LSTM神经网络在太阳F 10.7 射电流量中期预报中的应用
发布时间：2021-10-10 23:04
F10.7指数作为大气密度经验模型的重要输入参量,其预报精度直接影响航天器轨道预报精度.研究发现,太阳活动表现出长时间尺度上平均11年和中短时间尺度平均27天的周期性变化特征.依据这一观测事实,基于长短期记忆单元（Long Short-term Memory,LSTM）递归神经网络方法进行F10.7指数未来27天的中期预报.利用一个连续长时段F10.7数据作为训练数据,构建LSTM神经网络训练和预测模型,分别预测太阳活动高低年未来27天的F10.7指数.结果表明,太阳活动高年的第27天F10.7指数预报平均相对误差最优可达10%以内,低年最优可达2%以内.
【文章来源】：空间科学学报. 2020,40(02)北大核心CSCD
【文章页数】：10 页
【部分图文】：
图１?ＬＳＴＭ神经网络结构??Ｆｉｇ．?１?ＬＳＴＭ?ｎｅｕｒａｌ?ｎｅｔｗｏｒｋ?ｓｔｒｕｃｔｕｒｅ??
０００次平??均时间为４〇ｍｉｎ，而采用Ａｄａｄｅｌｔａ，算法训练平均时??间为３５?ｍｉｎ．因此，基于Ａｄａｍ梯度下降算法训练稍??慢，但预报误差更小，趋近于１，综合考虑选择Ａｄａｍ??算法．当学习率为０．００１时，误差最小，因此这里学习??率设置为０．００１．当训练到１０００次时误差下降幅度??趋平，增加训练次数对提高预报精度帮助不大，因此??这里选择训练次数为１０００．??２．３训练模型构建与指数预测??预报过程包含数据选娶参数确定、神经网络预??报三个部分，具体过程如图４所示．以ｐｙｔｈｏｎ作为??模型构建语言，采用ｇｏｏｇｌｅ在２０１５年１１月研发的??第二代人工智能学习系统Ｔｅｎｓｏｒｆｌｏｗ库；根据２．２节??确定的学习率、隐藏神经元数、输入量长度参数构??建训练模型；利用２．１节选定的训练集对模型进行训??练，然后输入测试集数据完成模型测试评估．??Ｔｒａｉｎｉｎｇ?ｔｉｍｅｓ??图３不同学习率下Ａｄａｍ及Ａｄａｄｅｌｔａ梯度??下降算法训练后的误差对比??Ｆｉｇ．?３?Ｅｒｒｏｒ?ｃｏｍｐａｒｉｓｏｎ?ｏｆ?ｔｒａｉｎｉｎｇ?ｂｅｔｗｅｅｎ?Ａｄａｍ?ａｎｄ??Ａｄａｄｅｌｔａ?ｇｒａｄｉｅｎｔ?ｄｅｓｃｅｎｔ?ａｌｇｏｒｉｔｈｍ?ｗｉｔｈ??ｄｉｆｆｅｒｅｎｔ?ｌｅａｒｎｉｎｇ?ｒａｔｅｓ??３结果评估??３．１评估指标??参考ＳＷＰＣ和中科院空间环境预报中心官网上??的评估方法，选取３个评估量，分别为平均绝对误??差Ｉｍａｅ、平均相对误差Ｉｍｒｅ和均方根差Ｌｒｍｓｅ．??平均绝对误差是全部单次预报值与观测值偏差??绝对值的均值．平均绝对误差能更好地反映预报值误??差的实际情况．
■?Ｍｅａｓｕｒｅｄ??卜?ｏｒｅｃａｓｔ??１９９９??２０００??２００２??２００３??２００５??２００６??Ｄａｔｅ??１８４??为了检验本文方法对ｆ１ｑ．７指数中短期波动情??况的预测能力，随机选择１９９８，?１９９９，?２００２，?２００５年??的巧０．７数据进行测试，数据包含太阳活动低年、上升??下降年和高峰年．相关系数能够检验预报方法的??适用性和稳定性，因此利用预报结果与实测值的相关??性系数ｉ？表征此能力．图９为各年度第２７天的朽０．７??指数预报情况．其中１９９８年预报结果与实测值的相??关性系数ｉ？最高，为０．６０，该年处于太阳活动水平??上升阶段；２００５年最低，为０．４０，该年处于太阳活动??水平较低阶段．在太阳活动高年和下降年，相关性系??数ｉ？范围为０．４？０．５．因此，相对太阳活动低年，太??阳活动高年预报结果与实测值相关性更高，此时对??巧０．７指数波动的预测能力相对较强．因此，该方法??