Развитие методов прогнозирования и анализа динамики ионосферных параметров с использованием искусственных нейронных сетей

• Автор: Масленникова, Юлия Сергеевна
• Шифр специальности: 01.04.03
• Научная степень: Кандидатская
• Год защиты: 2013
• Место защиты: Казань
• Количество страниц: 137 с. : ил.

СОДЕРЖАНИЕ
ВВЕДЕНИЕ
ГЛАВА 1. ОБЗОР МЕТОДОВ АНАЛИЗА И ПРОГНОЗИРОВАНИЯ ДИНАМИКИ ИОНОСФЕРНЫХ ПАРАМЕТРОВ
1.1 Общие сведения об ионосфере и её параметрах
1.1.1 Структура ионосферы
1.1.2 Методы исследования ионосферы
1.1.3 Полное электронное содержание ионосферы
1.1.4. Эмпирический и детерминированный подходы к прогнозированию ионосферы
1.2 Искусственные нейронные сети
1.2.1. Теоретические основы прогнозирования временных рядов
1.2.2. Архитектура и классификация искусственных нейронных сетей (ИНС)
1.2.3. Вычислительные возможности ИНС
1.2.4. Методы обучения и начальной инициализации ИНС
1.2.5.Модель линейной авторегрессии, как пример линейной ИНС..
1.3 Модели и методы прогнозирования временной динамики критических частот и полного электронного содержания с использованием ИНС
1.3.1. Прогнозирование временной динамики критических частот
1.3.2. Прогнозирование временной динамики ПЭС
1.4 Анализа пространственно-временных особенностей динамики ПЭС на основе метода главных компонент
1.4.1 Обзор методов многомерного анализа геофизических данных
1.4.2. Классический подход к анализу главных компонент
1.5 Выводы к главе 1. Постановка задачи
ГЛАВА 2. МЕТОДЫ ПОВЫШЕНИЯ ЭФФЕКТИВНОСТИ ОБУЧЕНИЯ ИСКУССТВЕННЫХ НЕЙРОННЫХ СЕТЕЙ ДЛЯ ЗАДАЧ ПРОГНОЗИРОВАНИЯ ВРЕМЕННЫХ РЯДОВ
2.1 Развитие алгоритмов начальной инициализации ИНС
2.1.1 Алгоритм начальной инициализации ИНС на основе коэффициентов линейного предсказания
2.1.2 Усовершенствованный метод начальной инициализации ИНС
2.1.3 Проверка эффективности алгоритмов инициализации ИНС на моделях детерминированных хаотических систем
2.2 Алгоритм последовательного дообучения ИНС, основанный на анализе главных компонент
2.2.1 Использование метода главных компонент для ускорения поиска глобального минимума функционала ошибки при обучении
2.2.2 Использование порядковых статистик для модифицирования обучающей выборки в задачах долгосрочного прогнозирования
2.3 Использование алгоритма последовательного дообучения ИНС для прогнозирования временных рядов
2.3.1. Обзор методов прогнозирования динамики числа солнечных пятен
2.3.2. Долгосрочное прогнозирование динамики ряда числа солнечных пятен
2.3.3. Краткосрочное прогнозирование динамики ПЭС над окрестностью города Казани
2.4 Выводы к главе
ГЛАВА 3. АНАЛИЗ ДИНАМИКИ СЛУЧАЙНЫХ ПОЛЕЙ ПОЛНОГО ЭЛЕКТРОННОГО СОДЕРЖАНИЯ
3.1 Глобальные карты Полного Электронного Содержания (ПЭС)
3.2 Снятие ограничений метода главных компонент при анализе глобальных карт ПЭС
3.2.1. Учет системы координат и способов центрирования данных
3.2.1. Сопоставление результатов разложения глобальных карт ПЭС при использовании различных систем координат и методов центрирования
3.3 Анализ результатов разложения глобальных карт ПЭС по главным компонентам
3.3.1. Анализ пространственного распределения вариаций ПЭС
3.3.2. Анализ временных вариаций ПЭС
3.4 Выводы к главе
ГЛАВА 4. КОМПЬЮТЕРНАЯ НЕЙРОСЕТЕВАЯ МОДЕЛЬ ДЛЯ КРАТКОСРОЧНОГО ПРОГНОЗА ГЛОБАЛЬНОЙ ДИНАМИКИ ПОЛЕЙ ПОЛНОГО ЭЛЕКТРОННОГО СОДЕРЖАНИЯ
4.1 ИНС-модель для прогнозирования глобальной динамики ПЭС с использованием метода главных компонент
