基于时频分析的电离层多模污染抑制研究

研究高分辨线性时频分析方法和联合时频分析方法，利用这两种方法对高频电离层返回散射探测的多个传播模式实测数据，对污染抑制效果进行分析.结果显示，这两种基于时频分析的方法针对多模和相位污染同时存在的复杂情况，与其他常规方法相比均使杂波谱得到了较好的锐化，目标信号在二维时频域较清楚地显出.因此可以证明，上述两种方法具有很高的应用价值，对天波超视距雷达海上低速目标检测具有重要意义.      

电离层特征参量的自相关原理插值方法

通过选用合适的电离层平稳性参数, 建立相应的正定自相关系数模型, 利用自相关分析原理, 提出了一种针对电离层特征参量历史缺失数据插值处理的新方法. 该方法能够提高Muhtarov 和Kutiev 在1999 年提出的自相关系数法的插值精度, 通常情况下可以把误差降低1 到2 个百分点以上, 有时甚至能降低接近9 个百分点, 在很大程度上改善了对电离层历史缺失数据的插值处理效果. 此外, 本文还对插值误差随季节、太阳活动性和地理纬度等的变化规律进行了分析.      

利用人工神经网络预测电离层f0F2月中值

提出了利用人工神经网络技术预测电离层临界频率月中值的方案。在利用人工神经网络技术研究电离层月中值隔月变化规律的基础上,考虑足够的周年和黑子周期变化的数据训练网络,使ｆ０Ｆ２月中值预测值与实测数据比较平均误差为０．３４ＭＨｚ预测精度有了较大改进,最后采用分形学的基本理论得到电离层ｆ０Ｆ２月中值的分数维为３,选用３个输入量,分别预测高,低年ｆ０Ｆ２月中值,与实测数据比较平均误差为０．３ＭＨｚ。     

电离层f_0F_2参数提前24小时预测

利用中国9个垂测站(海口、广州、重庆、拉萨、兰州、北京、乌鲁木齐、长春、满洲里)一个太阳周(1976-1986年)的数据资料,采用三层前向反馈神经网络(BP网络)实现了电离层F2层临界频率(f0F2)参数提前24h预测.通过对f0F2参数的时间序列及其与日地活动之间进行相关分析,确定f(t)(当前时刻f0F2)、经过变换的F10.7指数等5个参数作为神经网络的输入参数,并通过同时段训练法获得不同时刻的预测值,本文与自相关分析法进行了预测性能比较.结果表明,上述方法构建的神经网络可以达到较高的预测精度.针对暴时数据,对神经网络算法进行了改进,提高了神经网络法对暴时数据的适用性.     

中国典型区域Es特性研究

利用中国海口、长春和拉萨三个站1976-1986年一个太阳周的观测数据, 对中国典型区域的Es特性进行了研究. 分析了不同强度Es (f₀E_s > 3, 5, 7, 9MHz)出现概率随本地时、季节以及太阳活动的变化规律, 并对电离层Es遮蔽情况(包括全遮蔽和半遮蔽)进行了系统分析. 研究结果表明, 各种强度的Es出现概率均是白天大于夜间, 夏季高于其他季节, 随太阳活动性变化规律不明显, 地区差异较大, 大部分情况拉萨站Es出现概率最高; 对于全遮蔽和半遮蔽特性, 不同站也表现出不同的分布规律.      

基于相空间重构的f_0F_2一步预测算法研究

利用低纬度地区某垂测站2005年3月和4月两个月,f0F2参数共5856个数据样奉,对提前15min的一步预测算法进行了研究.基于混沌时间序列的相空间重构方法,以相近邻点轨迹具有相似性为预测理论基础,采用k最近邻点的方法对下一时刻的,f0F2进行预测.对邻点个数的选取采用了训练法和自适应选择法,对选出的邻点采用平均法和自回归两种方法进行处理,并对几种不同方法的预测结果进行了比较.结果证明,基于相空间重构的一步预测算法预测精度较高,并且容易实现,运算速度高,适用于电离层参数准实时预报.     

利用人工神经网络预测电离层f_0F_2月中值

提出了利用人工神经网络技术预测电离层临界频率月中值的方案．在利用人工神经网络技术研究电离层月中值隔月变化规律的基础上,考虑足够的周年和黑子周期变化的数据训练网络,使 ｆ０Ｆ２月中值预测值与实测数据比较平均误差为 ０．３４ＭＨｚ,预测精度有了较大改进．最后采用分形学的基本理论得到电离层 ｆ０Ｆ２月中值的分数维为 ３,选用 ３个输入量,分别预测高、低年 ｆ０Ｆ２月中值,与实测数据比较平均误差为 ０．３ＭＨｚ．     

电离层暴时经验模型STORM在中国区域的适应性研究

利用中国区域内9个垂测站1976---1987年一个太阳活动周期的电离层暴时f0F2数据, 统计分析了电离层暴事件的等级, 以及不同等级的电离层暴随季节和地磁纬度的分布特征. 研究发现, 中小型电离层暴在春秋季发生的概率较大, 不同季节的发生次数与地磁纬度具有明显的关系. 利用STORM模型对电离层暴时f0F2和大型及特大型电离层暴时f0F2的预测值与月中值进行了比较. 结果表明, 除了冬季误差增大外, 发生电离层暴时STORM模型能够有效地改善月中值模型. 增加中国的暴时数据, 并提高对冬季的暴时参数f0F2的预测是改善STORM模型的重要因素. 建立合适的暴时指数来预测f0F2是未来研究的重点.