文摘

大气折射是一种特殊的气象现象主要是由于气体分子和气溶胶粒子在大气中,从而改变电磁波的传播方向的大气环境。大气折射率测量大气折射指数,是电磁波的一个重要参数。鉴于很难获得的大气折射率100米(m) -3000°m /海洋,本文提出了一种改进的极端梯度增加(XGBoost)算法基于全面学习粒子群优化(CLPSO)操作符来获得它们。最后,平均绝对百分比误差(日军)和根均方误差(RMSE)作为评估标准比较改进XGBoost算法的预测结果与反向传播(BP)神经网络和传统XGBoost算法。结果表明,日军和RMSE改进XGBoost算法比BP神经网络少39%,比传统的XGBoost少32%。此外,改进XGBoost算法具有最强的学习和泛化能力计算大气折射率的缺失值在三个算法。本文的结果提供一个获取大气折射率的新方法,这将是重要的参考意义,进一步研究大气折射。

1。介绍

大气折射,这主要是由于气体分子和气溶胶粒子,是大气环境的一个特殊现象;它可以改变大气环境中的传播路径,然后导致电磁波异常传播。尤其是捕获折射的情况下,电磁波会陷入一定厚度的大气和传播通过上下来回天然气层;这一传播现象称为大气导管的传播,和大气造成这种异常现象称为大气管。因为大气管可以明显改变电磁波的路线,它有一个很大的影响在雷达系统,导航系统,通信系统(1]。如果我们充分利用大气管的效果,我们可以实现超越地平线传输和目标探测。大气折射率是一个重要的指标来评估大气折射的程度和大气折射率的变化的一个重要基地大气的外观判断导管。大气波导的形成的原因是大气温度和湿度与高度急剧减少,使得大气折射指数逐渐减小,然后导致大气的形成导管(2]。

到目前为止,许多学者已经研究了大气折射率(3- - - - - -13]。传统方式获得大气的折射率是通过无线电探空仪来测量温度和湿度的概要文件,然后估计大气折射率(14,15];之后,马塔伊和哈里森16)使用测量体积散射系数和粒子大小分布来估计大气气溶胶折射率。此外,雷达相位信息也可以用来获取大气折射率(17,18),和一些大气结构常数的估算方法也为获得大气折射率(提供参考19- - - - - -21]。近年来,一些学者使用新的方法来测量大气的折射率。例如,第纳尔et al。22)用一腔衰荡气溶胶光谱仪获取复杂的大气折射率;谢et al。23]使用一维变分同化算法获得从地面大气折射率全球定位系统(GPS)相位延迟。此外,随着计算机的发展,机器学习领域的应用越来越多的气象学(24- - - - - -33]。机器学习是一个使用计算机的过程总结现有的数据,得到它的一般规则,并建立相应的映射关系(34]。它非常适合数据分析,特别是在大量数据的情况下35]。极端的梯度增加(XGBoost)是一种基于决策树的集成模型(36,37]。这是一个机器学习的典型代表,它展示了一个强大的推广力量近年来在大数据预测。由于气象数据记录由海面浮标一般低于100米,和掩星数据和气象卫星遥感数据不够准确的海洋上方的高度低于3000米,100米和3000米之间的气象数据经常丢失;因此,大气折射率不能计算在一定的高度,然后测定大气管困难,效率低下;所以计算大气折射率100 m - 3000 m /海洋利用机器学习来确定大气管的发生是一个气象数据处理研究的焦点。

在本文中,我们提出一种改进的基于CLPSO XGBoost运营商,具有收敛速度快和强劲的跳出局部最优解的能力获得大气折射率参数优化组合。测试其有效性,用于填补缺失值的修改在海洋大气折射率。修改后的大气折射率较低(0 - 100°)和上层(3000°- 10000°)层作为输入,和中间层(100°- 3000°)作为输出。然后改进XGBoost算法被用于学习和培训来填补缺失值修改大气折射率的中间层。最后,为了验证其可行性计算修改后的大气折射率、平均绝对百分比误差(日军)和根均方误差(RMSE)作为评估标准,比较了该方法预测的结果与反向传播(BP)神经网络和传统XGBoost算法;结果表明,改进的XGBoost算法极大地提高了精度和减少操作时间,具有较强的学习和泛化能力缺失的值修改计算大气折射率比其他算法。本文的结果提供一个获取大气折射率的新方法,这将是重要的参考意义,避免电磁波传播在未来的损失。

