本发明提供了一种对流层折射率高精度预测的地基增强系统，包括地面基站和机载接收机，其中，地面基站包括地面采集设备、处理器和发射机，地面采集设备，用于采集多年的气象参数，并将采集的气象参数作为历史数据；处理器，用于调用历史数据，建立BP神经网络对折射率进行预测，发射机，用于将处理器预测的折射率向机载接收机发送。本发明针对不同的天气情形，分别进行对流层折射率预测，提高对流层折射率的预测精度。
1.一种对流层折射率高精度预测的地基增强系统，其特征在于，所述系统包括地面基站和机载接收机，其中，所述地面基站包括地面采集设备、处理器和发射机，所述地面采集设备，用于采集多年的气象参数，并将采集的气象参数作为历史数据；
所述处理器，用于调用历史数据，建立BP神经网络对折射率进行预测，所述发射机，用于将处理器预测的折射率向机载接收机发送；
c1)将步骤b)中计算得到的折射率分为x组，每组间隔为 其中，Nmax为计算得到的折射率的最大值，Nmin为计算得到的折射率的最小值；
c2)按照步骤c1)的分组画出折射率出现频率的分布直方图，并计算出每组折射率的频率p1,p2,...pp，根据每组折射率的频率对应的每组折射率的数据量，将折射率分为测试集和训练集；
设置BP神经网络隐含层的层数，将每组折射率经输入层、隐含层和输出层向前传递；
其中，Np为每天的折射率与平均值的差值，Ni为每天的折射率， 为折射率的平均值；
其中，a1i为隐含层中第i个神经元输出，w1ij为隐含层中第j个神经元输入与隐含层第i个神经元输出对应的权重；
其中，w2ki为输出层第i个神经元输入与输出层第k个神经元输出对应的权重，a1i为隐含层中第i个神经元输出，a2k为输出层第k个输出，f1和f2分别为激活函数；C3)计算每组折射率向前传输过程在BP神经网络中的误差，将所述误差分配到输出层、隐含层和输入层建立反向传递，对输出层和隐含层的权重进行修正；
其中，每组折射率向前传输过程在BP神经网络中的误差通过如下方法计算：其中，Np为每天的折射率与平均值的差值，a2k为输出层第k个神经元输出，E1为预测的平方误差；
每组折射率向前传输过程对BP神经网络中的误差进行加权：E(W,B)＝cmE1，其中，cm为权重，E1为预测的平方误差，E(W,B)为加权后的预测误差；
反向传递中，按照如下方法对输出层和隐含层的权重进行修正：
其中，Δw2ki为输出层第i个神经元输入与输出层第k个神经元输出对应的权重修改值，a2k为输出层第k个神经元输出，w2ki为输出层第i个神经元输入与输出层第k个神经元输出对应的权重，E为加权后的预测误差，η为下降速率；
其中，Δw1ij为隐含层第j个神经元输入与隐含层第i个神经元输出对应的权重修改值，a1i为隐含层中第i个神经元输出，a2k为输出层第k个神经元输出，w1ij为隐含层中第j个神经元输入与隐含层第i个神经元输出对应的权重，E为加权后的预测误差，η为下降速率；
C4)重复步骤c1)至c3)，不断调整输出层和隐含层的权重的分配，完成BP神经网络初步建立；
C5)选取测试集中的折射率，输入至初步建立BP神经网络中进行评估，若建立的BP神经网络满足预测结果，则完成BP神经网络建立，若建立的BP神经网络预测不能满足预测结果，则重复步骤c1)至c4)，重新建立BP神经网络；
d)计算需要预测的气象参数的折射率，输入至建立的BP神经网络预测折射率。
2.根据权利要求1所述的系统，其特征在于，按照如下方法通过气象参数计算折射率：Ni＝Nw+Nd，
其中，k1＝77.604,k2＝64.79,k3＝377600，e为水汽压，P为大气压，T为温度，Nw为对流层湿延迟折射率，Nd为对流层干延迟折射率，Ni为对流层折射率。
3.根据权利要求1所述的系统，其特征在于，BP神经网络隐含层的层数按照如下方法计算：其中，l为隐含层的层数，n为输入层神经元的个数，m为输出层神经元的个数，a是[0，
4.根据权利要求1所述的系统，其特征在于，每组折射率的频率对应的每组折射率的数据量满足如下关系：其中，pi为第i组折射率的频率，pj为第j组折射率的频率，ni为从第i组中选出的折射率数量，nj为从第j组中选出的折射率数量，pij为第i组折射率的频率与第j组折射率的频率之比。
5.一种对流层折射率高精度预测的地基增强系统，其特征在于，所述系统包括地面基站和机载接收机，其中，所述地面基站包括地面采集设备、处理器和发射机，所述地面采集设备，用于采集多年的气象参数，并将采集的气象参数作为历史数据；
所述处理器，用于调用历史数据，建立BP神经网络对折射率进行预测，所述发射机，用于将处理器预测的折射率向机载接收机发送；
C1)将步骤B)中计算得到的折射率分为x组，选取x-2组折射率交叉组合作为训练集，任选剩余的两组中的1组折射率作为测试集；
设置BP神经网络隐含层的层数，将训练集中的每组折射率经输入层、隐含层和输出层向前传递；
其中，Np为每天的折射率与平均值的差值，Ni为每天的折射率， 为折射率的平均值；
