留言板

尊敬的读者、作者、审稿人, 关于本刊的投稿、审稿、编辑和出版的任何问题, 您可以本页添加留言。我们将尽快给您答复。谢谢您的支持!

姓名
邮箱
手机号码
标题
留言内容
验证码

全球定位系统

CEEMD与GRNN神经网络电离层TEC预报模型

高清文 赵国忱

高清文, 赵国忱. CEEMD与GRNN神经网络电离层TEC预报模型[J]. 全球定位系统, 2021, 46(4): 76-84. doi: 10.12265/j.gnss.2020091401
引用本文: 高清文, 赵国忱. CEEMD与GRNN神经网络电离层TEC预报模型[J]. 全球定位系统, 2021, 46(4): 76-84. doi: 10.12265/j.gnss.2020091401
GAO Qingwen, ZHAO Guochen. Ionospheric TEC forecast model of based on CEEMD and GRNN[J]. GNSS World of China, 2021, 46(4): 76-84. doi: 10.12265/j.gnss.2020091401
Citation: GAO Qingwen, ZHAO Guochen. Ionospheric TEC forecast model of based on CEEMD and GRNN[J]. GNSS World of China, 2021, 46(4): 76-84. doi: 10.12265/j.gnss.2020091401

CEEMD与GRNN神经网络电离层TEC预报模型

doi: 10.12265/j.gnss.2020091401
详细信息
    作者简介:

    高清文:(1994—),男,硕士研究生,主要研究方向为大地测量地与理信息系统

    赵国忱:(1962—),男,博士,教授,主要从事测绘工程、变形监测预报、数字化测图技术教学与研究

    通讯作者:

    赵国忱 E-mail:zgc_021260@163.com

  • 中图分类号: P228.4

Ionospheric TEC forecast model of based on CEEMD and GRNN

  • 摘要: 针对电离层电子总含量(TEC)存在非线性、非平稳,由多因素影响导致高噪声的问题,建立了补充集合经验模态分解(CEEMD)和广义回归神经网络(GRNN)模型相结合的CEEMD-GRNN电离层TEC预报模型. 以解决直接使用原始数据进行预测会导致拟合效果差、预测精度低的问题. 采用国际GNSS服务(IGS)中心提供的2019年电离层数据对高、中、低纬度磁暴和非磁暴的不同年积日数据进行实验,低纬处均方根误差(RMSE)最优可达到0.97 TECU,相对精度为91.28,验证了CEEMD-GRNN预报模型精度高于EMD-GRNN以及单一的GRNN模型.

     

  • 图  1  GRNN神经网络结构

    图  2  CEEMD-GRNN预报模型

    图  3  TEC时间序列CEEMD分解

    图  4  不同模型预测对比

    图  5  不同模型预测残差

    图  6  EMD分解模态混叠

    表  1  不同模型预测精度统计表

    纬度/(°)模型评价标准
    MAE/TECURMSE/TECUP
    (5°N,120°E)GRNN、EMD-GRNN、CEEMD-GRNN1.68、1.31、0.972.22、1.85、1.3089.46、90.75、91.28
    (5°N,120°E)GRNN、EMD-GRNN、CEEMD-GRNN2.27、1.86、1.682.89、2.77、2.3184.78、88.54、89.46
    (30°N,120°E)GRNN、EMD-GRNN、CEEMD-GRNN1.47、1.56、1.022.05、1.96、1.3689.72、86.24、92.76
    (30°N,120°E)GRNN、EMD-GRNN、CEEMD-GRNN1.38、1.86、1.312.07、2.52、2.0289.92、85.77、91.30
    (75°N,120°E)GRNN、EMD-GRNN、CEEMD-GRNN0.86、0.62、0.521.01、0.75、0.6548.88、59.16、66.78
    (75°N,125°E)GRNN、EMD-GRNN、CEEMD-GRNN0.87、0.75、0.511.02、0.93、0.6442.88、54.23、66.36
    下载: 导出CSV

    表  2  80—84不同模型预测精度统计表

    年积日模型(5°N,120°E)
    MAE/TECURMSE/TECUP
    GRNN2.422.0489.07
    80EMD-GRNN0.950.8492.74
    CEEMD-GRNN0.910.7485.87
    GRNN0.850.6594.96
    81EMD-GRNN0.700.5596.36
    CEEMD-GRNN0.590.4398.83
    GRNN1.371.1093.77
    82EMD-GRNN1.451.0692.17
    CEEMD-GRNN1.261.2598.19
    GRNN3.162.7282.77
    83EMD-GRNN1.301.1191.79
    CEEMD-GRNN1.371.0998.72
    GRNN2.471.8986.72
    84EMD-GRNN3.472.8980.71
    CEEMD-GRNN1.951.5798.50
    下载: 导出CSV

