基于神经网络的区域电离层延迟改正模型研究

The method of compensating model error based on neural network is the key technology of this research program. The aim of this research program is to build the regional ionospheric delay correction model and the regional ionospheric forecast model with high accuracy based on the method of compensating model error, and to analyze the spatio-temporal variation characteristics of the ionospheric TEC (Total Electron Content). The research production will make contribution on the spaceflight activity, the communication, the navigation and the outer space development program of China. .The research contents include as follows: (1) To improve the H-BP (High efficiency BP) algorithm developed by the proposer (Dr. Wusheng HU); (2) To build the neural network model for compensating model error based on the H-BP algorithm; (3) To develop the software for calculating the ionospheric TEC based on the CORS (Continuous Operational Reference System); (4) To build the regional ionospheric delay correction model with high accuracy based on the method of compensating model error; (5) To analyze the spatio-temporal variation characteristics of the regional ionospheric TEC; (6) To build the regional ionospheric forecast model with high accuracy based on the method of compensating model error.

本项目研究的核心技术是神经网络技术，关键技术为基于神经网络的模型误差补偿技术。研究目标是利用模型误差补偿技术，建立高精度的区域电离层延迟改正模型和预报模型，并分析研究区域电离层的时空变化特征。项目研究成果将为航天活动、通讯、导航和我国太空发展计划作出积极贡献。具体研究内容包括：（1）神经网络BP算法改进研究，改进与完善申请人创新的神经网络H-BP算法；（2）基于H-BP算法，实现模型误差补偿的神经网络模型，希望能在解决这个国际测绘难题方面取得一定突破；（3）基于CORS（连续运行参考站），实现电离层TEC（总电子含量）提取算法；（4）基于模型误差补偿技术，建立高精度的区域电离层延迟改正模型；（5）对区域电离层的时空变化特征进行分析；（6）基于模型误差补偿技术，建立区域电离层预报模型，期望模型精度有较大提高。

课题组提出了基于神经网络技术的模型误差补偿新方法。课题组对BP算法提出了一些改进措施，如创新了“学习速率自动调整法”和“误差分级迭代法”等。在此基础上，提出了一种模型误差补偿的新方法。新方法改变了BP网络结构，改进了训练学习方式和学习精度控制方法等。某工程实例，原模型精度为±20.7mm；经传统补偿方法（最小二乘配置补偿法）补偿后的模型，其精度为±19.3mm；而经新方法补偿后的模型，其精度为±4.3mm，补偿效果显著，远优于传统补偿方法。高效率的模型误差补偿技术具有非常高的学术价值，应用领域广泛，可应用于各种建模研究，实现模型优化。在大数据分析和空间数据挖掘等方面具有广阔的应用前景。该方法在解决“模型误差补偿”这个国际测绘难题方面取得了较大突破。. 基于神经网络的模型误差补偿技术，课题组提出了区域电离层延迟改正的融合模型。课题组以传统的VTEC多项式模型（PLOY）为基础，利用神经网络技术对该模型进行模型误差补偿，建立了“PLOY+BP”的融合模型。结合某工程实例，分6个时段建立电离层改正模型，比较分析了以上两种模型的精度。相对于常规PLOY模型，“PLOY +BP”融合模型的精度能提高41％—53%（平均提高45％左右）。高精度电离层延迟改正融合模型，有益于帮助人类充分认识和掌握电离层结构与活动规律，有益于帮助提高GNSS的定位精度等；将该成果应用于北斗系统，将为提高北斗系统的精度做出积极贡献。. 课题组提出了基于EOF(Empirical Orthogonal Function)分解的区域电离层VTEC 预报模型。EOF分解的核心思想是通过一种线性变换，将原始数据的信息进行简化并可以剔除相应的冗余信息。课题组基于EOF分解，分别建立了EOF-ARIMA 模型、EOF-BP 模型和EOF-融合模型。结果显示：EOF-融合模型精度最高，较ARIMA 单点模型提高约46%。高精度电离层VTEC 预报模型，可为GNSS的实时精密定位提供服务；提高实时定位精度，扩大其应用领域，有重要应用价值。