2。材料和方法

在这篇文章中使用的测试数据是高分辨率探空气球数据(38)收集了从1998年到2008年在一个测站在夏威夷,美国为155.1°W经度和纬度19.7°N;探空气球释放UTC = 12每一天,和垂直气象数据每天记录一次。气球等气象参数记录温度、压力和湿度在不同高度的垂直分辨率20°m。大气的平均厚度导管之间几十上百米的范围(1]。因此,这个测深数据可以用于研究大气折射率和大气海洋管道。

大气波导是对流层大气环境中的异常现象。这主要是由于大气温度和湿度不均匀分布在垂直方向,从而导致大气折射率的显著差异在垂直方向,然后导致大气的发生导管(1]。为了把地球表面的平面和判断大气折射率的变化方便,然后评估大气折射率梯度和更容易对电磁波传播的影响,修改后的大气折射率米定义。修改后的大气折射率的计算公式米如下(1]:

在方程(1),N是大气折射率,P空气压力及其单位吗pha,T是温度和它的单位是K,e是水的蒸汽压,其单位是什么pha,Z是高度,它的单位是米。根据的变化米与高度,大气管主要是分为四类(1]:表面导管的基于导管,导管升高,蒸发管,如图1。表面导管主要出现在这片土地,他们的高度通常是不到300米。提升导管主要出现在高海拔在陆地和海洋,通常在300米和3000米之间。蒸发管主要出现在海洋,通常低于40米高。

3所示。BP神经网络

3.1。介绍了BP神经网络

人工神经网络,广泛用于预测的数据,使用数学方法来模拟的结构、功能和生物神经系统的处理方式来构建一个完整的信息处理系统。摘要BP神经网络模型(39,40),这是相对成熟和广泛应用,用于填充改性大气折射率的中间层(100°- 3000°),输入修改后的大气折射率低(0 - 100°)和高(3000°- 10000°)层。

3.2。模型建立

3.2.1之上。样本的选择

因为样品的数量非常大,输入向量的维数会变得太大,和泛化能力将穷人如果使用传统的样本选择方法。所以我们需要重建模型的输入向量。摘要构造输入向量通过计算不同时间样本的相关系数,和序列相关系数大都包含在输入样本。相关系数计算如下:如果年代和U用来表示两个序列,它们的相关系数的年代和U如下(34]: 在哪里l样本大小和和样本均值。相关系数越大是,相关性就越大。这样,拥有大量相关系数序列可以包含在输入样本来降低其维数和历史信息的充分利用。

3.2.2。数据归一化

防止输出饱和引起的过度净输入的绝对值,归一化处理是需要导致数据向量属于[0,1]或[−1,1]范围之前,训练样本输入到神经网络的输入层,和antinormalization处理时进行神经网络输出数据。尺度归一化可以有效地输入和输出的距离矢量数据,以防止数据过于密集。转换公式如下:

在方程(3),输入或输出的数据,是数据的最小值,的最大价值。

经过综合考虑,我们制定一个基础课BP神经网络包括一个输入层,两个隐藏层和输出层。输入层设置为一个神经元,第一个隐藏层神经元到30,第二个隐藏层神经元到20,一个神经元的输出层。网络结构如图2。除此之外,标准的BP算法,使用的BP神经网络和节点的激发函数的隐层BP神经网络是解决线性单位(ReLU)、分段线性函数,可以改变所有负零和维护积极的价值观。

4所示。改进XGBoost算法使用CLPSO算子

4.1。XGBoost算法导论

XGBoost [31日,32基于决策树)是一个集成模型。它的基本原则是(31日]。

对于任何给定的训练集n样品,

树的模型集成由使用功能K叠加树模型预测输出。公式如下: 在哪里F代表所有的实例空间回归树。

获得最优模型通过学习和考虑过度拟合对预测精度的影响,以下构造目标函数最小化: 在哪里l代表一个可微凸函数用来测量误差之间的预测价值和实际值,N代表回归树中节点的数量, 每个节点代表的重量N叶节点,是惩罚的罚函数模型的复杂性,如生成回归树的叶节点的数量和每个叶节点的重量。模型由方程(6)是一个集成的树模型不能解决欧几里得空间的传统优化方法,所以我们使用迭代近似解和使用代表形成的预报函数使用t迭代。在t+ 1-th迭代,我们优化以下方程:

