Прогнозирование динамики глобального распределения ионизации с использованием нейрокомьютинга и метода главных компонент

Глобальные спутниковые радионавигационные системы являются одним из видов радиоэлектронных систем, качество функционирования которых зависит от состояния ионосферы. Основной причиной возникновения дополнительной погрешности координатных определений являются фазовое опережение и групповое запаздывание сигналов навигационных систем в ионосфере. Их величина пропорциональна полному электронному содержанию (ПЭС) вдоль траектории распространения радиоволн. ПЭС представляет собой количество электронов в столбе единичного сечения вдоль некоторого луча. Вариации ПЭС отражают поведение локальной электронной концентрации в ионосфере и могут служить индикатором состояния ионосферной плазмы. Повышение эффективности применения радионавигационных систем, а также качества их функционирования, требует достоверных и оперативных знаний о пространственном распределении ПЭС над различными точками региона.

При работе навигационных систем GPS, для компенсации ионосферных ошибок, в настоящее время используется ряд прогностических моделей. Упомянутые модели достаточно хорошо описывают регулярную составляющую ионосферы, но встречают значительные трудности при описании ионосферных неоднородностей.

В данной работе представлена прогностическая модель глобального распределения ПЭС. Динамика глобального распределения ионизации анализировалась с использованием глобальных карт GIM (Global Ionospheric Maps) лаборатории JPL (Jet Propulsion Laboratory, USA) за 2003-1010 гг. Учет региональных особенностей пространственного распределения ПЭС при построении прогностической модели производился с использованием анализа главных компонент. Учет доминирующих периодичностей и взаимного расположения узлов сетки позволил существенно улучшить пространственное и временное разделение первых компонент разложения.

Прогностическая модель глобального распределения ПЭС была построена отдельно для временных амплитуд каждой пространственной моды разложения. Для прогнозирования были использованы искусственные нейронные сети прямого распространения с начальной инициализацией весов на основе коэффициентов линейной регрессии. Такой подход позволил с хорошей точностью решить задачу краткосрочного прогнозирования глобального распределения ПЭС. Ошибка предсказания на 6 часов вперед для дневного времени составила 7%, ошибка предсказания на 24 часа - 16%.