基于深度学习的电离层传播条件预测算法研究

摘要

深度学习（Deep Learning）是人工智能研究的热点领域，随着其基础理论的日趋成熟，针对各种场合的实际应用也逐渐增多。深度学习，顾名思义，就是利用带有多个隐含层结构的神经网络模型，运用海量数据所构成的训练数据集对网络进行训练，进而提取数据集的本质特征的过程。与常见的BP神经网络等浅层神经网络最大的区别就在于其网络结构中不单单只有1个隐层，深度学习正是基于深层的网络结构才拥有了强大的特征提取能力，从而能够更全面更深刻的反映数据中所蕴含的多层次信息，因此在解决分类或者预测问题时深度学习算法的准确性更好。
　　为了保证无线电通信联络或是星地之间指令传输等无线通信联系的畅通，就必须做到对电离层活动规律的掌握，因为电离层传播条件的好与坏直接影响影响到高频无线电通信的质量。电离层F2层临界频率作为电离层传播条件中最为重要的参数，一直是研究的热点。由于电离层状态变化的高度复杂性，而且传统预测算法对于foF2短时精确值的预测准确性较差，研究者们开始尝试运用人工神经网络的方法进行预测。实验结果证明了其可行性，但是在一些电离层活动异常区域的预测准确性一般，这通常是因为采用浅层神经网络时神经网络往往不能够完整的学习到大量foF2数据中所蕴含的深层次信息，对于太阳活动和地磁活动给电离层foF2所造成的影响不能完整的被浅层网络所学习，因此，尝试采用深度学习算法对foF2进行预测成了逻辑上的必然。
　　本文提出一种基于深度置信网络（Deep Belief Network，DBN）对本区域未来24h的电离层临界频率foF2进行预测的方法。首先，对选取的数据集进行处理，生成用于训练和测试的数据集，其次改进DBN网络基本单元的结构，以适应对连续型数据特征的提取与学习，再通过试凑法和PSO优化两种方式对DBN网络基本结构进行选定，最后利用训练数据集对改进后的网络进行训练，实现对foF2值的预测。与实测值相比较，采用PSO结构优化方式构建的改进DBN网络（psoDBN）具有很好的预测准确性，与BP模型、SVM模型和试凑法构建的改进DBN模型相比，psoDBN模型不但克服了浅层结构所固有的问题，而且针对连续型数据的预测同样表现出了优异性能，尤其是当预测值受到高维复杂因素影响时psoDBN模型依旧能表现出很好的预测性能。

目录

声明

第一章 绪论

1.1研究背景和意义

1.2国内外相关研究综述

1.3主要研究内容和创新点

1.4全文结构安排

第二章 foF2预测研究相关领域的基础与理论

2.1人工神经网络

2.2浅层结构和深度学习

2.3深度学习的常见模型

2.4网络训练优化算法

2.5电离层foF2预测的传统方法--国际参考电离层（IRI）

2.6本章小结

第三章 预测算法

3.1基于浅层神经网络的预测算法

3.2基于改进DBN的预测算法

3.3本章小结

第四章 实验结果与分析

4.1性能评价指标

4.2基于改进DBN网络的电离层foF2预测实验

4.3电离层foF2预测实验结果的对比

4.4本章小结

第五章 工作总结与展望

5.1工作总结

5.2展望

致谢

参考文献

攻读硕士学位期间主要研究成果