通过优化上述方程,预测模型通过迭代逐步改善。上面的方程来获得最优解,泰勒展开式进行点 方程(7)形成以下表达式:

通过计算 和 替换成方程(7),我们可以得出结论,对于任何决策树的功能 ,以下几点: 在哪里 代表所有样本属于节点集j在训练集和问对应的结构决策树决策树的功能 。因为不同的决策树结构有不同的价值观 ,它可以用于计算新的决策树t +1-th迭代。

为了更好地解决过度拟合的问题,XGBoost增加了成本函数的正则项包含树的叶节点的数量和的平方之和模块的重量每一个叶子节点W。此外,XGBoost使用列二次抽样技术来减少计算和避免过度拟合。在每次迭代之后,XGBoost将叶子节点的重量乘以一个系数来削弱每棵树的影响,以便在后期有更多的学习空间。XGBoost工具支持并行性和最耗时的步骤学习决策树分类的价值功能。然而,在训练之前,提前XGBoost排序的数据并将其保存为一个块结构在随后的迭代中反复使用显著减少计算量。这个块结构也使得并行性;当分裂节点,每个特性的获得需要计算,可以获得的并行计算。最后,与最大的增益选择分裂功能。

4.2。模型建立

4.2.1。准备选择Superparameters

选择的superparameters XGBoost直接相关算法的结果的影响。XGBoost需要调整9 superparameters和调整参数的传统方法是使用网格搜索方法。网格搜索算法是一种方法,将搜索superparameters划分为网格在一定空间和搜索最优superparameters通过遍历所有网格中的点。该方法可以找到全局最优解的优化时间间隔足够大,一步距离足够小。然而,由于网格中的大多数superparameter组的分类精度很低,和superparameter群体的分类精度非常高,只有在一个相对较小的区间遍历网格中所有参数组很容易陷入局部最优,而且很浪费时间。为了解决这个问题,传统的XGBoost方法容易陷入局部最优,提高计算效率,我们使用了CLPSO算子优化superparameters的选择。

4.2.2。介绍CLPSO运营商

CLPSO [41,42可以被描述为一个D维最小优化问题:

CLPSO代表“全面学习粒子群优化,”这是一个改进版本的传统粒子群优化(PSO)算法。它能增强学习粒子和加速收敛之间的人口。它解决了最初的PSO算法的缺陷,很容易陷入局部最优。公式来更新速度和位置的传统PSO算法如下: 在哪里 代表的历史最优值我th粒子和 是所有粒子的全局最优值。方程(11)和(12)表明,每个粒子群可以从其历史和全局最优值在每一个学习的过程,不断改善其健康。

CLPSO算法变化速度方程(11学习对象)的算法,这样可以学习不同的粒子尺寸和在不同的时间。更新公式如下: 在哪里 和表明,粒子我需要从粒子的历史最优值的数字在维D。

4.2.3。优化XGBoost CLPSO算子算法

优化CLPSO的过程包括三个步骤(42]:步骤1:设置参数的CLPSO算法和初始化粒子群步骤2:初始化后,更新每个粒子的速度和位置,以当前的位置信息为XGBoost superparameters,运行实验,以实验结果为健身价值的粒子,并更新其历史和全局最优值根据其健身价值第三步:重复步骤2N次

这一过程的流程图如图3。有九个superparameters XGBoost实验期间,迭代的数量(n_estimators)、学习速率(learning_rate),最大深度(max_depth),抽样率(子样品和colsample_bytree),样本权重的总和最小叶节点(min_child_weight)、损失函数的下降值(γ),l₁正则化(reg_alpha),l₂正则化(reg_lambda)。最后,我们使用CLPSO算法,进行三个找到最优superparameters交叉验证。最终结果如表所示1。

