本技术介绍了一种创新的电离层参数预测方法及其装置,该技术利用序列补全策略对历史电离层数据进行信号分解,以提高预测准确性。
背景技术
短波通信主要依靠电离层反射来实现无中继远程通信,具有网络开设简单、顽存性强等特点,在某些特殊应用场景如沙漠、海洋、丛林中,此时卫星、微波等通信保障手段无法发挥作用,短波通信可作为保底和应急通信手段,在缺乏通信基础设施的条件下完成通联,因而短波通信被广泛应用于军事通信、民航、海运、气象、紧急救援等领域。
然而短波通信也存在着一些缺点,体现在选频困难、通信容量小、用户数量多造成拥挤、可供使用的频段较窄等方面,直接导致短波通信效能的发挥受到制约。电离层受到太阳和地磁活动等多种因素的影响,其变化规律往往呈现出难以表征的非线性变化规律。为进行更为准确的预测,需要具有更强拟合能力的预测方法。当前深度学习结合分解的短波通信电离层预测方法存在以下不足:
1.缺乏对电离层参数变化特征的挖掘:当前电离层参数变化中存在着长期与短期规律等不同时间尺度的变化规律,而当前的神经网络处理方法缺乏对上述不同变化特征的深度挖掘。
2.可解释性不足:当前电离层参数预测方法广泛应用深度学习方法作为特征提取方法,而相应的方法却缺乏对这些方法提升短波通信电离层参数预测方法效果提升的可靠解释。
3.对分解方法中出现的信号损失问题缺乏研究,现存的深度学习结合分解方法对电离层参数进行预测的技术路线忽略了分解方法中存在的信号损失问题,于是导致分解方法无法达到理想的效果。
实现思路