在太阳活动水平较高时具有一定适用性，能够预测出??多数的波动情况，但是指数幅度预测的准确性较差．??Ｃｈｉｎ．?Ｊ．?Ｓｐａｃｅ?Ｓｃｉ．空间科学学报?２０２０，?４０（２）??４结论??通过对Ｆ１Ｑ．７指数中期预报结果分析及与ＳＷ－??ＰＣ和文献［７］预报结果的对比分析，得出如下结论．??（１）在太阳活动尚年，Ｆｌ〇．７指数预报误差高于太??阳活动低年，未来１？２７天Ｆ１Ｑ．７指数预报误差随着??预报天数增加先升高后趋于稳定．??（２）基于ＬＳＴＭ方法能够较好地预测Ｆ１０．７指数??变化趋势，第２７天Ｆｉａ７的预报值和实测值相关系??数在１９９９年最高，达到０．６．在太阳活
【参考文献】：
期刊论文
[1]基于正则化LSTM模型的股票指数预测[J]. 任君,王建华,王传美,王建祥. 计算机应用与软件. 2018(04)
[2]基于LSTM神经网络的用电量预测[J]. 徐尧强,方乐恒,赵冬华,王凯. 电力大数据. 2017(08)
[3]基于深度学习的太阳10.7 cm射电流量日值的中期预报[J]. 王歆. 飞行器测控学报. 2017(02)
[4]太阳辐射指数F10.7的中期预报方法[J]. 汪宏波,熊建宁,赵长印. 天文学报. 2014(04)
[5]大气阻力引起卫星轨道衰减的数值模拟[J]. 尹凡,马淑英,李晶,冯定华,王西京,周云良. 地球物理学报. 2013(12)
[6]太阳10.7cm射电流量中期预报模型研究（Ⅰ）[J]. 刘四清,钟秋珍,温靖,窦贤康. 空间科学学报. 2010(01)
[7]太阳F10.7指数准27天振荡的小波分析[J]. 马瑞平,纪巧,徐寄遥. 空间科学学报. 2007(02)
[8]奇异谱分析在太阳10.7cm射电流量中期预测中的应用[J]. 钟秋珍,刘四清,何卷雄,龚建村. 空间科学学报. 2005(03)
[9]太阳10.7cm射电辐射流量预报方法初探[J]. 苗娟,刘四清,薛炳森,龚建村,王家龙. 空间科学学报. 2003(01)
[10]一种确定神经网络隐层节点数的新方法[J]. 张清良,李先明. 吉首大学学报(自然科学版). 2002(01)
本文编号：3429320
【文章来源】：空间科学学报. 2020,40(02)北大核心CSCD
【文章页数】：10 页
【部分图文】：
图１?ＬＳＴＭ神经网络结构??Ｆｉｇ．?１?ＬＳＴＭ?ｎｅｕｒａｌ?ｎｅｔｗｏｒｋ?ｓｔｒｕｃｔｕｒｅ??
０００次平??均时间为４〇ｍｉｎ，而采用Ａｄａｄｅｌｔａ，算法训练平均时??间为３５?ｍｉｎ．因此，基于Ａｄａｍ梯度下降算法训练稍??慢，但预报误差更小，趋近于１，综合考虑选择Ａｄａｍ??算法．当学习率为０．００１时，误差最小，因此这里学习??率设置为０．００１．当训练到１０００次时误差下降幅度??趋平，增加训练次数对提高预报精度帮助不大，因此??这里选择训练次数为１０００．??２．３训练模型构建与指数预测??预报过程包含数据选娶参数确定、神经网络预??报三个部分，具体过程如图４所示．以ｐｙｔｈｏｎ作为??模型构建语言，采用ｇｏｏｇｌｅ在２０１５年１１月研发的??第二代人工智能学习系统Ｔｅｎｓｏｒｆｌｏｗ库；根据２．２节??确定的学习率、隐藏神经元数、输入量长度参数构??建训练模型；利用２．１节选定的训练集对模型进行训??练，然后输入测试集数据完成模型测试评估．??Ｔｒａｉｎｉｎｇ?ｔｉｍｅｓ??图３不同学习率下Ａｄａｍ及Ａｄａｄｅｌｔａ梯度??下降算法训练后的误差对比??Ｆｉｇ．?３?Ｅｒｒｏｒ?ｃｏｍｐａｒｉｓｏｎ?ｏｆ?ｔｒａｉｎｉｎｇ?ｂｅｔｗｅｅｎ?Ａｄａｍ?ａｎｄ??Ａｄａｄｅｌｔａ?ｇｒａｄｉｅｎｔ?ｄｅｓｃｅｎｔ?ａｌｇｏｒｉｔｈｍ?ｗｉｔｈ??ｄｉｆｆｅｒｅｎｔ?ｌｅａｒｎｉｎｇ?ｒａｔｅｓ??３结果评估??３．１评估指标??参考ＳＷＰＣ和中科院空间环境预报中心官网上??的评估方法，选取３个评估量，分别为平均绝对误??差Ｉｍａｅ、平均相对误差Ｉｍｒｅ和均方根差Ｌｒｍｓｅ．??平均绝对误差是全部单次预报值与观测值偏差??绝对值的均值．平均绝对误差能更好地反映预报值误??差的实际情况．
