一种电离层电子含量的预报方法、计算机设备和可读存储介质与流程

1.本技术涉及一种电离层电子含量的预报方法、计算机设备和可读存储介质，属于电离层分析技术领域。


背景技术：

2.电离层是地球大气的一个电离区域，该区域内存在大量的自由电子，会使得穿过该区域的无线电磁波产生很强的折射、反射和散射效应。当电离层发生剧烈扰动时，航天器、卫星通信以及导航定位都会受到严重影响。电离层总电子含量(tec)是描述电离层形态和结构的一个重要参数，精确预测tec对导航定位、电离层时空变化规律研究具有重要意义。因此，建立高精度的电离层tec预报模型一直是国内外学者研究热点。
3.目前，电离层tec预报常用方法有：时间序列模型、神经网络模型等。时间序列模型操作简单、计算方便，具有较高的预报精度，被广泛应用在电离层tec预报中。bp神经网络的出现，为电离层tec的预报提供了新的研究方向，良好的非线性拟合能力和强大的学习能力使得神经网络在电离层tec预测中获得广泛应用。其中，长短时记忆神经网络(lstm)克服了传统bp神经网络对长时间序列缺乏记忆的问题，更为适合预报和处理长时间tec序列。
4.电离层tec的非线性、非平稳性特征使得原始tec时间序列复杂多变，单一lstm模型难以完全利用时间信息，可能无法很好地拟合tec时间序列的时变特性，导致tec预报精度降低[12]。经验模态emd算法被用来对电离层原始数列进行数据预处理，但该方法容易是模型陷入局部最优解的死循环，从而避开真正的最优解。经验小波变换(ewt)是近年来新提出的一种非平稳信号处理方法，它克服了经验模态分解中模态混叠的问题，可以将复杂信号分解为具有物理意义的分量信号，能够详细展示复杂信号的具体细节。因此，考虑到上述预测模型的不足和ewt方法的优势，本发明利用ewt与lstm组合方法对电离层vtec进行预报建模。
[0005]
基于上述情况，特提出本技术。


技术实现要素：

[0006]
本技术的目的在于提供一种电离层电子含量的预报方法、计算机设备和可读存储介质，利用ewt与lstm组合方法对电离层vtec进行预报建模，能够详细展示vtec时间序列的具体细节，充分利用时间序列中的有效信息，在不同地磁环境条件下具有较好的适用性和更高的准确性，预报模型精度有着显著提高。
[0007]
为达到上述目的，本技术公开如下技术方案：
[0008]
第一方面，本技术提供一种电离层电子含量的预报方法，所述预报方法包括以下步骤：
[0009]
s1、获取电离层原始电子含量tec时间序列，进行傅里叶变换后得到fourier频谱支撑区间；
[0010]
s2、基于经验小波变换ewt对所述fourier频谱支撑区间进行滤波，得到多个具有不同特征的本征模态函数分量；
[0011]
s3、构建lstm模型，将所述本征模态函数分量作为长短时记忆lstm神经网络的输入层，利用lstm神经网络对输入的数据进行训练及建模，输出相应的预测分量；
[0012]
s4、对所述预测分量进行求和重构，得到预测电离层tec值。
[0013]
在一些可能的实施方式中，步骤s2中，所述基于经验小波变换ewt，在每个所述区间上构造小波滤波器组进行滤波，通过信号重构得到多个具有不同特征的本征模态函数分量包括：
[0014]
s21、将所述fourier频谱支撑区间划分为连续的区间；
[0015]
s22、基于littlewood-paley和meyer小波的构建法在所述每个所述区间上构建daitong1小波滤波器组；
[0016]
s23、通过信号重构，经ewt处理，分解信号得到所述本征模态函数分量。
[0017]
在一些可能的实施方式中，步骤s21具体包括：
[0018]
将由经过傅里叶变换得到的fourier频谱支撑区间分割成n个连续的部分，其中λn表示划分结果，由下式(1)表示：
[0019]
λn＝[ω
n-1
,ωn],n＝1,2,
…
,n
ꢀꢀꢀ
(1)
[0020]
整个fourier频谱支撑区间表示为：