其中，a1i为隐含层中第i个神经元输出，w1ij为隐含层中第j个神经元输入与隐含层第i个神经元输出对应的权重；
其中，w2ki为输出层第i个神经元输入与输出层第k个神经元输出对应的权重，a1i为隐含层中第i个神经元输出，a2k为输出层第k个输出，f1和f2分别为激活函数；
C2)计算每组折射率向前传输过程在BP神经网络中的误差，将所述误差分配到输出层、隐含层和输入层建立反向传递，对输出层和隐含层的权重进行修正；
其中，每组折射率向前传输过程在BP神经网络中的误差通过如下方法计算：其中，Np为每天的折射率与平均值的差值，a2k为输出层第k个神经元输出，E1为预测的平方误差；
每组折射率向前传输过程对BP神经网络中的误差进行加权：E(W,B)＝cmE1，其中，cm为权重，E1为预测的平方误差，E(W,B)为加权后的预测误差；
反向传递中，按照如下方法对输出层和隐含层的权重进行修正：
其中，Δw2ki为输出层第i个神经元输入与输出层第k个神经元输出对应的权重修改值，a2k为输出层第k个神经元输出，w2ki为输出层第i个神经元输入与输出层第k个神经元输出对应的权重，E为加权后的预测误差，η为下降速率；
其中，Δw1ij为隐含层第j个神经元输入与隐含层第i个神经元输出对应的权重修改值，a1i为隐含层中第i个神经元输出，a2k为输出层第k个神经元输出，w1ij为隐含层中第j个神经元输入与隐含层第i个神经元输出对应的权重，E为加权后的预测误差，η为下降速率；C3)重复步骤C1)至C2)，不断调整输出层和隐含层的权重的分配，完成BP神经网络初步建立；
C4)选取的1组测试集的折射率，输入至初步建立BP神经网络中进行评估，若建立的BP神经网络满足预测结果，则完成BP神经网络建立，若建立的BP神经网络预测不能满足预测结果，则重复步骤C1)至C3)，重新建立BP神经网络；
D)计算需要预测的气象参数的折射率，输入至建立的BP神经网络预测折射率。
6.一种对流层折射率高精度预测的地基增强系统，其特征在于，所述系统包括地面基站和机载接收机，其中，所述地面基站包括地面采集设备、处理器和发射机，所述地面采集设备，用于采集多年的气象参数，并将采集的气象参数作为历史数据；
所述处理器，用于调用历史数据，建立BP神经网络对折射率进行预测，其中，建立BP神经网络，包括如下步骤：设置BP神经网络隐含层的层数，将每组折射率经输入层、隐含层和输出层向前传递；
其中，Np为每天的折射率与平均值的差值，Ni为每天的折射率， 为折射率的平均值；
其中，a1i为隐含层中第i个神经元输出，w1ij为隐含层中第j个神经元输入与隐含层第i个神经元输出对应的权重；
其中，w2ki为输出层第i个神经元输入与输出层第k个神经元输出对应的权重，a1i为隐含层中第i个神经元输出，a2k为输出层第k个输出，f1和f2分别为激活函数；
计算每组折射率向前传输过程在BP神经网络中的误差，将所述误差分配到输出层、隐含层和输入层建立反向传递，对输出层和隐含层的权重进行修正；
其中，每组折射率向前传输过程在BP神经网络中的误差通过如下方法计算：其中，Np为每天的折射率与平均值的差值，a2k为输出层第k个神经元输出，E1为预测的平方误差；
每组折射率向前传输过程对BP神经网络中的误差进行加权：E(W,B)＝cmE1，其中，cm为权重，E1为预测的平方误差，E(W,B)为加权后的预测误差；
反向传递中，按照如下方法对输出层和隐含层的权重进行修正：
其中，Δw2ki为输出层第i个神经元输入与输出层第k个神经元输出对应的权重修改值，a2k为输出层第k个神经元输出，w2ki为输出层第i个神经元输入与输出层第k个神经元输出对应的权重，E为加权后的预测误差，η为下降速率；
其中，Δw1ij为隐含层第j个神经元输入与隐含层第i个神经元输出对应的权重修改值，a1i为隐含层中第i个神经元输出，a2k为输出层第k个神经元输出，w1ij为隐含层中第j个神经元输入与隐含层第i个神经元输出对应的权重，E为加权后的预测误差，η为下降速率；
不断调整输出层和隐含层的权重的分配，完成BP神经网络初步建立；
所述发射机，用于将处理器预测的折射率向机载接收机发送；
(1)从数据库中调用历史数据，获取气象参数并进行归一化；
(2)对部分异常天气的气象参数进行分类，形成异常天气数据库；
(3)当一个新的气象参数数据输入异常天气数据库时，引入某一段时间内气象参数随时间变化的曲线出现的峰值个数，以及某一时间段内气象参数随时间变化的曲线的斜率，气温，气压，计算新数据与样本数据的距离；
(4)选定新数据距离半径为R的范围内，根据不同天气类别的出现频率，判定并记录新数据的天气类别；
(5)将下一个新的气象数据输入异常天气数据库，重复步骤(3)至(4)；
(6)通过异常天气的气象参数计算折射率，通过建立BP神经网络对需要预测的折射率进行预测。
一种对流层折射率高精度预测的地基增强系统
技术领域
[0001] 本发明涉及卫星导航技术领域，特别涉及一种对流层折射率高精度预测的地基增强系统。
背景技术
