一种基于深度学习框架的全球电离层总电子含量预测方法

摘要

本发明涉及一种基于深度学习框架的全球电离层总电子含量预测方法，首先根据在地磁扰动时的不同响应特性对全球总电子含量进行格网分区，在此基础上采用LSTM框架构建深度学习的预测模型，然后根据全球总电子含量的周期变化特性来设定训练样本长度和训练次数，获得预训练模型。结合不同的太阳活动及地磁活动环境对训练样本长度和训练次数进行分析，以获得最优训练模型。最后利用训练模型实现未来全球电离层总电子含量的预测，使得预测误差在期望范围之内。本发明可对全球不同区域的电离层总电子含量开展有效预测，以实现全球电离层总电子含量的预报，为空间天气预报和卫星导航电离层误差修正等相关应用提供较好的技术支撑。