组合式深度学习的电离层TEC短期预报模型OA
针对磁暴期间电离层总电子含量TEC异常扰动导致预报精度大幅降低的问题,提出基于强化学习的Q学习算法,对遗传算法优化BP神经网络模型和长短时记忆网络模型进行优化组合,进而建立了一种组合式深度学习的电离层TEC预报模型。分别利用组合模型、两个单一模型对CODE提供的中国地区TEC数据进行3 d预报。结果表明,在不同磁暴等级(强、中、弱、无)下,组合模型预报的平均相对精度分别为95.9%、95.7%、92.6%和95.3%,较两个单一模型平均提高了约6%;其中预报残差小于1 TECu的占比分别达到60%、59%、76%和98%,相比两个单一模型平均提升了约27%。
韦律权;黎峻宇;刘立龙;黄良珂;杨芸珍;魏朋志;
广西水利电力职业技术学院,广西南宁530023 桂林理工大学测绘地理信息学院,广西桂林541004 广西空间信息与测绘重点实验室,广西桂林541004桂林理工大学测绘地理信息学院,广西桂林541004 广西空间信息与测绘重点实验室,广西桂林541004桂林理工大学测绘地理信息学院,广西桂林541004
测绘与仪器
电离层Q学习遗传算法改进BP神经网络长短时记忆网络组合模型预报模型
《测绘科学技术学报》 2024 (004)
P.369-374 / 6
国家自然科学基金项目(42064002);广西科技计划项目(2020GXNSFBA297145);2024年度广西高校中青年教师科研基础能力提升项目(2024KYZD03)。
评论