[0021][0022]
其中，ωn表示各分段的边界。
[0023]
在一些可能的实施方式中，所述各分段的边界ωn通过以下方法进行确定：
[0024]
对于由tec序列得到的fourier频谱，首先检测fourier频谱中的局部最大值，进行降序排序，定义所述fourier频谱中找到m个局部极大值mj(j＝1,
…
,m)，且mj满足mj》m
π
α(m
1-m
π
)，定义不等式的右边为阈值，其中α对应于相对振幅比，则存在以下两种情况：
[0025]
1)当m≥n时，取前n-1个最大值；
[0026]
2)当m＜n时，保持所有检测的最大值并将n重置为适当的值；
[0027]
其中，n为大于阈值的局部最大值的个数，将所述局部最大值对应的ωn定义为每个分段的边界，再加上0和π，得到n 1个边界；
[0028]
定义一个以ωn为中心点的过渡区域tn，宽为2λn，确定好λn之后，定义经验小波为每个连续分段λn上的带通滤波器。
[0029]
在一些可能的实施方式中，步骤s22中，所述基于littlewood-paley和meyer小波的构建法在所述每个所述区间上构建daitong1小波滤波器组具体包括：
[0030]
对于n》0，经验小波函数ψn(ω)和经验尺度函数分别由以下两式表示：
[0031][0032][0033]
其中，β(x)＝x4(35-84x 70x
2-20x3)，γ∈[0,1]。
[0034]
在一些可能的实施方式中，步骤s23中，所述通过信号重构，经ewt处理，分解信号得到所述本征模态函数分量具体包括：
[0035]
定义细节系数和近似系数其中所述细节函数由经验小波函数与信号f(t)内积产生，所述近似系数由经验尺度函数与信号f(t)内积产生，两者的公式如下：
[0036][0037][0038]
其中，ψn(ω)和分别是ψn(t)和的傅里叶变换，傅里叶变换和逆变换分别记为f[
·
]和f-1
[
·
]；
[0039]
得到信号f(t)的重构表达式：
[0040][0041]
基于上述公式，经过ewt处理，所述信号f(t)可分解得到频率由低到高的调幅-调频分量成分fk(t)(k＝1,2,3...)：
[0042][0043][0044]
在一些可能的实施方式中，步骤s3中，所述构建lstm模型，将所述本征模态函数分量作为长短时记忆lstm神经网络的输入层，利用lstm神经网络对输入的数据进行训练及建模，输出相应的预测分量具体包括：
[0045]
在对步骤s2得到的不同本征模态函数分量，依次划分为训练集和测试集，训练集
和测试集为两个互斥的集合、划分方法为留出法；
[0046]
所述lstm模型包括输入层、隐藏层和输出层，其中，隐藏层有288个lstm单元。
[0047]
在一些可能的实施方式中，所述隐藏层中的每个lstm单元有3个控制单元状态的门，分别为输入门、遗忘门和输出门，所述输出门决定当前单元值是否输出；
[0048]
其中所述输入门的计算公式为：
[0049][0050]
所述遗忘门的计算公式为：
[0051]ft
＝σ(wf·
[h
t-1
,x
t
] bf)
[0052]
所述输出门的计算公式为：
[0053][0054]
式中，h
t-1
和x
t
分别为t-1时刻的输出和t时刻的输入；c
t-1
和c
t
分别表示t-1和t时刻的状态；h
t
为t时刻的输出信息；sigmoid函数作为激活函数通过输出0～1之间数值来控制“遗忘”信息程度，1表示“完全保留”，0表示“完全舍弃”；wf和bf分别是遗忘门的权重参数和偏置项。
[0055]
第二方面，本技术提供一种计算机设备，其包括：处理器和存储器，所述存储器用于存储程序，所述处理器用于从存储器中调用并运行所述程序以执行第一方面所述的电离层电子含量的预报方法。
[0056]
第三方面，本技术提供一种计算机可读存储介质，其包括计算机程序，当所述计算机程序在计算机上运行时，使得所述计算机执行第一方面所述的电离层电子含量的预报方法。
[0057]