    表  3  269—273不同模型预测精度统计表

    年积日模型(5°N,120°E)
    MAE/TECURMSE/TECUP
    GRNN0.870.7693.90
    269EMD-GRNN1.431.1089.78
    CEEMD-GRNN1.110.8080.61
    GRNN1.851.4689.15
    270EMD-GRNN1.691.2489.94
    CEEMD-GRNN1.471.2396.20
    GRNN3.363.0777.98
    271EMD-GRNN3.432.3286.68
    CEEMD-GRNN2.612.0296.42
    GRNN3.813.1581.01
    272EMD-GRNN2.781.9089.75
    CEEMD-GRNN2.712.1997.29
    GRNN3.462.9281.86
    273EMD-GRNN3.772.7386.54
    CEEMD-GRNN3.032.1997.86
    下载: 导出CSV

    表  4  低纬度预测残差绝对值百分比 %

    年积日模型残差绝对值
    残差<11<残差<22<残差<3残差>3
    GRNN43.318.413.325.0
    80—84EMD-GRNN53.328.310.97.5
    CEEMD-GRNN58.328.310.03.4
    GRNN33.319.215.831.7
    269—273EMD-GRNN50.020.010.020.0
    CEEMD-GRNN46.723.310.819.1
    下载: 导出CSV
  • [1] 周仁宇, 胡志刚, 苏牡丹,等. 北斗全球系统广播电离层模型性能初步评估[J]. 武汉大学学报(信息科学版), 2019, 44(10): 1457-1464.
    [2] 邓忠新. 电离层TEC暴及其预报方法研究[D]. 武汉: 武汉大学, 2012.
    [3] 陈军, 李建文, 李作虎. ARIMA模型在电离层TEC预报中的应用[J]. 测绘工程, 2010, 19(1): 39-41.
    [4] 张小红, 任晓东, 吴风波, 等. 自回归移动平均模型的电离层总电子含量短期预报[J]. 测绘学报, 2014, 43(2): 118-124.
    [5] 孙茂存, 李俊锋, 李飞, 等. 基于BP人工神经网络的震前电离层VTEC异常扰动研究[J]. 测绘通报, 2015(6): 16-19.
    [6] 任成冕, 熊晶. 利用BP神经网络探测2012年印尼8.6级地震前的电离层异常扰动[J]. 大地测量与地球动力学, 2012, 32(增刊): 28-31.
    [7] 刘先冬, 宋力杰, 杨晓晖, 等. 基于小波神经网络的电离层TEC短期预报[J]. 海洋测绘, 2010, 30(5): 49-51, 55.
    [8] 汤俊, 姚宜斌, 陈鹏, 等. 利用EMD方法改进电离层TEC预报模型[J]. 武汉大学学报(信息科学版), 2013, 38(4): 408-411, 444.
    [9] 吉长东, 王强, 王贵朋, 等. 深度学习LSTM模型的电离层总电子含量预报[J]. 导航定位学报, 2019, 7(3): 76-81.
    [10] 范国清, 王威, 郗晓宁. 基于广义回归神经网络的电离层VTEC建模[J]. 测绘学报, 2010, 39(1): 16-21.
    [11] 鄢高韩, 杨午阳, 杨庆, 等. CEEMD高分辨率时频分析方法研究与应用[J]. 地球物理学进展, 2016, 31(4): 1709-1715. DOI: 10.6038/pg20160440
    [12] 赵迎, 乐友喜, 黄健良, 等. CEEMD与小波变换联合去噪方法研究[J]. 地球物理学进展, 2015, 30(6): 2870-2877. DOI: 10.6038/pg20150655
    [13] HUANG N E, SHEN Z, LONG S R, et al. The empirical mode decomposition and the Hilbert spectrum for nonlinear and non-stationary time series analysis[J]. Proceedings mathematical physical and engineering sciences, 1998, 454(1971): 903-995. DOI: 10.1098/rspa.1998.0193
    [14] CHENG J S, YU D J, YANG Y. Research on the intrinsic mode function (IMF) criterion in EMD method[J]. Mechanical systems and signal processing, 2006, 20(4): 817-824. DOI: 10.1016/j.ymssp.2005.09.011
    [15] WU Z H, HUANG N E. Ensemble empirical mode decompposition: a noise-assisyed data analysis method[J]. Advances in adaptive data analysis, 2009, 1(1): 1-41. DOI: 10.1142/S1793536909000047
    [16] YEH J R, SHIEH J S, HUANG N E. Complementary ensemble empirical mode decomposition: a novel nosie enhanced data analysis method[J]. Advances in adaptive data analysis, 2010, 2(2): 135-156. DOI: 10.1142/S1793536910000422
    [17] 杨洪军, 徐娟娟, 刘杰. 基于VMD和GRNN的混沌时间序列预测[J]. 计算机仿真, 2019, 36(3): 448-452.
    [18] SPECHT D F. A general regression neural network[J]. IEEE transactions on neural networks, 1991, 2(6): 568-576. DOI: 10.1109/72.97934
    [19] 姚宜斌, 张顺, 孔建. 2011年电离层和太阳活动指数的准21.5天振荡分析[J]. 测绘学报, 2017, 46(1): 9-15. DOI: 10.11947/j.AGCS.2017.20160067
  • 加载中
图(6) / 表(4)
计量
  • 文章访问数:  264
  • HTML全文浏览量:  347
  • PDF下载量:  26
  • 被引次数: 0
出版历程
  • 收稿日期:  2020-09-14
  • 网络出版日期:  2021-04-23

目录

    /

    返回文章
    返回