[0002] 全球卫星导航系统可以给用户提供全天候，全天时，实时，高精度的导航和定位服务。但在卫星导航定位中会有很多误差，例如：卫星钟差、卫星轨道误差、电离层误差、对流层误差，接收机钟差等，其中对流层误差最大会造成2到3m的定位误差。
[0003] 对流层是地球大气层靠近地面的部分，集中了约75％的大气质量和90％以上的水汽质量，对流层的厚度会随着纬度而不同，纬度高的地方大气层比较薄，纬度低的地方大气层比较厚。在对流层中会发生许多大气现象，例如降水，下雪，大风，雾等，这些天气现象会对信号的传播造成不利影响。
[0004] 在卫星向下发射信号时，经过对流层时由于大气中存在的水气等其它物质会造成信号的延迟，这种延迟与大气折射率有关而大气折射率与大气中的温度气压有关，大气折射率可以分为干大气折射率与湿大气折射率。
[0005] 地基增强系统(GBAS)是民航在近着陆过程中为飞机提供更精确服务的设备。在飞机着陆过程中，卫星导航系统并不能完全满足飞机对精度，完好性，可用性的需求，这时就需要GBAS提高导航的精度，完好性和可靠性。在GBAS修正定位误差的过程中，对流层误差是不可忽视的。而对流层误差与大气折射率又密不可分。
[0006] 然而，由于每个地方GBAS站的建立时间不同，获取到的气候数据量也不相同，对不同的气象数据量存在差异，不同的气象数据影响对大气折射率的预测，导致对流层折射率预测的精度较差。
[0007] 因此，为了解决现有技术中的问题，需要能够提高对流层折射率预测的一种对流层折射率高精度预测的地基增强系统。
发明内容
[0008] 本发明的一个方面在于提供一种对流层折射率高精度预测的地基增强系统，所述系统包括地面基站和机载接收机，其中，
[0009] 所述地面基站包括地面采集设备、处理器和发射机，所述地面采集设备，用于采集多年的气象参数，并将采集的气象参数作为历史数据；
[0010] 所述处理器，用于调用历史数据，建立BP神经网络对折射率进行预测，[0011] 所述发射机，用于将处理器预测的折射率向机载接收机发送；
[0012] 其中，所述处理器包括执行如下指令：
[0013] a)从数据库中调用历史数据，获取气象参数；
[0014] b)通过获取的气象气象参数计算折射率；
[0015] c)建立BP神经网络，包括如下步骤：
[0016] c1)将步骤b)中计算得到的折射率分为x组，每组间隔为 其中，Nmax为计算得到的折射率的最大值，Nmin为计算得到的折射率的最小值；
[0017] c2)按照步骤c1)的分组画出折射率出现频率的分布直方图，并计算出每组折射率的频率p1，p2…pp，根据每组折射率的频率对应的每组折射率的数据量，将折射率分为测试集和训练集；
[0018] 设置BP神经网络隐含层的层数，将每组折射率经输入层、隐含层和输出层向前传递；
[0019] c3)计算每组折射率向前传输过程在BP神经网络中的误差，将所述误差分配到输出层、隐含层和输入层建立反向传递，对输出层和隐含层的权重进行修正；
[0020] c4)重复步骤c1)至c3)，不断调整输出层和隐含层的权重的分配，完成BP神经网络初步建立；
[0021] c5)选取测试集中的折射率，输入至初步建立BP神经网络中进行评估，若建立的BP神经网络满足预测结果，则完成BP神经网络建立，若建立的BP神经网络预测不能满足预测结果，则重复步骤c1)至c4)，重新建立BP神经网络；
[0022] d)计算需要预测的气象参数的折射率，输入至建立的BP神经网络预测折射率。
[0023] 优选地，按照如下方法通过气象参数计算折射率：
[0024]
[0025]
[0026] Ni＝Nw+Nd，
[0027] 其中，k1＝77.604，k2＝64.79，k3＝377600，e为水汽压(hpa)，P为大气压(Pa)，T为温度(K)，Nw为对流层湿延迟折射率，Nd为对流层干延迟折射率。Ni为对流层折射率。
[0028] 优选地，BP神经网络隐含层的层数按照如下方法计算：
[0029]
[0030] 其中，l为隐含层的层数，n为输入层神经元的个数，m为输出层神经元的个数，a是[0，10]之间的数。
[0031] 优选地，每组折射率的频率对应的每组折射率的数据量满足如下关系：
[0032] 其中，pi为第i组折射率的频率，pj为第j组折射率的频率，ni为从第i组中选出的折射率数量，nj为从第j组中选出的折射率数量，pij为第i组折射率的频率与第j组折射率的频率之比。
[0033] 优选地，每组折射率经输入层、隐含层和输出层向前传递过程中，每组折射率输入输入层之前进行如下处理：
[0034] 其中，NP为每天的折射率与平均值的差值，Ni为每天的折射率， 为折射率的平均值；
[0035] 在隐含层中第i个神经元输出满足：
[0036]
[0037] 其中，a1i为隐含层中第i个神经元输出，w1ij为隐含层中第j个神经元输入与隐含层第i个神经元输出对应的权重；
[0038] 在输出层中第k个神经元输出满足：
[0039]
