技术领域
[0001] 本
发明属于
地球科学的空间物理技术领域，具体涉及一种基于长短时记忆模型循环神经网络的
地磁场预测方法。
背景技术
[0002] 地球的内部存在天然的
磁性现象，即为地磁场。地磁场数据的分析和预测在工程上具有很高的应用价值，尤其是在
异常检测、空间物理、导航
定位等领域发挥着重要的作用。车辆、金属矿产、潜艇、
水雷等磁性目标本身所具有的磁场
叠加于地磁场上，使地磁场在一定区域内出现异常。在磁场异常检测技术中，磁场检测设备会检测到磁场异常
信号，通过对该异常信号进行提取并作分析，即可得到异常目标的相关信息(包括
位置、形状等信息)。磁异常探测过程中，复杂多变的环境磁场会干扰异常信号的提取，影响对磁异常信号的分析，从而严重影响探测
精度，为了满足磁异常探测的高精度与实时性等性能要求，需要对磁异常探测仪工作时所受到的环境背景磁场进行实时的高精度补偿，补偿可通过对地磁场的高精度预测完成。在地磁导航技术中，前期需要在载体的运动区域内建立地磁场模型，绘制出地磁基准参考图，保存在存储单元中。载体在运动过程中以此为基准，通过相应的地磁匹配技术获得导航定位信息。因此，区域地磁场模型的建立极为重要，是决定地磁导航精度的重要因素，对地磁场的高精度预测即可建立一个实时高精度的地磁场模型，提高地磁导航的精度。在空间物理和气象预报技术中，地磁场携带着大量的信息，是重要的分析对象，地磁场的预测可以实现对空间气象的预报和
地震等地质灾害的预报。
[0003] 目前，地磁场预测方法是根据全球范围内已知的离散测量点地磁数据，对地磁场进行数学建模，从而得到地磁场全球模型，根据该模型推算未来时刻地磁场的数值，实现对地磁场的预测。地磁场建模的常规方法是球谐分析法，即用阶数依次增高的有限个球谐函数之和近似表达地磁场标量位，并使全球磁探资料得到最佳拟合，得到全球地磁场的模型。现有方法受球谐级数截断水平的限制，球谐分析法的空间
分辨率一般不高，远远不能满足探测、导航等实际需求，提高截断水平虽然可以改善分辨率，但是当球谐级数增大时，待求解的球谐系数的数目急剧增加，计算量和存储量急剧增加。
发明内容
[0004] 本发明针对球谐函数在建立地磁场模型并对地磁场进行预测时的不足之处，提出一种基于长短时记忆模型循环神经网络的地磁场预测方法，能够对地磁场进行高精度预测。
[0005] 一种地磁场预测方法，包括如下步骤：
[0006] 步骤一、在设定的时间跨度内，按设定的采集周期，获取每一个
采样点上的地磁场数据，作为数据集的输出部分；在对地磁场数据进行采样同时，获得每一个采样点上的空间物理指数数据，作为数据集的输入部分，由此形成数据集；所述时间跨度以天为单位；
[0007] 步骤二、在所述数据集中选取时间跨度为整数天的数据形成训练集；
[0008] 步骤三、从训练集的第1个采样点开始，选取L个连续采样点上的空间物理指数数据，组成第一个训练样本的输入部分；从该训练样本的下一采样点开始选取M个连续的采样点上的地磁场数据，作为该训练样本的输出部分；
[0009] 然后从训练集的第2个采样点开始，选取L个连续采样点上的空间物理指数数据，组成第二个训练样本的输入部分，并从该训练样本的下一采样点开始选取M个连续的采样点上的地磁场数据，作为该训练样本的输出部分；
[0010] 以此类推，得到各个训练样本的输入部分和输出部分；其中，L即为训练样本的时间长度，是根据地磁场周期性的特点设定的，M为预测地磁场的时间长度，根据需要预测的时间长度确定；
[0011] 步骤四、搭建循环神经网络，其中，
输入层节点数量设置为数据集输入部分空间物理指数的种类数,设置隐含层节点个数和
输出层的节点个数，其中，输出层的个数即预测地磁场的时间长度M；将隐含层节点设置为长短时记忆模型结构；
