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

最新公告

新网站上线!

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. 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. doi: 10.12265/j.gnss.2020091401
GAO Qingwen, ZHAO Guochen. Forecast models of ionospheric TEC by CEEMD and GRNN Neural[J]. GNSS World of China. doi: 10.12265/j.gnss.2020091401
Citation: GAO Qingwen, ZHAO Guochen. Forecast models of ionospheric TEC by CEEMD and GRNN Neural[J]. GNSS World of China. 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

Forecast models of ionospheric TEC by CEEMD and GRNN Neural

  • 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,均方根误差(RMSE)最优可达到1.21,平均绝对误差(MAE)最优为0.97,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  年积日132—138TEC预测对比

    图  5  不同模型预测残差

    图  6  不同模型预测对比

    表  1  不同模型预测精度对比统计表

    年积日模型评价标准
    (5°N,115°E)(5°N,125°E)
    MAE/TECURMSE/TECUMAE/TECURMSE/TECU
    236 GRNN 3.65 3.93 3.49 3.76
    EMD-GRNN 3.02 3.32 2.93 3.21
    CEEMD-GRNN 2.62 2.84 1.62 1.78
    237 GRNN 1.58 1.87 2.39 2.56
    EMD-GRNN 1.32 1.46 1.98 2.25
    CEEMD-GRNN 0.97 1.21 1.61 1.77
    238 GRNN 3.13 3.36 3.07 3.29
    EMD-GRNN 1.92 2.08 2.82 3.03
    CEEMD-GRNN 1.54 1.66 2.55 2.65
    239 GRNN 3.57 3.63 1.94 2.33
    EMD-GRNN 2.31 2.42 1.85 1.96
    CEEMD-GRNN 1.93 2.06 1.49 1.68
    240 GRNN 2.68 2.76 3.14 3.49
    EMD-GRNN 1.95 2.12 2.99 3.37
    CEEMD-GRNN 1.69 1.97 2.16 2.54
    241 GRNN 4.51 4.81 4.28 4.48
    EMD-GRNN 3.25 3.41 2.06 2.24
    CEEMD-GRNN 1.62 1.76 1.62 1.76
    242 GRNN 2.39 2.61 4.19 4.48
    EMD-GRNN 2.12 2.43 3.01 3.31
    CEEMD-GRNN 1.64 1.87 1.61 1.85
    下载: 导出CSV

    表  2  中纬度不同模型预测精度评价

    年积日模型评价标准
    (40°N,115°E)(40°N,125°E)
    MAE/TECURMSE/TECUMAE/TECURMSE/TECU
    239 GRNN 3.39 3.47 2.76 2.71
    EMD-GRNN 2.24 2.31 2.23 2.39
    CEEMD-GRNN 2.15 2.21 1.74 2.17
    下载: 导出CSV

    表  3  高纬度不同模型预测精度评价

    年积日模型评价标准
    (75°N,115°E)(75°N,125°E)
    MAE/TECURMSE/TECUMAE/TECURMSE/TECU
    242 GRNN 2.20 2.14 2.31 2.28
    EMD-GRNN 1.73 1.86 1.68 1.92
    CEEMD-GRNN 1.28 1.31 1.43 1.56
    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] 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.
    [14] 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.
    [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(3)
计量
  • 文章访问数:  37
  • HTML全文浏览量:  27
  • PDF下载量:  0
  • 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