基于深度学习递归神经网络的电离层总电子含量经验预报模型
文献类型：期刊论文
| 作者 | 袁天娇; 陈艳红; 刘四清; 龚建村 |
| 刊名 | 空间科学学报
 |
| 出版日期 | 2018 |
| 卷号 | 38期号:1页码:48-57 |
| 关键词 | 电离层暴 预报 递归神经网络 太阳风参数 |
| ISSN号 | 0254-6124 |
| 其他题名 | Prediction Model for Ionospheric Total Electron Content Based on Deep Learning Recurrent Neural Network |
| 英文摘要 | 利用行星际太阳风参数与太阳活动指数、地磁活动指数、电离层总电子含量格点化地图数据,首次基于一种能处理时间序列的深度学习递归神经网络(Recurrent Neural Network, RNN),建立提前24h的单站电离层TEC预报模型.对北京站(40°N,115°E)的预测结果显示,RNN对扰动电离层的预测误差低于反向传播神经网络(Back Propagation Neural Network, BPNN) 0.49~1.46 TECU,将太阳风参数加入预报因子模型后对电离层正暴预测准确率的提升可达16.8%. RNN对2001和2015年31个强电离层暴预报的均方根误差比BPNN低0.2 TECU,将太阳风参数加入RNN模型可使31个事件的平均预报误差降低0.36~0.47TECU.研究结果表明深度递归神经网络比BPNN更适用于电离层TEC的短期预报,且在预报因子中加入太阳风数据对电离层正暴的预报效果有明显改善. |
| 语种 | 中文 |
| CSCD记录号 | CSCD:6154934 |
| 资助机构 | 国家自然科学基金面上项目 ; 国家重点研发计划项目共同资助 |
| 源URL | [http://ir.nssc.ac.cn/handle/122/6258]  |
| 专题 | 国家空间科学中心_空间环境部 |
| 推荐引用方式 GB/T 7714 | 袁天娇,陈艳红,刘四清,等. 基于深度学习递归神经网络的电离层总电子含量经验预报模型[J]. 空间科学学报,2018,38(1):48-57. |
| APA | 袁天娇,陈艳红,刘四清,&龚建村.(2018).基于深度学习递归神经网络的电离层总电子含量经验预报模型.空间科学学报,38(1),48-57. |
| MLA | 袁天娇,et al."基于深度学习递归神经网络的电离层总电子含量经验预报模型".空间科学学报 38.1(2018):48-57. |
入库方式： OAI收割
来源：国家空间科学中心
浏览0
下载0
收藏0
其他版本
除非特别说明，本系统中所有内容都受版权保护，并保留所有权利。