[0012] 步骤五、将步骤二得到训练样本输入到步骤四搭建的循环神经网络中，对其进行训练；每一次训练
迭代完成后判断是否满足停止条件，如果满足，则得到训练好的循环神经网络，执行下一步，如果不满足，继续进行迭代训练；
[0013] 步骤六、将输入的空间物理指数输入到训练好的循环神经网络中进行地磁场预测。
[0014] 较佳的，所述空间物理指数输入包括
太阳风温度、
密度、速度、地磁活动指数Dst以及Kp。
[0015] 较佳的，对所述步骤一中的数据集中的数据进行归一化处理，将数据取值范围限制在[0.2-0.8]之间。
[0016] 较佳的，在数据集中，选择整数天的时间跨度数据形成测试集，再按照步骤三的方法，得到各个测试样本；利用测试样本对步骤五训练好的循环神经网络进行测试，得到测试结果：如果测试结果满足要求，则利用该循环神经网络进行地磁场预测，如果不满足要求，则调整循环神经网络的隐含层节点个数，继续执行步骤五进行训练，直到满足要求位置。
[0017] 较佳的，所述循环神经网络采用Sigmoid函数作为神经网络的激活函数。
[0018] 较佳的，所述循环神经网络采用BP
算法对网络中的权值与偏置进行更新迭代。
[0019] 较佳的，步骤一中数据集的时间跨度至少为30天。
[0020] 较佳的，所述L至少为7天。
[0021] 较佳的，所述M小于3天。
[0022] 本发明具有如下有益效果：
[0023] 本发明提供的循环神经网络预测方法，相较于球谐分析法，结构简单，需要求解的参数少，求解方法简单；循环神经网络采用长短时记忆模型结构，增强了对地磁场数据的时序关系的处理，可有效地预测出地磁场数据的随时间变化的规律；无需对原始的地磁场数据做复杂的处理，不用在
频谱和统计学上对地磁场数据进行预处理，方便了数据的处理过程；针对地磁场数据的周期性特点选择训练样本和测试样本的时间长度，并依此设计循环神经网络的结构，使得神经网络可以有效地分析地磁场周期性特征，大大提高地磁场的预测精度；选择与地磁扰动有关的空间物理指数作为神经网络的输入部分，使得神经网络可以从地磁扰动形成机理上有效地提取地磁场的变化特性，从而实现对地磁场准确的预测。
附图说明
[0024] 图1是本发明中的神经网络训练与测试
流程图；
[0025] 图2是循环神经网络的结构图；
[0026] 图3是LSTM(长短时记忆模型)的结构图；
[0027] 图4是本发明中的神经网络结构图。
具体实施方式
[0028] 下面结合附图并举
实施例，对本发明进行详细描述。
[0029] 一种基于长短时记忆模型循环神经网络的地磁场预测方法包括以下步骤：
[0030] 步骤一：构建地磁场数据集，本方法中的神经网络采用
监督学习的学习方法，根据这一特性，地磁场数据集由输出部分与输入部分组成。原始的地磁场数据采用某个固定地磁场监测点的数据，要求此检测点周围的磁场环境较为干净，即所受到的其他磁性干扰较小，设置采样周期，采样之后得到的地磁场数据构成数据集的输出部分；在对地磁场数据进行采样同时，获得每一个采样点上的空间物理指数数据，针对地磁扰动的形成机理，选择相对应的空间物理指数，包括
太阳风相关指数、地磁活动相关指数等，将这些空间物理指数作为数据集的输入部分；其中，由于地磁场每天的变化幅度具有一定的周期性，采样数据的时间跨度以天为单位，时间跨度至少为30天。
[0031] 步骤二：对步骤一所得到的数据集中的数据进行归一化处理，为防止数据测试时神经网络的输出出现饱和状况，将数据集中的数据范围限制在[0.2-0.8]之间；
[0032] 步骤三：以天为单位，将数据集分割为训练集与测试集；