[0040] 其中，w2ki为输出层第i个神经元输入与输出层第k个神经元输出对应的权重，a1i为隐含层中第i个神经元输出，a2k为输出层第k个输出，f1和f2分别为激活函数。
[0041] 优选地，每组折射率向前传输过程在BP神经网络中的误差通过如下方法计算：
[0042]
[0043] 其中，NP为每天的折射率与平均值的差值，a2k为输出层第k个神经元输出，E1为预测的平方误差。
[0044] 优选地，每组折射率向前传输过程对BP神经网络中的误差进行加权：
[0045] E(W，B)＝cmE1，其中，cm为权重，E1为预测的平方误差，E(W，B)为加权后的预测误差。
[0046] 优选地，反向传递中，按照如下方法对输出层和隐含层的权重进行修正：
[0047] 1)输出层权重修改值通过如下方法计算：
[0048]
[0049] 其中，Δw2ki为输出层第i个神经元输入与输出层第k个神经元输出对应的权重修改值，a2k为输出层第k个神经元输出，w2ki为输出层第i个神经元输入与输出层第k个神经元输出对应的权重，E为加权后的预测误差，η为下降速率；
[0050] 2)隐含层权重修改值通过如下方法计算：
[0051]
[0052] 其中，Δw1ij为隐含层第j个神经元输入与隐含层第i个神经元输出对应的权重修改值，a1i为隐含层中第i个神经元输出，a2k为输出层第k个神经元输出，w1ij为隐含层中第j个神经元输入与隐含层第i个神经元输出对应的权重，E为加权后的预测误差，η为下降速率。
[0053] 本发明的另一个方面在于提供一种对流层折射率高精度预测的地基增强系统，所述系统包括地面基站和机载接收机，其中，
[0054] 所述地面基站包括地面采集设备、处理器和发射机，所述地面采集设备，用于采集多年的气象参数，并将采集的气象参数作为历史数据；
[0055] 所述处理器，用于调用历史数据，建立BP神经网络对折射率进行预测，[0056] 所述发射机，用于将处理器预测的折射率向机载接收机发送；
[0057] 其中，所述处理器包括执行如下指令：
[0058] A)从数据库中调用历史数据，获取气象参数；
[0059] B)通过获取的气象参数计算折射率；
[0060] C)建立BP神经网络，包括如下步骤：
[0061] C1)将步骤B)中计算得到的折射率分为x组，选取x-2组折射率交叉组合作为训练集，任选剩余的两组中的1组折射率作为测试集；
[0062] 设置BP神经网络隐含层的层数，将训练集中的每组折射率经输入层、隐含层和输出层向前传递；
[0063] C2)计算每组折射率向前传输过程在BP神经网络中的误差，将所述误差分配到输出层、隐含层和输入层建立反向传递，对输出层和隐含层的权重进行修正；
[0064] C3)重复步骤C1)至C2)，不断调整输出层和隐含层的权重的分配，完成BP神经网络初步建立；
[0065] C4)选取的1组测试集的折射率，输入至初步建立BP神经网络中进行评估，若建立的BP神经网络满足预测结果，则完成BP神经网络建立，若建立的BP神经网络预测不能满足预测结果，则重复步骤C1)至C3)，重新建立BP神经网络；
[0066] D)计算需要预测的气象参数的折射率，输入至建立的BP神经网络预测折射率。
[0067] 本发明的又一个方面在于提供一种对流层折射率高精度预测的地基增强系统，所述系统包括地面基站和机载接收机，其中，
[0068] 所述地面基站包括地面采集设备、处理器和发射机，所述地面采集设备，用于采集多年的气象参数，并将采集的气象参数作为历史数据；
[0069] 所述处理器，用于调用历史数据，建立BP神经网络对折射率进行预测，[0070] 所述发射机，用于将处理器预测的折射率向机载接收机发送；
[0071] 其中，所述处理器包括执行如下指令：
[0072] (1)从数据库中调用历史数据，获取气象参数并进行归一化；
[0073] (2)对部分异常天气的气象参数进行分类，形成异常天气数据库；
[0074] (3)当一个新的气象参数数据输入异常天气数据库时，引入某一段时间内气象参数随时间变化的曲线出现的峰值个数，以及某一时间段内气象参数随时间变化的曲线的斜率，气温，气压。计算新数据与样本数据的距离；
[0075] (4)选定新数据距离半径为R的范围内，根据不同天气类别的出现频率，判定并记录新数据的天气类别；
[0076] (5)将下一个新的气象数据输入异常天气数据库，重复步骤(3)至(4)；
[0077] (6)通过异常天气的气象参数计算折射率，通过建立BP神经网络对需要预测的折射率进行预测。本发明针对不同的天气情形，分别进行对流层折射率预测，提高对流层折射率的预测精度。
[0078] 应当理解，前述大体的描述和后续详尽的描述均为示例性说明和解释，并不应当用作对本发明所要求保护内容的限制。
附图说明
[0079] 参考随附的附图，本发明更多的目的、功能和优点将通过本发明实施方式的如下描述得以阐明，其中：
[0080] 图1示意性示出了本发明一种对流层折射率高精度预测的地基增强系统的示意图。
[0081] 图2示出了本发明实施例中对折射率进行预测的流程图。