与现有技术相比，本发明具有以下优点：
[0058]
通过本技术实施例的技术方案，利用经验小波变换(ewt)算法对电离层tec原始时间序列进行预处理，充分利用了电离层总电子含量时间序列信息，通过将ewt分解得到的各个分量输入至lstm模型进行预测，并将预测结果组合重构，得到最终的tec预测值。和现有的技术相比，本发明充分考虑了电离层tec序列存在的非线性、非平稳性等特征，使用ewt算法充分挖掘了时间序列的具体细节，提高了数据预处理的质量，并结合lstm神经网络更为适合预报和处理长时间tec序列的特点，引进了lstm神经网络，为电离层tec建模提供了一种新的方法。本技术的方法在预报tec上具有更好的适用性和更高的准确性。
[0059]
上述说明仅是本发明技术方案的概述，为了能够更清楚了解本发明的技术手段，并可依照说明书的内容予以实施，以下以本发明的较佳实施例并配合附图详细说明如后。
附图说明
[0060]
图1为本技术一实施例所示的电离层电子含量的预报方法的示意性流程图；
[0061]
图2为本技术一实施例所示的利用ewt算法分解得到各个分量图；
[0062]
图3为本技术一实施例所示的采用本技术方法的预报结果和其他方法预报结果对比图。
具体实施方式
[0063]
下面结合附图和实施例，对本发明的具体实施方式作进一步详细描述。以下实施例用于说明本发明，但不用来限制本发明的范围。
[0064]
在本技术的描述中，需要理解的是，术语“第一”、“第二”等仅用于描述目的，而不能理解为指示或暗示相对重要性。在本技术的描述中，需要说明的是，除非另有明确的规定和限定，“包括”和“具有”以及它们任何变形，意图在于覆盖不排他的包含。例如包含了一系列步骤或单元的过程、方法、系统、产品或设备没有限定于已列出的步骤或单元，而是可选地还包括没有列出的步骤或单元，或可选地还包括对于这些过程、方法、产品或设备固有的其他步骤或单元。对于本领域的普通技术人员而言，可以具体情况理解上述术语在本技术中的具体含义。此外，在本技术的描述中，除非另有说明，“多个”是指两个或两个以上。“和/或”，描述关联对象的关联关系，表示可以存在三种关系，例如，a和/或b，可以表示：单独存在a，同时存在a和b，单独存在b这三种情况。字符“/”一般表示前后关联对象是一种“或”的关系。
[0065]
图1示出了本技术实施例的电离层电子含量的预报方法的流程图，如图所示，该方法包括以下步骤：
[0066]
s1、获取电离层原始电子含量tec时间序列，进行傅里叶变换后得到fourier频谱支撑区间；
[0067]
s2、基于经验小波变换ewt对所述fourier频谱支撑区间进行滤波，得到多个具有不同特征的本征模态函数分量；
[0068]
s3、构建lstm模型，将所述本征模态函数分量作为长短时记忆lstm神经网络的输入层，利用lstm神经网络对输入的数据进行训练及建模，输出相应的预测分量；
[0069]
s4、对所述预测分量进行求和重构，得到预测电离层tec值。
[0070]
其中，步骤s2中，所述基于经验小波变换ewt，在每个所述区间上构造小波滤波器组进行滤波，通过信号重构得到多个具有不同特征的本征模态函数分量包括：
[0071]
s21、将所述fourier频谱支撑区间划分为连续的区间；
[0072]
s22、基于littlewood-paley和meyer小波的构建法在所述每个所述区间上构建daitong1小波滤波器组；
[0073]
s23、通过信号重构，经ewt处理，分解信号得到所述本征模态函数分量。
[0074]
具体的，所述ewt算法包括：
[0075]
对原始vtec时间序列进行傅里叶变换，将由经过傅里叶变换得到的fourier频谱支撑区间分割成n个连续的部分，其中表示划分结果，由下式表示：
[0076]
λn＝[ω
n-1
,ωn],n＝1,2,
…
,n
ꢀꢀꢀ
(1)
[0077]
整个fourier频谱支撑区间表示为：
[0078]
[0079]