[0033] 步骤四：从训练集的第1个采样点开始，选取L个连续采样点上的空间物理指数数据，组成一个训练样本的输入部分；从该训练样本的下一采样点开始选取M个连续的采样点上的地磁场数据，作为该训练样本的输出部分；再从训练集的第2个采样点开始，选取L个连续采样点上的空间物理指数数据，组成第二个训练样本的输入部分，并从该训练样本的下一采样点开始选取M个连续的采样点上的地磁场数据，作为该训练样本的输出部分；以此类推，得到各个训练样本的输入部分和输出部分；其中，L即为训练样本的时间长度，是根据地磁场周期性的特点设定的，至少为7天，M为预测地磁场的时间长度，可选择3天以内。采用相同的办法，从测试集获中选取测试样本的输入部分和输出部分；测试样本的时间长度与训练样本的时间长度保持一致；
[0034] 步骤五：搭建循环神经网络，输入层节点数量设置为数据集输入量部分空间物理指数的种类数,设置隐含层节点个数，要求大于50个，设置输出层的个数，输出层的个数即预测地磁场的时间长度M；
[0035] 步骤六：设置隐含层节点为LSTM(长短时记忆模型)结构；
[0036] 步骤七：训练搭建完成的循环神经网络，根据数据的归一化预处理以及数据幅值的限制，选择Sigmoid函数作为神经网络的激活函数，选择训练所使用的代价函数，设置训练速度，将地磁场数据训练集中的训练样本送入循环神经网络中进行训练，训练过程中，通过神经网络的BP算法(反向传播算法)，对网络中的权值与偏置进行更新；
[0037] 步骤八：设置迭代次数或者训练精度作为迭代停止条件，判断是否达到迭代停止条件，若未达到，返回步骤七继续进行训练，若已经达到，前往步骤九；
[0038] 步骤九：已经达到预设的迭代次数或者预设的训练精度，根据相关性能指标，分析其训练结果。将数据测试集中测试样本输入部分输入到训练完成的神经网络中，进行测试，通过神经网络的前向传播，得到相应的输出，将输出再与测试样本的输出部分进行对比，得出性能指标，分析其测试结果，并根据测试结果调整隐含层个数，直到得到满意的测试结果，完成神经网络优化；
[0039] 步骤十：将输入的空间物理指数输入到神经网络中，完成基于长短时记忆模型循环神经网络的地磁场预测。
[0040] 实施例：
[0041] 本实例提供一种基于长短时记忆模型循环神经网络的地磁场预测方法，该方法能够对某地地磁场进行预测，实时性强。
[0042] 本例选择北京十三陵地磁监测站2017年8月4日到2017年8月10日的数据，采样周期为1分钟，选择的空间物理指数输入包括太阳风温度、密度和速度，以及地磁活动指数Dst、Kp，其采样周期与地磁场数据采样周期保持一致，为1分钟。数据集为时间序列，长度为10080。其中，K指数是单个地磁台用来描述每日每个3小时内的地磁扰动强度的指数，称为三小时指数或磁情指数。Kp指数是选取纬度在北纬44°到60°和南纬44°到60°的13个地磁台站的K值的平均值。Dst指数是选取赤道附近分布比较均匀而又远离电离层E区赤道电集流的4个地磁台，将其每个小时内水平分量测量数据求平均，取其与地磁平静日的时均值之差。
[0043] 地磁数据集可表示为
[0044] [x1,x2,x3,x4,x5,y]
[0045] 其中，xi＝[xi,1,xi,2,...,xi,10080]T(i＝1,2,...,5)表示为输入空间物理指数，y＝[y1,y2,...,y10080]T，表示为输出地磁场数据。
[0046] 对数据集中的数据进行归一化处理，为防止数据测试的输出出现饱和状况，将数据集中的数据范围限制在[0.2-0.8]之间。经过归一化后得到新的样本，归一化后的新样本可表示为：
[0047] [x1′,x2′,x3′,x4′,x5′,y′]
[0048] 其中，
[0049]
[0050] 设置训练周期，将训练周期设置为6天，数据集分为
