基于改进的深度置信网络的电离层F2层临界频率预测

被引：1

作者：

唐智灵 ^{[1
]}

吕晓朦 ^{[2
]}

机构：

[1] 桂林电子科技大学无线宽带通信和信息处理重点实验室

[2] 桂林电子科技大学电子工程与自动化学院

来源：

计算机应用研究 | 2018年 / 35卷 / 03期

关键词：

f0F2预测; 深度学习; 深度置信网络; 受限波尔兹曼机;

D O I：

暂无

中图分类号：

TP18 [人工智能理论];

学科分类号：

081104 ; 0812 ; 0835 ; 1405 ;

摘要：

提出一种基于深度置信网络(deep belief network,DBN)对本区域未来24 h的电离层临界频率f0F2预测的方法。对选取的数据集进行筛选,生成用于训练和测试的数据集;改进DBN基本单元的结构,以适应对连续型数据特征的提取与学习,再通过实验确定DBN的基本结构;最后利用训练数据集对改进后的网络进行训练,实现对f0F2值的预测。与实测值相比较,改进的DBN具有极佳的预测准确性;与浅层结构BP网络和SVM网络相比,改进的DBN不单克服了浅层结构所固有的问题,更表现出对于连续型数据预测的优异性能,尤其是当预测对象受到高维复杂因素影响时改进的DBN模型依旧能表现出很好的预测性能。

引用

页码：825 / 829

页数：5

共 16 条

[1] A fast learning algorithm for deep belief nets [J].

Hinton, Geoffrey E. ;

Osindero, Simon ;

Teh, Yee-Whye .

NEURAL COMPUTATION, 2006, 18 (07) :1527-1554

[2] 利用神经网络预报中国地区电离层f0F2 [J].

陈春 ;

吴振森 ;

孙树计 ;

丁宗华 ;

许正文 ;

班盼盼 .

空间科学学报, 2011, (03) :304-310

[3] DBN网络的深度确定方法 [J].

潘广源 ;

柴伟 ;

乔俊飞 .

控制与决策 , 2015, (02) :256-260

[4] 一种连续型深度信念网的设计与应用 [J].

乔俊飞 ;

潘广源 ;

韩红桂 .

自动化学报, 2015, 41 (12) :2138-2146

[5]

Continuous restricted Boltzmann machine with an implementable training algorithm. Chen, H.,Murray, A.F. Vision, Image and Signal Processing, IEE Proceedings - . 2003

[6]

Neurons with graded response have collective computational properties like those of two-state neurons. Hopfield J J. Proceedings of the National Academy of Sciences of the United States of America . 1984

[7]

Continuous sigmoidal belief networks trained using slice sampling. B. J. Frey. Advances in Neural Information Processing Systems . 1997

[8]

Neural network technique of layer F2critical frequency above station Gakona (HAARP)at the account of near-earth space parameters and geomagnetic disturbance. Barkhatova O M,LevitinАЕ. Proc of the 16th Annual Seminar Physics of Auroral Phenomena . 2008

[9]

Investigation of Deep CRBM networks in modeling sequential data. Spiliopoulou A. . 2008

[10]

Diffusion networks,products of experts,and factor analysis. Marks T K,Movellan J R. . 2001

← 1 2 →