[发明专利]一种基于长短期记忆网络的蒸发波导高度预测方法

说明书

本发明公开了一种基于长短期记忆网络的蒸发波导高度预测方法，将原始数据集进行归一化处理，获得长短期记忆网络模型的特征值数据集和标签数据集，标签数据集为蒸发波导高度特征数据集合，将长短期记忆网络模型特征数据集和标签数据集划分为训练集和测试集，将训练集和测试集输入长短期记忆网络，通过训练过程和性能测试过程获取长短期记忆网络的超参数配置数据，建立基于长短期记忆网络的蒸发波导高度预测模型。本发明使得蒸发波导高度RMSE有了显著下降，且能够获得更好的蒸发波导廓线拟合度，相比于XGB模型，泛化能力提升显著，解决了理论模型预测精度不高，实用性不强的问题，和反演法隐蔽性不好、误差较大等问题。

技术领域

本发明涉及蒸发波导计算技术领域，具体为一种基于长短期记忆网络的蒸发波导高度预测方法。

背景技术

大气波导是边界层内大气折射率随高度减小的一种特殊折射率剖面结构，这种结构使电磁波传播轨迹弯向地面，且弯曲曲率大于地球曲率。非专利文献1提出大气波导能让电磁波陷获在该层结内形成波导传播效应，被称为陷获作用。大气波导有利于实现海上舰船间的超视距宽带通信，增大舰船间的通信能力，也能够使海上电磁通信设备形成超视距探测。大气波导可以分为蒸发波导、表面波导和悬空波导。在海洋大气环境中，海水蒸发容易形成湿度随高度骤减现象，这也是形成蒸发波导的主要因素。因此，蒸发波导的发生概率非常高，非专利文献2指出了全球海域年平均发生率约为60%，有的海域能达到90%，甚至永久性存在。蒸发波导年平均高度为13米，最高一般不超过40米。这个高度是海上船舶电磁设备的通信高度。非专利文献3提出当有蒸发波导存在时，通信设备发出或接收的电磁波受其陷获作用会形成超视距传播。及时准确掌握蒸发波导高度情况，对海上通信设备效能的有效应用具有重要意义。

目前，获取蒸发波导高度的方法主要包括反演法、理论模型预测法和机器学习方法。反演法主要包括非专利文献4-6提出的雷达海杂波反演法和非专利文献7-8提出的GNSS卫星海面反射信号反演法。但前种方法需要雷达主动发射并接收海面电磁波的后向散射信号，导致隐蔽性较差。后种方法当卫星仰角小于3°时，反演的蒸发波导高度误差非常大，且技术不够成熟。非专利文献9提出了一种理论模型预测法，这也是目前获取蒸发波导的主要方法。其经典代表有非专利文献10提出的Naval Warfare Assessment（NWA）模型、非专利文献11提出的Paulus-Jeske（PJ）模型、非专利文献12提出的Babin-Young-Carton（BYC）模型、非专利文献13提出的Naval-Postgraduate-School（NPS）模型、非专利文献14提出的Local模型和非专利文献15提出的伪折射率模型和非专利文献16提出的Universal EvaporationDuct（UED）模型等。但理论模型一般是基于莫宁奥布霍夫相似理论，该相似理论假设海洋大气环境均匀定常，且理论模型的物理过程较为理想化。这些假设和近似处理导致理论模型的预测精度不高，实用性不强。在2002年，在非专利文献12-13中，Babin等人对NWA、PJ、BYC和NPS等理论模型进行了详细的理论分析和浮标数据验证评估，认为BYC和NPS模型是目前估计蒸发波导高度的最佳模型。故本发明将选择BYC和NPS模型作为后续实验的基准模型之一。

21世纪以来，随着人工智能领域蓬勃发展，机器学习方法被应用于各行各业。在蒸发波导领域，在非专利文献17-20中，已有部分学者利用机器学习对蒸发波导进行研究，大部分研究是基于支持向量机对雷达海杂波反演进行优化。但基于机器学习算法提出蒸发波导高度预测模型的研究不多。2018年，在非专利文献21中，朱啸宇等人基于多层感知机构建了纯数据驱动蒸发波导预测模型-MLP模型，准确率相比于PJ模型有较大的提升。但前馈深度神经网络本身存在较大样本依赖性和泛化能力弱等问题，这也一定程度限制了MLP模型的综合性能。2020年，在非专利文献22中，赵文朋等人基于极端梯度提升算法构建了蒸发波导预测模型-XGB模型，预测精度及泛化能力相比于PJ和MLP模型有了较大提升。由于XGB模型综合性能明显优于PJ和MLP模型，故本发明将选择XGB模型作为后续实验的基准模型之一。

）BYC模型