基于深度學習的電離層傳播條件預測算法研究.pdf

1、深度學習（Deep Learning）是人工智能研究的熱點領域，隨著其基礎理論的日趨成熟，針對各種場合的實際應用也逐漸增多。深度學習，顧名思義，就是利用帶有多個隱含層結構的神經網絡模型，運用海量數據所構成的訓練數據集對網絡進行訓練，進而提取數據集的本質特征的過程。與常見的BP神經網絡等淺層神經網絡最大的區(qū)別就在于其網絡結構中不單單只有1個隱層，深度學習正是基于深層的網絡結構才擁有了強大的特征提取能力，從而能夠更全面更深刻的反映數據中所蘊

2、含的多層次信息，因此在解決分類或者預測問題時深度學習算法的準確性更好。
　　為了保證無線電通信聯絡或是星地之間指令傳輸等無線通信聯系的暢通，就必須做到對電離層活動規(guī)律的掌握，因為電離層傳播條件的好與壞直接影響影響到高頻無線電通信的質量。電離層F2層臨界頻率作為電離層傳播條件中最為重要的參數，一直是研究的熱點。由于電離層狀態(tài)變化的高度復雜性，而且傳統(tǒng)預測算法對于foF2短時精確值的預測準確性較差，研究者們開始嘗試運用人工神經網絡的方

3、法進行預測。實驗結果證明了其可行性，但是在一些電離層活動異常區(qū)域的預測準確性一般，這通常是因為采用淺層神經網絡時神經網絡往往不能夠完整的學習到大量foF2數據中所蘊含的深層次信息，對于太陽活動和地磁活動給電離層foF2所造成的影響不能完整的被淺層網絡所學習，因此，嘗試采用深度學習算法對foF2進行預測成了邏輯上的必然。
　　本文提出一種基于深度置信網絡（Deep Belief Network，DBN）對本區(qū)域未來24h的電離層臨界

4、頻率foF2進行預測的方法。首先，對選取的數據集進行處理，生成用于訓練和測試的數據集，其次改進DBN網絡基本單元的結構，以適應對連續(xù)型數據特征的提取與學習，再通過試湊法和PSO優(yōu)化兩種方式對DBN網絡基本結構進行選定，最后利用訓練數據集對改進后的網絡進行訓練，實現對foF2值的預測。與實測值相比較，采用PSO結構優(yōu)化方式構建的改進DBN網絡（psoDBN）具有很好的預測準確性，與BP模型、SVM模型和試湊法構建的改進DBN模型相比，ps