УДК 004.032.26; 621.371
ПРОГНОЗИРОВАНИЕ СУТОЧНОГО ХОДА АМПЛИТУДЫ СВЕРХДЛИННОВОЛНОВЫХ РАДИОСИГНАЛОВ С ИСПОЛЬЗОВАНИЕМ РЕКУРРЕНТНЫХ НЕЙРОННЫХ СЕТЕЙ
Нгуен Хак Хоанг Зыонг, аспирант кафедры РЭиТС ИРНИТУ, Иркутск, Россия;
orcid.org/0009-0000-1561-8741, e-mail: Этот адрес электронной почты защищён от спам-ботов. У вас должен быть включен JavaScript для просмотра.
А.С. Полетаев, к.ф.-м.н., доцент кафедры РЭиТС ИРНИТУ, Иркутск, Россия;
orcid.org/0000-0002-6448-0045, e-mail: Этот адрес электронной почты защищён от спам-ботов. У вас должен быть включен JavaScript для просмотра.
А. Г. Ченский, к.ф.-м.н., доцент, заведующий кафедрой РЭиТС ИРНИТУ, Иркутск, Россия;
orcid.org/0000-0003-2076-5396, e-mail: Этот адрес электронной почты защищён от спам-ботов. У вас должен быть включен JavaScript для просмотра.
Исследуется применение рекуррентных нейронных сетей с механизмом долгой краткосрочной памяти (LSTM) для прогнозирования суточного хода амплитуды сверхдлинноволновых сигналов (СДВ). На основе данных, собранных на приёмной станции в Иркутске по трассе JJI (Япония) – Иркутск с частотой 22,2 кГц, разработана модель для прогнозирования суточных вариаций амплитуды СДВ сигнала на различных временных интервалах. Для обучения и тестирования использовались данные за период с 1 по 16 июля 2017 года, предварительно обработанные для оптимизации вычислительных ресурсов. Экспериментальные исследования подтвердили, что модель достигает высокой точности при прогнозировании на длительные временные интервалы. В частности, для прогноза на 24 часа средние значения ошибок составили: RMSE – 0.000596, MAPE – 11.51 %, NMAE – 5.96 %. Анализ результатов показал, что модель успешно воспроизводит общий тренд суточного изменения амплитуды сигнала, а точность прогнозов выше для сигналов, близких по сезону и условиям к обучающим данным. Полученные результаты подтверждают эффективность использования LSTM-нейронных сетей для прогнозирования амплитуды СДВ сигналов и указывают на их потенциал в применении в области радиосвязи и для мониторинга ионосферы.
Ключевые слова: СДВ сигнал, ионосфера, машинное обучение, нейронная сеть, временной ряд, RNN, LSTM, прогнозирование.