其中，ωn表示各分段的边界。
[0080]
作为示例，所述各分段的边界ωn通过以下方法进行确定：
[0081]
对于由tec序列得到的fourier频谱，首先检测fourier频谱中的局部最大值，进行降序排序，定义所述fourier频谱中找到m个局部极大值mj(j＝1,
…
,m)，且mj满足mj》m
π
α(m
1-m
π
)，定义不等式的右边为阈值，其中α对应于相对振幅比，则存在以下两种情况：
[0082]
1)当m≥n时，取前n-1个最大值；
[0083]
2)当m＜n时，保持所有检测的最大值并将n重置为适当的值；
[0084]
其中，n为大于阈值的局部最大值的个数，将所述局部最大值对应的ωn定义为每个分段的边界，再加上0和π，得到n 1个边界；
[0085]
定义一个以ωn为中心点的过渡区域tn，宽为2λn，确定好λn之后，定义经验小波为每个连续分段λn上的带通滤波器。
[0086]
具体的，步骤s22中，所述基于littlewood-paley和meyer小波的构建法在所述每个所述区间上构建daitong1小波滤波器组具体包括：
[0087]
对于n》0，经验小波函数ψn(ω)和经验尺度函数分别由以下两式表示：
[0088][0089][0090]
其中，β(x)＝x4(35-84x 70x
2-20x3)，γ∈[0,1]。
[0091]
具体的，步骤s23中，所述通过信号重构，经ewt处理，分解信号得到所述本征模态函数分量具体包括：
[0092]
定义细节系数和近似系数其中所述细节函数由经验小波函数与信号f(t)内积产生，所述近似系数由经验尺度函数与信号f(t)内积产生，两者的公式如下：
[0093][0094][0095]
其中，ψn(ω)和分别是ψn(t)和的傅里叶变换，傅里叶变换和逆变换分
别记为f[
·
]和f-1
[
·
]；
[0096]
得到信号f(t)的重构表达式：
[0097][0098]
基于上述公式，经过ewt处理，所述信号f(t)可分解得到频率由低到高的调幅-调频分量成分fk(t)(k＝1,2,3...)：
[0099][0100][0101]
具体的，步骤s3中，所述构建lstm模型，将所述本征模态函数分量作为长短时记忆lstm神经网络的输入层，利用lstm神经网络对输入的数据进行训练及建模，输出相应的预测分量具体包括：
[0102]
在对步骤s2得到的不同本征模态函数分量，依次划分为训练集和测试集，训练集和测试集为两个互斥的集合、划分方法为留出法；
[0103]
可选的，所述lstm模型包括输入层、隐藏层和输出层，其中，隐藏层有288个lstm单元。
[0104]
作为示例而非限定，所述隐藏层中的每个lstm单元有3个控制单元状态的门，分别为输入门、遗忘门和输出门，所述输出门决定当前单元值是否输出；
[0105]
其中所述输入门的计算公式为：
[0106][0107]
所述遗忘门的计算公式为：
[0108]ft
＝σ(wf·
[h
t-1
,x
t
] bf)
[0109]
所述输出门的计算公式为：
[0110][0111]
式中，h
t-1
和x
t
分别为t-1时刻的输出和t时刻的输入；c
t-1
和c
t
分别表示t-1和t时刻的状态；h
t
为t时刻的输出信息；sigmoid函数作为激活函数通过输出0～1之间数值来控制“遗忘”信息程度，1表示“完全保留”，0表示“完全舍弃”；wf和bf分别是遗忘门的权重参数和偏置项
[0112]
本技术的具体实施方式采用的是2021年30个年积日下45个igs格网点上的vtec数据，时间分辨率为2h，通过ewt对某一个igs格网点的vtec时间序列进行分解，分解得到的各个分量图如图2所示。
[0113]
通过lstm对各个分量进行预测，并重构，得到的预报值和igs参考值及其他方法得到的预报值对比图如图3所示。由图可知，在不同地磁环境条件下，本技术的方法具有较好的适用性和更高的准确性，预报模型精度有着显著提高。
[0114]
