Модель геосинхронного релятивістського прогнозування потоку електронів на основі нейронної мережі - Лінг - 2010 -
Atmospheric and Environmental Research, Inc., Лексінгтон, штат Массачусетс, США
Група 95, Лабораторія Лінкольна MIT, Лексінгтон, штат Массачусетс, США
Дирекція космічних кораблів, Науково-дослідна лабораторія ВПС, Hanscom AFB, штат Массачусетс, США
Інститут наукових досліджень, Бостонський коледж, Честнат-Хілл, штат Массачусетс, США
Atmospheric and Environmental Research, Inc., Лексінгтон, штат Массачусетс, США
Група 95, Лабораторія Лінкольна MIT, Лексінгтон, штат Массачусетс, США
Дирекція космічних кораблів, Науково-дослідна лабораторія ВПС, Hanscom AFB, штат Массачусетс, США
Інститут наукових досліджень, Бостонський коледж, Честнат-Хілл, штат Массачусетс, США
Анотація
[1] Розроблена багатошарова модель прямої нейронної мережі для прогнозування> 2 МеВ потоку електронів на геосинхронній орбіті. Модель використовує як вхідні дані 10 послідовних днів історичних значень електронного потоку та 7 послідовних днів щоденних підсумованих значень планетарного індексу Kp з двома нейронами в одному прихованому шарі. Обговорюється розробка моделі, в якій досліджуються розмір інтервалу навчального набору та період перепідготовки. Показано, що проблеми, пов'язані з насиченням нейронів, які обмежують здатність мережі до узагальнення, обходять шляхом щоденного режиму перепідготовки. Ефективність моделі оцінюється за період 1998–2008 рр. Та порівнюється з результатами, отриманими за допомогою моделі REFM. Продемонстровано, що модель нейронної мережі працює досить добре щодо моделі REFM для цього періоду часу, забезпечуючи середню ефективність прогнозування для 6-місячних тестових інтервалів 0,71, 0,49 та 0,31 для прогнозів на 1 день, 2 дні та 3 дні відповідно.
1. Вступ
[2] Добре відомо, що випромінювання заряджених частинок шкодить операціям космічних кораблів [ Ши та Розумний, 1998]. На додаток до небезпеки для здоров’я, яку космічні мандрівники випромінює радіаційне середовище, електронні компоненти космічних кораблів можуть бути пошкоджені, що призведе до тимчасової або навіть повної втрати функції [ Рейган та співавт., 1983; Вренн, 1995]. Передбачення випадків, коли рівні радіації навколо космічного корабля, ймовірно, можуть спричинити проблеми, є необхідним кроком у розробці стратегії захисту космічних активів. Радіаційне середовище на геосинхронній орбіті (GEO) представляє особливий інтерес через велику кількість супутників, що населяють цей регіон. Тому було зроблено багато спроб прогнозувати потік електронів високої енергії на ГЕО [ Нагай, 1988; Бейкер та співавт., 1990; Кунс і Горні, 1991; Стрінгер та ін., 1996; Нагай та ін., 1999; Лі та ін., 2001; Лі, 2004; Rigler та співавт., 2004; Ухорський та ін., 2004; Мійосі та Катаока, 2008; Тернер і Лі, 2008]. Методи, що використовуються в цих моделях прогнозування, варіюються від статистичних моделей даних, таких як лінійні фільтри передбачення та нейронні мережі, до моделей на основі фізики, що характеризуються радіальною дифузією.
2. Теоретичні основи
2.1. Модель та навчальний алгоритм
2.2. Попередня обробка даних
[5] До навчання мережі були вжиті конкретні кроки для того, щоб дані були у відповідному вигляді для презентації в мережі. Серед бажаних характеристик даних є властивість, що локальні варіації малих значень даних не повинні бути менш значними, ніж локальні варіації при великих значеннях даних. Для даних про потік електронів (які будуть докладно описані в розділі 3) це було досягнуто значною мірою шляхом прийняття логарифму даних. Прогалини в даних заповнювались за допомогою схеми поліноміальної інтерполяції другого порядку для розробки моделі.
2.3. Обмеження мережевої структури
3. Дані
[8] При розробці моделі нейронної мережі були використані два набори даних, а саме> дані електронного потоку GOES> 2 МеВ та дані планетарного індексу Kp [ Майо, 1980], обидва доступні на веб-сайті космічної фізики (SPIDR) (http://spidr.ngdc.noaa.gov/spidr/), що здійснюється Національним центром геофізичних даних (NGDC). Для кожного супутника GOES отримували середні добові дані електронного потоку, а також підсумовували 3-годинні дані індексу Kp, щоб отримати загальне добове значення. На малюнку 2 показано доступність даних про потік електронів> 2 МеВ від SPIDR для супутників GOES з моменту створення програми GOES. Розробка моделі, проведена Лінг [2000] використовував дані GOES до кінця 1997 року.
| ІДЕ 8 | ІДЕ 9 | 0,935 | −0,224 | 0,0353 |
| ІДЕ 8 | ІДЕ 10 | 0,963 | −0,350 | 0,0646 |
| ІДЕ 8 | ІДЕ 11 | 0,943 | 0,048 | 0,00613 |
| ІДЕ 8 ф f Нормалізація з 1 травня 1995 року по 30 червня 2006 року. | ІДЕ 12 | 1.03 | −0,260 | |
| ІДЕ 10 ф f Нормалізація з 1 травня 1995 року по 30 червня 2006 року. | ІДЕ 12 | 1.07 | 0,0937 | 0,0476 |
| ІДЕ 8 г. g Нормалізація з 1 липня 2006 року по 31 грудня 2008 року. | ІДЕ 12 | 1.05 | −0,720 | |
| ІДЕ 10 г. g Нормалізація з 1 липня 2006 року по 31 грудня 2008 року. | ІДЕ 12 | 1.09 | −0,384 | 0,0963 |