《基於神經網路的區域電離層延遲改正模型研究》是依託東南大學，由胡伍生擔任項目負責人的面上項目。
基本介紹
- 中文名：基於神經網路的區域電離層延遲改正模型研究
- 項目類別：面上項目
- 項目負責人：胡伍生
- 依託單位：東南大學
中文摘要,結題摘要,
中文摘要
本項目研究的核心技術是神經網路技術，關鍵技術為基於神經網路的模型誤差補償技術。研究目標是利用模型誤差補償技術，建立高精度的區域電離層延遲改正模型和預報模型，並分析研究區域電離層的時空變化特徵。項目研究成果將為航天活動、通訊、導航和我國太空發展計畫作出積極貢獻。具體研究內容包括：（1）神經網路BP算法改進研究，改進與完善申請人創新的神經網路H-BP算法；（2）基於H-BP算法，實現模型誤差補償的神經網路模型，希望能在解決這個國際測繪難題方面取得一定突破；（3）基於CORS（連續運行參考站），實現電離層TEC（總電子含量）提取算法；（4）基於模型誤差補償技術，建立高精度的區域電離層延遲改正模型；（5）對區域電離層的時空變化特徵進行分析；（6）基於模型誤差補償技術，建立區域電離層預報模型，期望模型精度有較大提高。
結題摘要
課題組提出了基於神經網路技術的模型誤差補償新方法。課題組對BP算法提出了一些改進措施，如創新了“學習速率自動調整法”和“誤差分級疊代法”等。在此基礎上，提出了一種模型誤差補償的新方法。新方法改變了BP網路結構，改進了訓練學習方式和學習精度控制方法等。某工程實例，原模型精度為±20.7mm；經傳統補償方法（最小二乘配置補償法）補償後的模型，其精度為±19.3mm；而經新方法補償後的模型，其精度為±4.3mm，補償效果顯著，遠優於傳統補償方法。高效率的模型誤差補償技術具有非常高的學術價值，套用領域廣泛，可套用於各種建模研究，實現模型最佳化。在大數據分析和空間數據挖掘等方面具有廣闊的套用前景。該方法在解決“模型誤差補償”這個國際測繪難題方面取得了較大突破。基於神經網路的模型誤差補償技術，課題組提出了區域電離層延遲改正的融合模型。課題組以傳統的VTEC多項式模型（PLOY）為基礎，利用神經網路技術對該模型進行模型誤差補償，建立了“PLOY+BP”的融合模型。結合某工程實例，分6個時段建立電離層改正模型，比較分析了以上兩種模型的精度。相對於常規PLOY模型，“PLOY +BP”融合模型的精度能提高41％—53%（平均提高45％左右）。高精度電離層延遲改正融合模型，有益於幫助人類充分認識和掌握電離層結構與活動規律，有益於幫助提高GNSS的定位精度等；將該成果套用於北斗系統，將為提高北斗系統的精度做出積極貢獻。課題組提出了基於EOF(Empirical Orthogonal Function)分解的區域電離層VTEC 預報模型。EOF分解的核心思想是通過一種線性變換，將原始數據的信息進行簡化並可以剔除相應的冗餘信息。課題組基於EOF分解，分別建立了EOF-ARIMA 模型、EOF-BP 模型和EOF-融合模型。結果顯示：EOF-融合模型精度最高，較ARIMA 單點模型提高約46%。高精度電離層VTEC 預報模型，可為GNSS的實時精密定位提供服務；提高實時定位精度，擴大其套用領域，有重要套用價值。