[0082] 图3示出了本发明实施例中建立的BP神经网络的示意图。
[0083] 图4示出了本发明实施例中异常天气情况下对折射率进行预测的流程图。
[0084] 图5示出了本发明实施例中异常天气情况下气象参数随时间变化曲线出现的峰值个数，以及气象参数随时间变化的曲线的斜率的示意图。
[0085] 图6示出了本发明实施例中异常天气情况下判断新数据天气类别的示意图。
具体实施方式
[0086] 通过参考示范性实施例，本发明的目的和功能以及用于实现这些目的和功能的方法将得以阐明。然而，本发明并不受限于以下所公开的示范性实施例；可以通过不同形式来对其加以实现。说明书的实质仅仅是帮助相关领域技术人员综合理解本发明的具体细节。
[0087] 在下文中，将参考附图描述本发明的实施例。在附图中，相同的附图标记代表相同或类似的部件，或者相同或类似的步骤。下面通过具体的实施例对本发明的内容进行说明，如图1所示一种对流层折射率高精度预测的地基增强系统的示意图，为了解决不同气象数据造成的折射率预测误差的问题，根据本发明的实施例一种对流层折射率高精度预测的地基增强系统，包括地面基站100和布置于飞行器300上的机载接收机，地面基站接收卫星200的信号，对信号处理后向飞行器300发送导航信号。
[0088] 其中，地面基站100包括地面采集设备101、处理器102和发射机103。地面采集设备101，用于采集多年的气象参数，并将采集的气象参数作为历史数据。
[0089] 处理器102，用于调用历史数据，建立BP神经网络对折射率进行预测。
[0090] 发射机103，用于将处理器102预测的折射率向飞行器300的机载接收机301发送，从而降低飞行器定位误差。
[0091] 实施例一。
[0092] 本实施例中对正常天气条件下并且气象数据较多的情形，建立BP神经网络对未来对流层折射率进行预测。
[0093] 本发明的数据处理主要集中在地面基站的处理器进行，如图2所示本发明实施例中对折射率进行预测的流程图，处理器包括执行如下指令：
[0094] 步骤S101、获取气象数据。
[0095] 从数据库中调用历史数据，获取气象参数。
[0096] 地面采集设备101采集当地的温度，湿度，气压等气象数据，并将采集的气象参数作为历史数据。处理器102调用地面采集设备采集的历史数据，获取温度，湿度，气压等气象数据。
[0097] 步骤S102、计算折射率。
[0098] 通过获取的气象参数计算折射率。
[0099] 根据本发明的实施例，按照如下方法通过气象参数计算折射率：
[0100]
[0101]
[0102] Ni＝Nw+Nd，
[0103] 其中，k1＝77.604，k2＝64.79，k3＝33 7 600，e为水汽压(hpa)，P为大气压(Pa)，T为温度(K)，Nw为对流层湿延迟折射率，Nd为对流层干延迟折射率。Ni为对流层折射率。
[0104] 步骤S103、建立BP神经网络。
[0105] 根据本发明的实施例，BP神经网络的建立包括如下步骤：
[0106] S31、数据分组。
[0107] 将步骤S102中计算得到的折射率分为x组，每组间隔为 其中，Nmax为计算得到的折射率的最大值，Nmin为计算得到的折射率的最小值。
[0108] S32、向前传递。
[0109] 按照步骤S31的分组画出折射率出现频率的分布直方图，并计算出每组折射率的频率p1，p2…pp，每组折射率的频率对应的每组折射率的数据量，将折射率分为测试集和训练集。
[0110] 每组折射率的频率对应的每组折射率的数据量满足如下关系：
[0111] 其中，pi为第i组折射率的频率，pj为第j组折射率的频率，ni为从第i组中选出的折射率数量，nj为从第j组中选出的折射率数量，pij为第i组折射率的频率与第j组折射率的频率之比。
[0112] 例如计算结果中在第1～100个数据中，折射率的频率为10，选取的8个折射率作为训练集，剩余的2个作为测试集，则在101～200个数据中，若折射率的频率为20，则选取16个折射率作为训练集，剩余的4个作为测试集。
[0113] 设置BP神经网络隐含层的层数，将每组折射率经输入层、隐含层和输出层向前传递。
[0114] 隐含层的层数对神经网络的建立密切相关，如果隐含层的层数过少则建立的网络精确度不够，如果建立的层数过多则运算量比较复杂。根据本发明的实施例，BP神经网络隐含层的层数按照如下方法计算：
[0115]
[0116] 其中，l为隐含层的层数，n为输入层神经元的个数，m为输出层神经元的个数，a是[0，10]之间的数。
[0117] 前向传递在数据传输过程中需要设置两个激活函数(f1和f2)分别用在输入层向隐含层传输的过程，隐含层向输出层传输的过程。
[0118] 激活函数分为两种线性的和非线性的，在实际中经常使用的是非线性函数。常用的非线性激活函数有log-sigmoid函数，这种函数的输入可以为任何值，但输出的值在0和1之间。Tan-sigmoid函数，这种函数的输入值也可以是任意值，但输出值的范围在-1到1之间。Purelin函数的输入和输出都为任意值。本领域技术人员可以根据具体的情况选择合适的激活函数，本实施例中两个激活函数都采用采用tan-sigmoid函数。
