电离层延迟是精密单点定位、时间同步等相关领域的重要误差来源之一,精确预测电离层总电子含量是补偿电离层延迟的重要前提。采用长短时记忆(Long Short-Term Memory,LSTM)网络预测算法进行电离层总电子含量(Total Electron Content,TEC...电离层延迟是精密单点定位、时间同步等相关领域的重要误差来源之一,精确预测电离层总电子含量是补偿电离层延迟的重要前提。采用长短时记忆(Long Short-Term Memory,LSTM)网络预测算法进行电离层总电子含量(Total Electron Content,TEC)预测模型构建,验证不同隐藏层数、神经元个数、训练数据个数、训练次数、及数据是否预处理对电离层数据预测的影响,并最终得到电离层预测的最佳参数。结果表明,当隐藏层数为2层,第1、2层隐藏神经元个数分别为200个、300个,输入神经元168个,输出神经元12个,模型迭代次数400次时,能达到最好的预测效果,此时对18个单站点TEC预测结果的均方根误差为43.87,相比于BP神经网络算法的预测均方根误差下降了275.58,有效地提高了预测精度,可以对钟差进行有效补偿。展开更多
文摘电离层延迟是精密单点定位、时间同步等相关领域的重要误差来源之一,精确预测电离层总电子含量是补偿电离层延迟的重要前提。采用长短时记忆(Long Short-Term Memory,LSTM)网络预测算法进行电离层总电子含量(Total Electron Content,TEC)预测模型构建,验证不同隐藏层数、神经元个数、训练数据个数、训练次数、及数据是否预处理对电离层数据预测的影响,并最终得到电离层预测的最佳参数。结果表明,当隐藏层数为2层,第1、2层隐藏神经元个数分别为200个、300个,输入神经元168个,输出神经元12个,模型迭代次数400次时,能达到最好的预测效果,此时对18个单站点TEC预测结果的均方根误差为43.87,相比于BP神经网络算法的预测均方根误差下降了275.58,有效地提高了预测精度,可以对钟差进行有效补偿。
