基于bp神經網絡的區(qū)域電離層延遲改正模型研究

《基于bp神經網絡的區(qū)域電離層延遲改正模型研究》由會員上傳分享，免費在線閱讀，更多相關內容在學術論文-天天文庫。

1、基于BP神經網絡的區(qū)域電離層延遲改正模型研究　　摘要：電離層研究有著不可忽視的重要性，許多前沿的技術與電離層的研究進展相關。文章對JSCORS實測的電離層數據進行了區(qū)域電離層電子含量二階多項式模型的建立，在結合神經網絡技術基礎上，建立一個區(qū)域電離層電子含量的融合模型。該模型融合了二階多項式以及神經網絡，建模過程中以中誤差作為精度評定指標，對兩種建模方法進行了橫向對比，在0到1點、2到3點，融合模型的擬和中誤差相較于二階多項式精度分別提高了18.1%、22.5%。該工程實例結果表明，神經網絡融合模型精度高于二階多項式模型?！　￡P鍵詞：VTEC；

2、區(qū)域電離層延遲；二階多項式；BP神經網絡　　1概述　　電離層研究有著重大的意義，許多重要的科學技術都與電離層的研究進展息息相關。由于電離層作用于地球大氣層表面，對無線電傳播的各項技術都產生了不可估量的影響。更加精確的電離層研究會有效提高衛(wèi)星導航系統(tǒng)的測速、定位等方面的精度。此外，我國正在建設第二代北斗衛(wèi)星導航系統(tǒng)，對于電離層延遲的研究對我國的太空發(fā)展計劃有重要的戰(zhàn)略意義?！　‰婋x層是距離地球表面約60km至1000km范圍內的地球大氣，在太陽紫外線、X射線等作用下，大氣分子逐漸電離而產生大量自由電子和離子，呈現混沌狀態(tài)，GPS信號穿過電離層時

3、，其傳播速度會發(fā)生變化，變化程度主要取決于電子密度和信號頻率。對于GPS測量而言，這種延遲誤差在天頂方向可達十幾米[5]?！　∧壳?，為滿足各種測量以及定位導航服務。人們根據電離層的各種性質建立了許多的電離層模型，如國際參考電離層模型等。隨著空間需求的不斷提高、大規(guī)模的GPS跟蹤網的建立，有必要對電離層模型更加精化。為此，本文利用了中國江蘇省CORS基站的數據，通過二次多項式對這些數據進行建模，然后，采用BP神經網絡技術來彌補二次多項式的模型偏差產生一種新的修正模型，稱為融合模型進行區(qū)域電離層延遲改正模型建立?！　?模型構建　　2.1二階多項式

4、模型　　區(qū)域電離層的二階多項式模型在模擬區(qū)域VTEC的過程中被廣泛應用，是一種精度較高的電離層延遲改正模型。不足之處在于其?κ?據密集分布有強烈依賴性。對于數據密集和缺乏數據的區(qū)域的精度有極大的差別。對于實測數據密集的區(qū)域，延遲改正效果非常好。但對于實測數據稀缺的區(qū)域卻有很大的誤差，甚至部分穿刺點的總電子含量會出現負值[5]?！　∧壳皣鴥韧怆婋x層研究領域關于該模型的研究分為3參數，6參數，9參數等。根據大量研究表明，9參數模型相較于其他參數選取有著更好的效果和擬合精度。因此，本文將采用9參數模型?！　≡撃Ｐ痛怪狈较虻目傠娮雍款A測模型表達式如

5、下：　　其中（φ0，λ0）表示測區(qū)中心點地理緯度和經度；（φ，λ）表示IPP的緯度和經度；S0是測區(qū)中心點在建模時段中間時刻t0的太陽時角，S為IPP在建模時間段的任意觀測時刻點t的太陽時角；Eik為待定系數，其中，　?。?）式逐項展開形式如下：　　將N個測站已知數據代入，得到誤差方程組合矩陣形式可以寫成：　　利用最小二乘法將X9×1的矩陣值求解出來，即VTEC模型的9個系數，其中　　然后利用二階多項式模型的表達式計算已知穿刺點的VTEC值?！　?.2BP神經網絡模型及其構建　　BP神經網絡是一種前饋型網絡[6]。它集合多個簡單處理能力的神經

6、元。通過這些神經元的復合來實現復雜的映射，對于BP算法中隱含層的選擇依然是一個有待推敲的問題。由于隱含層數量多有助于增加人工神經網絡單元處理能力，但是這樣也會讓訓練過程更加的復雜。一般情況下，隱含層數目是由少到多實驗的過程。本文的神經網絡模型結構如圖1。其中有9個輸入層，1個輸出層，此外還有多個隱含層節(jié)點[4]。對于輸入的訊息，首先從輸入層傳播到隱藏層，經過激活函數將隱含層的數據傳輸到輸出節(jié)點?！　≡撃Ｐ蛯⒁悦拷M數據的八項特征值為輸入層，以VTEC真值為輸出層進行模擬，從而建立模型。本文的神經網絡模型有8個輸入層，1個輸出層，此外還有23個隱

7、含層。本文選取的學習速率是1.5h，平滑因子參數為0.7，分級迭代級數為14，訓練控制誤差為0.3。如上的訓練過程結束后，我們將得到指定區(qū)域內預測模型。預測值與真值作差即可得殘差以及中誤差。　　計算多項式模型的擬合偏差值，將已知參數帶入表達式中，可得到已知點的二階多項式的模型預測值。此時，二階多項式預測模型相對真值的擬合偏差值的計算公式為：　　2.3建立基于BP神經網絡的融合模型　　根據前文二階多項式的部分，我們得到了一個偏差較大的二階多項式預測模型并計算出該模型相對于真值的擬合偏差。我們將該偏差值作為輸出層進行神經網絡訓練，以期得到模型偏差

8、值的預測值，進而改正二階多項式模型形成全新的BP融合模型。利用式（7）即算得建立的神經網絡及二階多項式融合模型（BP-DPM模型）的VTEC預測值VTECpred。