LSTM神经网络在太阳F10.7射电流量中期预报中的应用

F_10.7指数作为大气密度经验模型的重要输入参量，其预报精度直接影响航天器轨道预报精度.研究发现，太阳活动表现出长时间尺度上平均11年和中短时间尺度平均27天的周期性变化特征.依据这一观测事实，基于长短期记忆单元（Long Short-term Memory，LSTM）递归神经网络方法进行F_10.7指数未来27天的中期预报.利用一个连续长时段F_10.7数据作为训练数据，构建LSTM神经网络训练和预测模型，分别预测太阳活动高低年未来27天的F_10.7指数.结果表明，太阳活动高年的第27天F_10.7指数预报平均相对误差最优可达10%以内，低年最优可达2%以内.      

北斗MEO卫星辐射剂量探测数据缺失值处理方法

针对北斗MEO卫星辐射剂量探测数据出现连续性缺失的问题，开展缺失值处理方法研究.提出一种叠加正弦波的线性样条回归方法，即引入样条函数，对各数据连续缺失的时间段进行分段处理，每段样条采用叠加正弦波的线性方程填充缺失值.结果表明:利用该方法处理缺失值，每段样条中填充曲线与探测曲线在增长趋势、周期性波动等方面具有较高的一致性；相比前向插值法和线性插值法，其填充值与真实值误差更小，关联性更高.该方法较好地解决了数据连续缺失的问题，形成了完整性好、准确性高的北斗MEO卫星辐射剂量数据集，为后续数据的发布、建模和可视化展示等奠定了基础.