5。结果与讨论

在分析建模、测量填补缺失值的影响数据,160概要文件被随机选择测试,其余的资料被用于训练。RMSE和日军作为评价指标。他们计算如下:

表2显示160年的总体误差随机挑选和训练集的总收敛时间,和数字4和5显示的平均误差160概要文件在每个高度。

表2表明改进的日军和RMSE XGBoost算法比BP神经网络的低大约39%,比传统XGBoost低大约32%。改进XGBoost算法的操作时间约为99%比BP神经网络和短比传统XGBoost短18%。该算法不仅提高了精度,还降低了所需的时间计算在很大程度上提高计算的效率。从数据4和5,很明显,大多数日军BP神经网络超过1.5%和RMSE超过8米。传统XGBoost的日军在最高度超过1%,有的甚至超过1.5%两端的高度;传统的RMSE XGBoost最多约8米高,有的甚至超过10 M两端的高度。然而,日军的改进XGBoost算法为结果小于1%以上1000米和不到1.5%低于1000米;改进XGBoost算法的所有RMSE小于8米。的日军和RMSE该方法更小比BP神经网络和传统XGBoost在相同的高度,进一步证明其优势填补缺失值的数据。图6显示了一个随机选择的配置文件的拟合图从160个测试配置文件。

从图6,我们可以得出结论,虽然这三个预测算法有相同趋势的真正价值,改进XGBoost算法的拟合效果的波动曲线是在良好的协议与真实价值。为了进一步衡量单个剖面的影响,数字7和8显示不同高度的日军和RMSE选择概要文件。

数据7和8表明了日军和RMSE从0米到1000米,1500米,2000米和2500米- 3000米,使用改进的XGBoost算法时,少得多比BP神经网络和传统XGBoost。我们可以看到1500米- 2000米正是区域大气指数波动从图的修改6。根据大型大气管的定义,这是他们出现的地方。

通过上面的分析,我们可以得出结论,改进XGBoost算法明显优于BP神经网络和传统XGBoost缺失值的填充改性的大气折射率,包括指数波动的概要文件。根据大气管的定义,该地区的波动就是大气管发生,所以修改的正确判断大气折射率提供了有利的支持,后续使用修改后的大气折射率的判断和分析大气管的发生。

6。结论

为了解决问题,获得大气折射率的效率很低在大气环境中,本文提出了一种改进的基于CLPSO XGBoost运营商,具有较高的收敛速度和能力强跳出局部最优解的参数优化组合;CLPSO不仅可以提高学习粒子间也加速收敛的人口。测试其有效性,用于填补缺失值的修改在海洋大气折射率。高分辨率的探空气球被选为实验数据,数据和修改后的大气折射率计算在不同的海拔。修改后的大气折射率较低(0 - 100)和上层(3000 - 10000)作为输入层,中间那层(100 - 3000)作为输出。改进的XGBoost算法被用于学习和培训来填补缺失值的修改的大气折射率中间层(100 - 3000)。

该方法的结果与BP神经网络和传统的XGBoost通过实验。改进的日军和RMSE XGBoost算法比BP神经网络的低39%和32%不到的传统XGBoost及其操作时间短99%比BP神经网络比传统的XGBoost和18%。与BP神经网络和传统XGBoost相比,改进的XGBoost算法记录方面的显著改善精度和操作时间和有很大的优势的大气折射率提供一个精确的修改,特别是在波动。根据大气管的定义,该地区的波动正是大气管发生,所以修改的正确判断大气折射率为随后的判断提供了良好的支持的大气管。本文的结果显示,新方法来获取海洋大气折射率,这将对后续的判断具有重要意义的大气海洋管道。此外,我们还可以使用结果实现超越地平线电磁波的传输和目标探测海洋。

然而,该算法只填写修改后的大气折射率的值从机器学习的角度,不考虑天气等物理过程。在未来的工作中,我们要考虑这些过程进一步优化算法来填充缺失的值修改后的大气折射率的更好。

数据可用性

使用的数据来支持本研究的发现可以从相应的作者。

的利益冲突

作者宣称没有利益冲突。

确认

这项工作得到了国家自然科学基金号合同下的中国。41875045和湖南省研究生创新基础下批准号CX20200093。