[0119] 在反向传输中，由于求偏导时，导数几乎接近0，会产生梯度消失的现象，为解决这个现象，每组折射率经输入层、隐含层和输出层向前传递过程中，每组折射率输入输入层之前进行如下处理：
[0120] 其中，NP为每天的折射率与平均值的差值，Ni为每天的折射率， 为折射率的平均值。
[0121] 每组折射率经输入层、隐含层和输出层向前传递过程中，在隐含层中第i个神经元输出满足：
[0122]
[0123] 其中，a1i为隐含层中第i个神经元输出，w1ij为隐含层中第j个神经元输入与隐含层第i个神经元输出对应的权重,NP为每天的折射率与平均值的差值。
[0124] 在输出层中第k个神经元输出满足：
[0125]
[0126] 其中，w2ki为输出层第i个神经元输入与输出层第k个神经元输出对应的权重，a1i为隐含层中第i个神经元输出，a2k为输出层第k个输出，f1和f2分别为激活函数。
[0127] S33、误差反向传递。
[0128] 计算每组折射率向前传输过程在BP神经网络中的误差，将误差分配到输出层、隐含层和输入层建立反向传递，对输出层和隐含层的权重进行修正。
[0129] 每组折射率向前传输过程在BP神经网络中的误差通过如下方法计算：
[0130]
[0131] 其中，NP为每天的折射率与平均值的差值，a2k为输出层第k个神经元输出，E1为预测的平方误差。
[0132] 由于不同的误差造成定位的影响不同，根据本发明的实施例每组折射率向前传输过程对BP神经网络中的误差进行加权：
[0133] E(W，B)＝cmE1，其中，cm为权重，E1为预测的平方误差，E(W，B)为加权后的预测误差。
[0134] 由于折射率误差的大小对定位的影响不同，本实施例中将0-1米定义一个权重，1-2米定义一个权重，2-3米定义权重。定义变量0-1米的权重c1，1-2米的权重c2，2-3米的权重c3。
[0135] 反向传递中，按照如下方法对输出层和隐含层的权重进行修正：
[0136] 1)输出层权重修改值通过如下方法计算：
[0137]
[0138] 其中，Δw2ki为输出层第i个神经元输入与输出层第k个神经元输出对应的权重修改值，a2k为输出层第k个神经元输出，w2ki为输出层第i个神经元输入与输出层第k个神经元输出对应的权重，E为加权后的预测误差，η为下降速率；
[0139] 2)隐含层权重修改值通过如下方法计算：
[0140]
[0141] 其中，Δw1ij为隐含层第j个神经元输入与隐含层第i个神经元输出对应的权重修改值，a1i为隐含层中第i个神经元输出，a2k为输出层第k个神经元输出，w1ij为隐含层中第j个神经元输入与隐含层第i个神经元输出对应的权重，E为加权后的预测误差，η为下降速率。
[0142] S34、BP神经网络初步建立。
[0143] 重复步骤S31至S33，不断调整输出层和隐含层的权重的分配，完成BP神经网络初步建立，如图3所示本发明实施例中建立的BP神经网络的示意图。
[0144] S305、BP神经网络测试。
[0145] 选取测试集中的折射率，输入至初步建立BP神经网络中进行评估，若建立的BP神经网络满足预测结果，则完成BP神经网络建立，若建立的BP神经网络预测不能满足预测结果，则重复步骤S31至S34，重新建立BP神经网络。
[0146] 步骤S104、折射率预测。
[0147] 计算需要预测的气象参数的折射率，输入至建立的BP神经网络预测折射率。例如需要进行预测的一组气象参数折射率按照步骤S102的方法计算折射率，将计算得到的折射率输入建立的BP神经网络进行折射率预测，将预测结果发送至飞行器，调整飞行器的定位。具体地，对于利用预测得到的折射率调整飞行器定位，采用本领域技术人员熟知的方法，本发明不做具体限定。
[0148] 实施例二。
[0149] 本实施例中对正常天气条件下并且气象数据较少的情形，建立BP神经网络对未来对流层折射率进行预测。
[0150] 本实施例中实施一的区别在于，处理器执行处理数据的指令的步骤S31，下面具体阐述本实施例中处理器执行如下指令：
[0151] 步骤S101、获取气象数据。
[0152] 从数据库中调用历史数据，获取气象参数。在正常天气条件下且气象数据较少的情况下，训练集和测试集都比较少，本实施例中不再进行分两部分作为训练集和测试集，采用交叉验证的方法进行数据量的扩大。
[0153] 步骤S102、计算折射率。
[0154] 通过获取的气象参数计算折射率。
[0155] 根据本发明的实施例，按照如下方法通过气象参数计算折射率：
[0156]
[0157]
[0158] Ni＝Nw+Nd，
[0159] 其中，k1＝77.604，k2＝64.79，k3＝377600，e为水汽压(hpa)，P为大气压(Pa)，T为温度(K)，Nw为对流层湿延迟折射率，Nd为对流层干延迟折射率。Ni为对流层折射率。
