利用粒子群算法改进Elman神经网络的中国区域电离层TEC预报

作者：汤俊; 钟正宇; 丁明飞; 吴学群

来源：武汉大学学报(信息科学版), 2023, 1-15.

• 电离层预报
• Elman神经网络
• 粒子群算法
• 电离层总电子含量

精确的电离层总电子含量（total electron content， TEC）预报，对提高GNSS导航定位精度具有重要的研究意义。本文提出一种基于粒子群优化算法（particle swarm optimization， PSO）的Elman神经网络（Elman neural network， ENN）的电离层TEC预报模型。首先，利用中国大陆构造环境监测网络（Crustal Movement Observation Network Of China， CMONOC）2018年的GNSS观测数据构建中国区域电离层模型获取区域TEC格网（regional ionospheric map， RIM）。其次，基于RIM TEC数据建立PSO-ENN模型进行预报研究。实验结果表明，磁静日和磁暴日下ENN模型和PSO-ENN模型的均方根误差（root mean square error，RMSE）均在训练集时间尺度为21 d时最低，使用PSO-ENN模型滑动预报5 d的RMSE相较ENN模型分别降低27.6%和20.5%。同时，采用CODE中心发布的全球电离层TEC格网（global ionospheric map， GIM）产品建立PSO-ENN模型对中国区域电离层TEC预报时，磁静日和磁暴日的平均RMSE均小于CODE发布的1 d预报产品(CODE′s 1-day predicted GIM， C1PG)、BP神经网络模型（back propagation neural network， BPNN）和ENN模型，说明PSO-ENN模型的预报效果优于C1PG模型、BPNN模型和ENN模型。利用RIM数据对2018年8月份TEC进行30 d滑动预报时，PSO-ENN模型的平均RMSE相较BPNN模型和ENN模型分别降低24.8%和14.3%，说明PSO-ENN模型具有较高的稳定性。

• 单位
  昆明理工大学; 华东交通大学