■?Ｍｅａｓｕｒｅｄ??卜?ｏｒｅｃａｓｔ??１９９９??２０００??２００２??２００３??２００５??２００６??Ｄａｔｅ??１８４??为了检验本文方法对ｆ１ｑ．７指数中短期波动情??况的预测能力，随机选择１９９８，?１９９９，?２００２，?２００５年??的巧０．７数据进行测试，数据包含太阳活动低年、上升??下降年和高峰年．相关系数能够检验预报方法的??适用性和稳定性，因此利用预报结果与实测值的相关??性系数ｉ？表征此能力．图９为各年度第２７天的朽０．７??指数预报情况．其中１９９８年预报结果与实测值的相??关性系数ｉ？最高，为０．６０，该年处于太阳活动水平??上升阶段；２００５年最低，为０．４０，该年处于太阳活动??水平较低阶段．在太阳活动高年和下降年，相关性系??数ｉ？范围为０．４？０．５．因此，相对太阳活动低年，太??阳活动高年预报结果与实测值相关性更高，此时对??巧０．７指数波动的预测能力相对较强．因此，该方法??在太阳活动水平较高时具有一定适用性，能够预测出??多数的波动情况，但是指数幅度预测的准确性较差．??Ｃｈｉｎ．?Ｊ．?Ｓｐａｃｅ?Ｓｃｉ．空间科学学报?２０２０，?４０（２）??４结论??通过对Ｆ１Ｑ．７指数中期预报结果分析及与ＳＷ－??ＰＣ和文献［７］预报结果的对比分析，得出如下结论．??（１）在太阳活动尚年，Ｆｌ〇．７指数预报误差高于太??阳活动低年，未来１？２７天Ｆ１Ｑ．７指数预报误差随着??预报天数增加先升高后趋于稳定．??（２）基于ＬＳＴＭ方法能够较好地预测Ｆ１０．７指数??变化趋势，第２７天Ｆｉａ７的预报值和实测值相关系??数在１９９９年最高，达到０．６．在太阳活
【参考文献】：
期刊论文
[1]基于正则化LSTM模型的股票指数预测[J]. 任君,王建华,王传美,王建祥. 计算机应用与软件. 2018(04)
[2]基于LSTM神经网络的用电量预测[J]. 徐尧强,方乐恒,赵冬华,王凯. 电力大数据. 2017(08)
[3]基于深度学习的太阳10.7 cm射电流量日值的中期预报[J]. 王歆. 飞行器测控学报. 2017(02)
[4]太阳辐射指数F10.7的中期预报方法[J]. 汪宏波,熊建宁,赵长印. 天文学报. 2014(04)
[5]大气阻力引起卫星轨道衰减的数值模拟[J]. 尹凡,马淑英,李晶,冯定华,王西京,周云良. 地球物理学报. 2013(12)
[6]太阳10.7cm射电流量中期预报模型研究（Ⅰ）[J]. 刘四清,钟秋珍,温靖,窦贤康. 空间科学学报. 2010(01)
[7]太阳F10.7指数准27天振荡的小波分析[J]. 马瑞平,纪巧,徐寄遥. 空间科学学报. 2007(02)
[8]奇异谱分析在太阳10.7cm射电流量中期预测中的应用[J]. 钟秋珍,刘四清,何卷雄,龚建村. 空间科学学报. 2005(03)
[9]太阳10.7cm射电辐射流量预报方法初探[J]. 苗娟,刘四清,薛炳森,龚建村,王家龙. 空间科学学报. 2003(01)
[10]一种确定神经网络隐层节点数的新方法[J]. 张清良,李先明. 吉首大学学报(自然科学版). 2002(01)
本文编号：3429320
本文链接：https://www.wllwen.com/kejilunwen/hangkongsky/3429320.html