[0160] 步骤S103、建立BP神经网络。
[0161] 根据本发明的实施例，BP神经网络的建立包括如下步骤：
[0162] S31、数据分组。
[0163] 将步骤S102中计算得到的折射率分为x组，选取x-2组折射率交叉组合作为训练集，任选剩余的两组中的1组折射率作为测试集。
[0164] 例如将计算得到的折射率分为a、b、c、d、e和f六组，可以选取a、b、c、d或者b、c、d或者a、c、d作为训练集，将剩余的e组数据和f组数据中任选一组作为测试集。
[0165] S32、向前传递。
[0166] 设置BP神经网络隐含层的层数，将每组折射率经输入层、隐含层和输出层向前传递。
[0167] 隐含层的层数对神经网络的建立密切相关，如果隐含层的层数过少则建立的网络精确度不够，如果建立的层数过多则运算量比较复杂。根据本发明的实施例，BP神经网络隐含层的层数按照如下方法计算：
[0168]
[0169] 其中，l为隐含层的层数，n为输入层神经元的个数，m为输出层神经元的个数，a是[0，10]之间的数。
[0170] 前向传递在数据传输过程中需要设置两个激活函数(f1和f2)分别用在输入层向隐含层传输的过程，隐含层向输出层传输的过程。
[0171] 激活函数分为两种线性的和非线性的，在实际中经常使用的是非线性函数。常用的非线性激活函数有log-sigmoid函数，这种函数的输入可以为任何值，但输出的值在0和1之间。Tan-sigmoid函数，这种函数的输入值也可以是任意值，但输出值的范围在-1到1之间。Purelin函数的输入和输出都为任意值。本领域技术人员可以根据具体的情况选择合适的激活函数，本实施例中两个激活函数都采用采用tan-sigmoid函数。
[0172] 在反向传输中，由于求偏导时，导数几乎接近0，会产生梯度消失的现象，为解决这个现象，每组折射率经输入层、隐含层和输出层向前传递过程中，每组折射率输入输入层之前进行如下处理：
[0173] 其中，NP为每天的折射率与平均值的差值，Ni为每天的折射率， 为折射率的平均值。
[0174] 每组折射率经输入层、隐含层和输出层向前传递过程中，在隐含层中第i个神经元输出满足：
[0175]
[0176] 其中，a1i为隐含层中第i个神经元输出，w1ij为隐含层中第j个神经元输入与隐含层第i个神经元输出对应的权重，NP为每天的折射率与平均值的差值。
[0177] 在输出层中第k个神经元输出满足：
[0178]
[0179] 其中，w2ki为输出层第i个神经元输入与输出层第k个神经元输出对应的权重，a1i为隐含层中第i个神经元输出，a2k为输出层第k个输出，f1和f2分别为激活函数。
[0180] S33、误差反向传递。
[0181] 计算每组折射率向前传输过程在BP神经网络中的误差，将误差分配到输出层、隐含层和输入层建立反向传递，对输出层和隐含层的权重进行修正。
[0182] 每组折射率向前传输过程在BP神经网络中的误差通过如下方法计算：
[0183]
[0184] 其中，NP为每天的折射率与平均值的差值，a2k为输出层第k个神经元输出，E1为预测的平方误差。
[0185] 由于不同的误差造成定位的影响不同，根据本发明的实施例每组折射率向前传输过程对BP神经网络中的误差进行加权：
[0186] E(W，B)＝cmE1，其中，cm为权重，E1为预测的平方误差，E(W，B)为加权后的预测误差。
[0187] 由于折射率误差的大小对定位的影响不同，本实施例中将0-1米定义一个权重，1-2米定义一个权重，2-3米定义权重。定义变量0-1米的权重c1，1-2米的权重c2，2-3米的权重c3。
[0188] 反向传递中，按照如下方法对输出层和隐含层的权重进行修正：
[0189] 1)输出层权重修改值通过如下方法计算：
[0190]
[0191] 其中，Δw2ki为输出层第i个神经元输入与输出层第k个神经元输出对应的权重修改值，a2k为输出层第k个神经元输出，w2ki为输出层第i个神经元输入与输出层第k个神经元输出对应的权重，E为加权后的预测误差，η为下降速率；
[0192] 2)隐含层权重修改值通过如下方法计算：
[0193]
[0194] 其中，Δw1ij为隐含层第j个神经元输入与隐含层第i个神经元输出对应的权重修改值，a1i为隐含层中第i个神经元输出，a2k为输出层第k个神经元输出，w1ij为隐含层中第j个神经元输入与隐含层第i个神经元输出对应的权重，E为加权后的预测误差，η为下降速率。
[0195] S34、BP神经网络初步建立。
[0196] 重复步骤S31至S33，不断调整输出层和隐含层的权重的分配，完成BP神经网络初步建立
[0197] S35、BP神经网络测试。
[0198] 选取的1组测试集的折射率，输入至初步建立BP神经网络中进行评估，若建立的BP神经网络满足预测结果，则完成BP神经网络建立，若建立的BP神经网络预测不能满足预测结果，则重复步骤S31至S34，重新建立BP神经网络。
[0199] 步骤S104、折射率预测。