4.2 Результаты краткосрочного прогнозирования динамики ПЭС с использованием ИНС и метода главных компонент
4.3 Выводы к главе
-ЗАКЛЮЧЕНИЕ
БЛАГОДАРНОСТЬ
СПИСОК ИСПОЛЬЗОВАННЫХ ИСТОЧНИКОВ И ЛИТЕРАТУРЫ
СПИСОК СОКРАЩЕНИЙ
ВВЕДЕНИЕ Актуальность работы
Исследование и прогнозирование динамики ионосферных параметров является актуальной задачей современной радиофизики. Состояние ионосферы и наличие в ней ионосферных возмущений в значительной степени определяет режимы прохождения электромагнитных волн в широком диапазоне частот и, как следствие, влияет на функционирование различных радиотехнических устройств. Например, для глобальных спутниковых систем радионавигации ионосфера является источником существенных погрешностей, препятствующих достижению потенциально возможных показателей точности позиционирования.
Распространение радиоволн в ионосферной плазме зависит, как от локальной концентрации электронов, так и от полного электронного содержания (ПЭС) электронов вдоль траектории распространения радиоволны. Главной причиной возникновения дополнительной погрешности координатных определений является фазовое опережение и групповое запаздывание сигналов навигационных спутников, величина которого пропорциональна ПЭС вдоль траектории распространения радиоволн. Повышение эффективности и качества функционирования спутниковых систем радионавигации требует наличия достоверной и оперативной информации о величине ПЭС над различными точками земного шара. Наиболее приемлемым с практической точки зрения способом, позволяющим обеспечить потребителей информацией о пространственно-временном распределении ПЭС, представляется моделирование, основанное на эмпирических моделях.
Существующие эмпирические модели ПЭС обеспечивают достаточную точность прогнозирования глобального распределения величин ПЭС в спокойных магнитных условиях. Однако спонтанные всплески магнитной
процесс можно представить себе как поиск минимума функции ошибки Е(ч?), зависящей от набора всех синаптических весов сети ч> (см. рис. 1.2.4) [26].
Рис. 1.2.4. Обучение сети как задача оптимизации
В основе известных алгоритмов обучения нейросетей лежит метод градиентной оптимизации - итерационное изменение синаптических весов, постепенно понижающее ошибку обработки нейросетью обучающих примеров. Причем изменения весов происходят с учетом локального градиента функции ошибки. Эффективным методом нахождения этого градиента является так называемый алгоритм обратного распространения ошибки (error back-propagation)[27]. Разницы между желаемыми и фактическими ответами нейросети, определяемые на выходном слое нейронов, распространяются по сети навстречу потоку сигналов. В итоге каждый нейрон способен определить вклад каждого своего веса в суммарную ошибку сети простым умножением невязки этого нейрона на значение соответствующего входа. Простейшее правило обучения соответствует методу наискорейшего спуска - изменения синаптических весов пропорциональны их (весов) вкладу в общую ошибку.
Итак, базовой идеей большинства алгоритмов обучения является учет локального градиента в пространстве конфигураций для выбора траектории быстрейшего спуска по функции ошибки. Функция ошибки, однако, может иметь множество локальных минимумов, представляющих субоптимальные решения (см. рис. 1.2.4). Поэтому градиентные методы обычно дополняются