基于DOA-BP神经网络的电离层TEC短期预测

作者：倪育德; 闫苗玉; 刘瑞华^*

来源：航空学报, 2023, 1-15.

• 电离层
• 总电子含量
• 澳洲野犬优化算法
• 反向传播神经网络
• 短期预测

影响全球导航卫星系统(Global Navigation Satellite System, GNSS)所需导航性能(Required Navigation Performance,RNP)的最大误差源之一是电离层延迟，该延迟与电离层总电子含量(Total Electron Content,TEC)成正比，因此TEC的准确预测直接影响到GNSS的RNP。探索性地使用2021年提出的澳洲野犬优化算法(Dingo Optimization Algorithm, DOA)优化反向传播(Back Propagation,BP)神经网络，构建DOA-BP神经网络TEC短期预测模型，以欧洲定轨中心(Centerfor Orbit Determination in Europe,CODE)提供的电离层TEC值作为数据集，训练、测试DOA-BP TEC短期预测模型，实现全球范围和中国区域不同电离层格网点处TEC值的高精度短期预测，并将预测结果分别与传统BP神经网络模型、麻雀搜索算法(Sparrow Search Algorithm, SSA)优化的BP神经网络模型(SSA-BP)预测的TEC值进行对比分析，结果表明，传统BP模型、SSA-BP模型和DOA-BP模型都具备预测全球电离层TEC分布的能力；相比传统BP模型和SSA-BP模型，DOA-BP模型的全球及中国区域电离层预测TEC分布图更接近CODE-TEC的分布图；DOA-BP模型比传统BP模型、SSA-BP模型预测的TEC值的均方根误差分别小1.3025TECU和0.7646TECU,SSA-BP和DOA-BP的TEC预测值的绝对误差小于5TECU的比例均超过90%，分别为91.92%和92.44%；传统BP、SSA-BP和DOA-BP的电离层TEC预测值与CODE-TEC值的相关系数分别为0.9414、0.9536和0.9688，表明DOA-BP的电离层TEC预测值与CODE-TEC值具有良好的相关性。因此，相较传统BP模型，DOA-BP模型的TEC预测精度明显提高，且相比其他优化模型(如SSA-BP模型)，预测的TEC精度也占一定优势，能准确反映全球不同时空下电离层TEC的变化特征，可作为电离层TEC短期预测的一种新方法。

• 单位
  中国民航大学; 自动化学院