[0200] 计算需要预测的气象参数的折射率，输入至建立的BP神经网络预测折射率。
[0201] 实施例三。
[0202] 本实施例中对异常天气下的气象数据的的情形，建立BP神经网络对未来对流层折射率进行预测。异常天气一般指空间尺度小，生命史短暂并带有明显的突发性或气象参数的变化趋势与正常情况不相同的反常现象。例如逆温，短时强降雨，台风，高温，大雾等天气。
[0203] 根据本发明，本实施例与实施例一、实施例二的区别在于，通过异常天气的气象数据的更新形成数据库，计算折射率，建立BP神经网络进行折射率预测。
[0204] 具体地，如图4所示本发明实施例中异常天气情况下对折射率进行预测的流程图，处理器包括执行如下指令：
[0205] 步骤S201、从数据库中调用历史数据，获取气象参数(例如气温、气压、温度等气象参数)并进行归一化。
[0206] 步骤S202、对部分异常天气的气象参数进行分类，形成异常天气数据库。本实施例中对部分异常天气的气象参数可以采用人工分类的方法进行。
[0207] 步骤S203、当一个新的气象参数数据输入异常天气数据库时，引入某一段时间内气象参数随时间变化函数出现的峰值个数，以及某一时间段内气象参数随时间变化的曲线的斜率，计算新数据与样本数据的距离。
[0208] 举例来说，如图5所示本发明实施例中异常天气情况下气象参数随时间变化曲线出现的峰值个数，以及气象参数随时间变化的曲线的斜率的示意图。在1至5小时内，温度随着时间变化出现三个峰值a1、a2和a3，气压随着时间变环出现两个峰值b1、b2。在在1至5小时内气象参数随时间变化的曲线斜率(图5中的随时间变化的曲线c和d的斜率)。
[0209] 根据本发明的实施例，新数据与样本数据的距离可以通过欧式距离、曼哈顿距离、切比雪夫距离、汉明距离进行计算。应当理解，这里的样本数据是指形成的异常天气数据库中的样本数据。本实施例中采用欧式距离进行计算：
[0210] 其中，x1，x2，x3…xn为样本数据的气压，温度，降水量等气象参数，以及引入的某一段时间内气象参数随时间变化函数出现的峰值个数、某一时间段内气象参数随时间变化的曲线的斜率。
[0211] y1，y2，y3…yn为新数据的气压，温度，降水量等气象参数，以及引入的某一段时间内气象参数随时间变化函数出现的峰值个数、某一时间段内气象参数随时间变化的曲线的斜率。
[0212] 步骤S204、选定新数据距离半径为R的范围内，根据不同天气类别的出现频率，判定并记录新数据的天气类别。如图6所示本发明实施例中异常天气情况下判断新数据天气类别的示意图，在新数据(图6中的三角形)半径为R的范围内，根据出现台风天气(图6中的方框)与出现异常高温天气(图6中的小圆圈)出现的频率，来判断新数据的天气类别。本实施例中，新数据半径为R的范围内，出现台风天气的频率为3，出现异常高温天气的频率为1,判断新数据为台风天气，并记录新数据的天气类别。
[0213] 步骤S205、将下一个新的气象数据输入异常天气数据库，重复步骤S203至S204，更新异常天气数据库。
[0214] 步骤S206、通过异常天气的气象参数计算折射率，通过建立BP神经网络对需要预测的折射率进行预测。
[0215] 对于折射率的计算，以及BP神经网络的建立采用实施一或者实施例二的方法，本实施例中将不再赘述。
[0216] 本发明提供的一种对流层折射率高精度预测的地基增强系统，通过对样本数据的训练形成输入和输出之间的函数关系，每一次新的样本数据输入，会产生一组误差并将误差通过偏导数分别分配到节点上，修正它的权重使得最后网络产生的误差最小。
[0217] 本发明提供的一种对流层折射率高精度预测的地基增强系统，在正常天气且气候数据量少的情况下，在数据量较少的情况下经过交叉组合来进行扩充数据量，使得在小样本的情况下得到误差较小，辅助BP神经网络的对流层折射率预测，提高折射率预测精度。
[0218] 本发明提供的一种对流层折射率高精度预测的地基增强系统，在异常天气的情况下，对新数据天气类别的判断，引入某一段时间内气象参数随时间变化函数出现的峰值个数，以及某一时间段内气象参数随时间变化的曲线的斜率,气温，气压。计算新数据与样本数据的距离，从而判断新数据的天气类别，辅助BP神经网络预测对流层折射率，提高预测精度。
[0219] 本发明提供的一种对流层折射率高精度预测的地基增强系统，针对不同的天气情形，分别进行对流成折射率预测，提高对流层折射率的预测精度。在一些气候数据量较少的机场或地面设备没有完全建好的机场可以采用交叉组合来进行扩充数据量进行预测。于已经建有地面设备并已经观测了许多气候数据的机场，如果机场临时设备损坏，又急需降落的情况下，可以使用其后数据量多的预测方法将大气折射率从地面端传输到机载端，进而计算对流层延迟并消除这部分的误差。
[0220] 结合这里披露的本发明的说明和实践，本发明的其他实施例对于本领域技术人员都是易于想到和理解的。说明和实施例仅被认为是示例性的，本发明的真正范围和主旨均由权利要求所限定。