训练数据集和测试数据集，训练数据集的时间长度为6天，所对应的数据集时间序列长度为8640，即数据集时间序列的第1-8640个样本，可表示为
[0051] [xl1,xl2,xl3,xl4,xl5,yl]
[0052] 其中，xli＝[xi,1,xi,2,...,xi,8640]T(i＝1,2,...,5)，表示为训练数据集的输入空T间物理指数量，yl＝[y1,y2,...,y8640]，表示为训练数据集的输出地磁场值。
[0053] 测试数据集的时间长度为1天，所对应的数据集时间序列长度为1440，即数据集时间序列的第8641-10080个样本，可表示为：
[0054] [xt1,xt2,xt3,xt4,xt5,yt]
[0055] 其中，xti＝[xi,8641,xi,8642,...,xi,10080]T(i＝1,2,...,5)，表示为测试数据集的输入空间物理指数量，yt＝[y8641,y8642,...,y10080]T，表示为测试数据集的输出地磁场值。
[0056] 设置训练样本的时间长度，由于地磁场在一天时间内的变化具有周期性，中午扰动较大，夜间扰动平缓，设置训练样本的时间长度为1440，即一天的数据，训练样本可表示为：
[0057] batch(j)＝[xt1j,xt2j,xt3j,xt4j,xt5j,ytj]
[0058] 其中，xtij＝[xi,j,xi,j+1,...,xi,j+1440]T，ytj＝[yj+1441,yj+1442,...,yj+step]T(i＝1,2,...,5，j＝1,2,...,7200)，step为地磁场预测的时间步长。测试样本可表示为：
[0059] batch(m)＝[xt1m,xt2m,xt3m,xt4m,xt5m,ytm]
[0060] 其中，xtim＝[xi,m,xi,m+1,...,xi,m+1440]T，ytj＝[ym+1441,ym+1442,...,ym+step]T(i＝1,2,...,5，m＝8641,8642,...,(10080-step))，step为地磁场预测的时间步长。
[0061] 搭建循环神经网络，如图4，输入层设置为数据集中的输入空间物理指数，包括太阳风温度、密度和速度，地磁活动指数Dst、Kp，根据数据集输入量部分空间物理参数的种类数，设置输入层的节点数为5个；设置隐含层个数为300；设置输出层的个数为10，即step＝10，神经网络可预测地磁场的时长为10分钟。
[0062] 设置隐含层节点为LSTM(长短时记忆模型)结构。
[0063] 训练搭建完成的循环神经网络，设置神经网络的激活函数为Sigmoid函数，其表达式为：
[0064]
[0065] 设置训练时所使用的代价函数为二次代价函数，设置训练的速率为1×10-3，将进行过归一化处理的地磁场数据训练集中的训练样本送入循环神经网络中进行训练，训练过程中，通过神经网络的BP算法(反向传播算法)，利用随机梯度下降的方法对网络中的权值与偏置进行更新。
[0066] 设置迭代次数为30000，判断是否达到预设的30000次迭代次数，若未达到，继续进行训练。
[0067] 已经达到预设的30000次迭代次数，得到训练的性能指标，其训练平均精度为0.5nT/min，将数据集中的数据测试集输入量部分中的测试样本输入到训练完成的神经网络中，进行测试，通过神经网络的前向传播，得到相应的输出，与测试集中输出量部分进行对比，其测试平均精度为2.3nT/min，完成基于长短时记忆模型循环神经网络的地磁场预测。
[0068] 综上所述，以上仅为本发明的较佳实施例而已，并非用于限定本发明的保护范围。凡在本发明的精神和原则之内，所作的任何
修改、等同替换、改进等，均应包含在本发明的保护范围之内。