本技术实施例还提供一种计算机设备，该计算机设备包括至少一个处理器和存储器，该存储器用于存储程序，该至少一个处理器用于从存储器中调用并运行该程序以执行上述所提供的方法。
[0115]
本技术实施例还提供一种计算机可读存储介质，计算机可读存储介质存储有计算机程序，当该计算机程序在计算机设备上运行时，使得计算机设备执行上述所提供的方法。
[0116]
本技术实施例还提供一种包含计算机程序的计算机程序产品，当其在计算机设备上运行时，使得计算机设备执行上述所提供的方法。
[0117]
本技术实施例还提供一种芯片，该芯片包括处理器与数据接口，其中，处理器通过所述数据接口读取存储器上存储的指令，以执行第一方面或第一方面任意一种可能的实现方式中的方法。
[0118]
在具体实现过程中，该芯片可以为中央处理器(cpu)、微控制器(micro controller unit，mcu)、微处理器(micro processing unit，mpu)、数字信号处理器(dsp)、片上系统(system on chip，soc)、专用集成电路(asic)、现场可编程门阵列(fpga)或可编辑逻辑器件(programmable logic device，pld)的形式实现。
[0119]
可选地，在具体实现中，该处理器的个数不做限制。该处理器是通用处理器，可选地，该通用处理器能够通过硬件来实现或通过软件来实现。当通过硬件实现时，该处理器是逻辑电路、集成电路等；当通过软件来实现时，该处理器是一个通用处理器，通过读取存储器中存储的软件代码来实现，该存储器集成在处理器中，位于该处理器之外，独立存在。
[0120]
上述实施例，全部或部分地通过软件、硬件、固件或其他任意组合来实现。当使用软件实现时，上述实施例全部或部分地以计算机程序产品的形式实现。所述计算机程序产品包括一个或多个计算机指令或计算机程序。在计算机上加载或执行所述计算机指令或计算机程序时，全部或部分地产生按照本技术实施例所述的流程或功能。
[0121]
可选地，所述计算机为通用计算机、专用计算机、计算机网络、或者其他可编程装置。所述计算机指令能够存储在计算机可读存储介质中，或者从一个计算机可读存储介质向另一个计算机可读存储介质传输，例如，所述计算机指令从一个网站站点、计算机、服务器或数据中心通过有线(例如红外、无线、微波等)方式向另一个网站站点、计算机、服务器或数据中心进行传输。
[0122]
所述计算机可读存储介质是计算机能够存取的任何可用介质或者是包含一个或多个可用介质集合的服务器、数据中心等数据存储设备。所述可用介质是磁性介质(例如，软盘、硬盘、磁带)、光介质(例如，dvd)、或者半导体介质，例如固态硬盘。
[0123]
综上所述，通过本技术实施例的技术方案，利用经验小波变换(ewt)算法对电离层tec原始时间序列进行预处理，充分利用了电离层总电子含量时间序列信息，通过将ewt分解得到的各个分量输入至lstm模型进行预测，并将预测结果组合重构，得到最终的tec预测值。和现有的技术相比，本发明充分考虑了电离层tec序列存在的非线性、非平稳性等特征，使用ewt算法充分挖掘了时间序列的具体细节，提高了数据预处理的质量，并结合lstm神经网络更为适合预报和处理长时间tec序列的特点，引进了lstm神经网络，为电离层tec建模
提供了一种新的方法。本技术的方法在预报tec上具有更好的适用性和更高的准确性。
[0124]
以上所述实施例的各技术特征可以进行任意的组合，为使描述简洁，未对上述实施例中的各个技术特征所有可能的组合都进行描述，然而，只要这些技术特征的组合不存在矛盾，都应当认为是本说明书记载的范围。
[0125]
以上所述实施例仅表达了本发明的几种实施方式，其描述较为具体和详细，但并不能因此而理解为对发明专利范围的限制。应当指出的是，对于本领域的普通技术人员来说，在不脱离本发明构思的前提下，还可以做出若干变形和改进，这些都属于本发明的保护范围。因此，本发明专利的保护范围应以所附权利要求为准。