 网格搜索与k折交叉验证
    1.4 研究方法
2 实验分析
    2.1 超参数优选
    2.2 不同模型的精度分析
3 结束语


【参考文献】：
期刊论文
[1]基于深度学习递归神经网络的电离层总电子含量经验预报模型[J]. 袁天娇,陈艳红,刘四清,龚建村.  空间科学学报. 2018(01)
[2]基于LSTM循环神经网络的故障时间序列预测[J]. 王鑫,吴际,刘超,杨海燕,杜艳丽,牛文生.  北京航空航天大学学报. 2018(04)
[3]基于Holt-Winters的电离层总电子含量预报[J]. 谢劭峰,陈军,黄良珂,吴丕团,秦旭元,刘立龙.  大地测量与地球动力学. 2017(01)
[4]电离层总电子数预报方法研究[J]. 王建敏,黄佳鹏,祝会忠,马天明.  测绘科学. 2016(12)
[5]2015年4月20日花莲MW6.4级地震震前电离层TEC异常[J]. 曹华东,郭金运,李旺,高昭良,吴增铭.  地球物理学进展. 2016(05)
[6]自回归移动平均模型的电离层总电子含量短期预报[J]. 张小红,任晓东,吴风波,芦琪.  测绘学报. 2014(02)
[7]利用EMD方法改进电离层TEC预报模型[J]. 汤俊,姚宜斌,陈鹏,张顺.  武汉大学学报(信息科学版). 2013(04)
[8]震前电离层TEC异常探测新方法[J]. 张小红,任晓东,吴风波,陈玉阳.  地球物理学报. 2013(02)
[9]利用神经网络预报短期电离层TEC变化[J]. 李淑慧,彭军还,徐伟超,杨红磊.  测绘科学. 2013(01)
[10]灰色神经网络的研究及发展[J]. 袁景凌,钟珞,李小燕.  武汉理工大学学报. 2009(03)

博士论文
[1]一种金融市场预测的深度学习模型：FEPA模型[D]. 张承钊.电子科技大学 2016
[2]模糊神经网络的性能及其学习算法研究[D]. 何春梅.南京理工大学 2010



本文编号：3686669