基于BP神经网络模型电离层的预测-毕业论文网

基于BP神经网络的电离层TEC预测

刁嫒丽

摘要：电离层总电子含量（TEC）是电离层的一个特征参数。本文利用BP神经网络对电离层TEC做了不同步长的预测，实际预报中，为了减小实施预测难度，本文中选取了电离层TEC实时观测得到的真实数据作为输入值，利用GPS处理方法获得的TEC数据预测了北京站2004年的电离层数据，并对方法进行了评估。实验结果表明：BP神经网络对电离层的预报有着较好的预测精度，且简单易于操作。

关键词：BP神经网络数据归一化电离层总电子含量（TEC）电离层的预测

引言

由于上部太阳风、地球磁场的以及下部中层大气对电离层的运动产生的影响，从而才会产生每天昼夜交替、四季轮回以及太阳的周期活动变化之外，还会产生极其明显的每日变化和暴时变化。作为电离层的最为重要的特征参数即电离层的总电子含量（TEC），极大地影响需要穿过电离层来传播的无线信号，从而影响了人们日常生活的正常通讯功能。而且电离层也会引起一些传播效应，和电离层的TEC值有函数正比关系，例如测角、测距误差、俯角延时误差等。同时，电离层电子总含量值也会对GPS定位系统的精确性产生较为明显的不良影响。因此，本文中将研究基于BP神经网络对电离层TEC值的预测来有效地环节因此对通过无线电讯号传播来工作的功能的误差，提高精确度。

现阶段国内外许多专家学者不仅对电离层TEC临界频率做出许多研究报告，还提出了一些对于电离层的预测办法，主要有等效磁角法、KRIGING插值法、持续法、电离层同化模型、人工神经网络法、空间相关法、支持向量机法等效太阳黑子法等。以上方法通常都是采用历史时刻的数据来建立电离层预测模型，从而忽略了其他气象因素。由于BP神经网络当拥有充沛的隐含层和隐节点前提条件，可以轻而易举地以高精度的结果预测出非线性映射关系下的电离层电子总含量，并且BP神经网络具有极其强大自学能力，它可以在有监督的条件下自己独立完成对非线性数据的精准预测，因此本文将重点研究在基于BP神经网络的电离层TEC值预测。

人工神经网络（简写ANN），也称之为神经网络人工神经网络就是人工地去模仿人类大脑处理信息时的过程，构造出相似的处理信息的机制。通过运用适当的数学算法，在此基础上，模仿人类大脑处理和解决信息的过程，进行分布式并行信息处理算法的数学模型。大范围的并行性和超强的容差力是它最大的特点。除此之外人工神经网络还具备强大的自学能力，自我监督，自我学习不需要外界力的干涉；强大适应能力，在任何数据环境中都可以预测出结果；强大的自我组织能力等优异的功能特点。这种网络通过系统算法的庞大且错综复杂的结构，不停地在一定的规则的指导下调整神经网络内部各个神经元节点彼此之间的连接权值，以便完成处理信息，对数据进行预测的最后目的。

神经元网络是机器学习学科中的一个不可或缺组成部分。站在思维学的角度来看，人类大脑的思维方式分为抽象思维（逻辑思维）、形象思维（直观思维）和灵感思维（顿悟思维）三种基本方式。逻辑性的思维是指人类思考时会根据逻辑规则进行思考问题，研究和推理，它先将信息通过一定的方式转换为概念形式，并用符号的形式来表现出来，其次，运用符号运算规则根据约定串行模式在不同的思维模式下进行逻辑推理出结果；而人工神经网络即是将这种思考的过程通过用一段指令算法让计算机去完成对信息的处理。而直观性思维则是经现在所有的信息收集储存起来，直接产生想法或结果。这种思维方式与其他思维方式的不同点是将信息存储在神经元的网络上；在神经元之间的作用下，信息在动态调整下将信息处理好，不断地改变神经元之间的参数值，直到得到期望输出。

人工神经网络不仅可以对非线性数据进行信息处理，并且还改变了传统方法下的对数据的预测的人工智能方式如模式识别、非结构化信息处理、指纹、语音识别等存在的不足与缺陷问题，增加其特有的优势优点，在这种优势的引导下其在神经网络系统、智能控制、模式识别预测等领域都能得到成功应用。有效地弥补了传统方式的不足之处，有效地将预期的信息结果输出，得到我们想要的数据，开辟了人工神经网络的理论应用于实践的崭新方式。神经计算机的研究与发展非常之快，设计师开发的新型产品进入大众消费市场，得到人们的广泛关注与运用。

BP(Back Propagation)神经网路是一种人工运算模型，含有大量的节点也就是下面所说的神经元之间通过不同的方式相互组织连接，形成一个完整的网路。在最开始，BP神经网络是由Rumelhart和McClelland联合提出的——BP网络的误差反向后传补偿式模型。在BP神经网络按误差逆传播算法，不断训练修正权值最终得到预测结果的多层崩溃网络。BP神经网络是一种可以自主学习并可以将输入数据和输出数据按模式映射关系模型大量的存储起来。目前，BP神经网络在许多邻域得到了最广泛运用。我们也称BP神经网络是一个有监督的学习网络，其自主学习的方式是通过使用梯度下降法来反向传播每次实验的误差，在每次的正确的监督下不停地修改神经网络各个连接层之间的权值和阈值，知道得到最小均方误差。BP神经网络模型分为输入层（input）、隐含层（hide layer）和输出层（output layer）三层网络构成。

本文将BP网络用于电离层TEC预报，内容安排如下：第二部分介绍BP算法的基本原理；第三部分将BP算法运用于TEC预报；最后是结束语。

BP算法基本原理

2.1神经元模型

我们知道人类大脑是由1012亿个独立的单个神经元相互连接作用组成的一个复杂的神经网络，其中人类大脑的神经元就是大脑处理外界传输进来的信息的基本组成单位，其基本组织结构如图所示。生物神经元是多输入，单输出的，而人工神经元模型（Neuron Model）的特点也是多输入、单输出，并且带偏置。人工神经元即是模拟了人类大脑神经元处理信息的过程，来处理外界输入的信息。