[发明专利]基于深度学习的三维电离层电子浓度分布模型训练方法

权利要求书

1.一种基于深度学习的三维电离层电子浓度分布模型训练方法，其特征在于，包括：

获取无线电掩星观测数据并基于所述无线电掩星观测数据得到多个电离层电子浓度廓线，以及获取多个第一参数；所述无线电掩星观测数据包括至少一个完整太阳周期的无线电掩星观测数据；

根据所述多个电离层电子浓度廓线，确定多个第一信息；所述第一信息用于指示在不同时间、不同地理经纬度以及不同地理高度时的电子浓度大小；

将所述多个第一信息与所述多个第一参数进行整合，得到用于模型训练的数据集；

根据所述数据集的维度以及数据量大小，构建面向三维电离层电子浓度反演的深度神经网络；

基于所述数据集对所述面向三维电离层电子浓度反演的深度神经网络进行离线监督训练，得到三维电离层电子浓度分布模型。

2.根据权利要求1所述的基于深度学习的三维电离层电子浓度分布模型训练方法，其特征在于，所述面向三维电离层电子浓度反演的深度神经网络采用Transformer编码端作为网络模型主干，以及将均方误差作为损失度量函数。

3.根据权利要求1所述的基于深度学习的三维电离层电子浓度分布模型训练方法，其特征在于，所述根据所述多个电离层电子浓度廓线，确定多个第一信息，包括：

针对所述多个电离层电子浓度廓线中的每个电离层电子浓度廓线，计算电子浓度平均偏差以及进行剖面数据峰值电子浓度存在性检测；

在所述多个电离层电子浓度廓线中，将满足目标条件的电离层电子浓度廓线，确定为目标电离层电子浓度廓线；其中，所述目标条件包括：电离层电子浓度廓线对应的电子浓度平均偏差小于预设阈值，及电离层电子浓度廓线对应的剖面数据峰值电子浓度存在性检测结果为存在；

根据全部所述目标电离层电子浓度廓线，确定多个第一信息。

4.根据权利要求3所述的基于深度学习的三维电离层电子浓度分布模型训练方法，其特征在于，所述电离层电子浓度廓线对应的电子浓度平均偏差的计算方法参考公式(1)：

其中，N为电离层电子浓度廓线中采样点个数，D_i为第i个采样点处电离层电子浓度值，为经过五点滑动平均后得到第i采样点处的电子浓度值，MD为电离层电子浓度廓线对应的电子浓度平均偏差。

5.根据权利要求3所述的基于深度学习的三维电离层电子浓度分布模型训练方法，其特征在于，所述进行剖面数据峰值电子浓度存在性检测，包括：

计算电离层电子浓度廓线在预设高度区间内取样点最大的高度值slope_h和取样点最小的高度值slope_l；

在所述电离层电子浓度廓线满足slope_h小于第一阈值并且slope_l大于第二阈值的情况下，则确定所述电离层电子浓度廓线的剖面数据峰值电子浓度存在性检测结果为存在；其中，所述第一阈值大于第二阈值；

其中，slope_h的计算方法参考公式(2)，slope_l的计算方法参考公式(3)：

其中，h_h为在预设高度区间内电子浓度取样点最大的高度值，Ne(h_h)为h_h取样点处的电子浓度值，h_l为在预设高度区间内电子浓度取样点最小的高度值，Ne(h_l)为h_l取样点处的电子浓度值，Ne_max和h_max分别为电子浓度廓线上浓度值最大处的电子浓度和高度。

6.根据权利要求1所述的基于深度学习的三维电离层电子浓度分布模型训练方法，其特征在于，所述数据集还包括测试数据集；

所述基于所述数据集对所述面向三维电离层电子浓度反演的深度神经网络进行离线监督训练，得到三维电离层电子浓度分布模型之后，还包括：

将所述测试数据集输入至所述三维电离层电子浓度分布模型，得到所述测试数据集对应的电离层电子浓度分布预测结果。