Вестник КРАУНЦ. Физ.-мат. науки. 2022. Т. 41. №4. C. 137-146. ISSN 2079-6641

Содержание выпуска

Read English Version US Flag

УДК 519

Научная статья

Моделирование и анализ данных foF2 с использованием нейронных сетей NARX и вейвлетов

О. В. Мандрикова, Ю. А. Полозов

Институт космофизических исследований и распространения радиоволн ДВО РАН, 684034, Паратунка, ул.
Мирная 7, Россия

E-mail: up_agent@mail.ru

Необходимость обнаружения аномалий имеет особую актуальность в задачах геофизического мониторинга, требует обеспечения точности и оперативности метода. В работе предлагается подход на основе нейронных сетей NARX для задачи моделирования данных foF2 и обнаружения в них аномалий. Известно, что нейронные сети трудно моделируют сильно зашумленные и существенно нестационарные временные ряды. Поэтому оптимизация процесса моделирования временных рядов сложной структуры сетью NARX выполнялась с использованием вейвлет-фильтрации. На примере обработки временных рядов параметров ионосферы показана эффективность предлагаемого подхода, приведены результаты для задачи обнаружения ионосферных аномалий. Подход может быть применен при выполнении прогноза космической погоды для прогнозирования параметров ионосферы.

Ключевые слова: моделирование временных рядов; вейвлеты; нейрон- ные сети NARX; ионосферные параметры.

DOI: 10.26117/2079-6641-2022-41-4-137-146

Поступила в редакцию: 01.12.2022

В окончательном варианте: 06.12.2022

Для цитирования. Мандрикова О. В., Полозов Ю. А. Моделирование и анализ данных foF2 с использованием нейронных сетей NARX и вейвлетов // Вестник КРАУНЦ. Физ.- мат. науки. 2022. Т. 41. № 4. C. 137-146. DOI: 10.26117/2079-6641-2022-41-4-137-146

Контент публикуется на условиях лицензии Creative Commons Attribution 4.0 International (https://creativecommons.org/licenses/by/4.0/deed.ru)

© Мандрикова О. В., Полозов Ю. А., 2022

Финансирование. Работа выполнена в рамках ГЗ <Физические процессы в си- стеме ближнего космоса и геосфер при солнечных и литосферных воздействиях>. Регистрационный номер: АААА-А21-121011290003-0. В работе использовалось оборудование Центра коллективного пользования <Северо-восточный гелиогеофизический центр> CKP_558279.

Конкурирующие интересы. Конфликтов интересов в отношении авторства и публикации нет.

Авторский вклад и ответственность. Авторы участвовали в написании статьи и полностью несут ответственность за предоставление окончательной версии статьи в печать.

Список литературы

  1. Alperovich L., Eppelbaum L., Zheludev V., Dumoulin J., Soldovieri F., Proto M., Bavusi M., Loperte A. A New Combined Wavelet Methodology: Implementation to GPR and ERT Data Obtained in the Montagnole Experiment, J. Geophys. Eng., 2013. vol. 10. 025017 DOI: 10.1088/1742- 2132/10/2/025017.
  2. ang R., Zeng F., Chen Z., Wang J.-S., Huang C.-M., Wu Z. The Comparison of Predicting Storm- Time Ionospheric TEC by Three Methods: ARIMA, LSTM, and Seq2Seq, Atmosphere, 2020. vol. 11. 316 DOI: 10.3390/atmos11040316.
  3. Kim S.-K., Lee E., Park J., Shin S. TFeasibility Analysis of GNSS-Reflectometry for Monitoring Coastal Hazards, Remote Sensing, 2021. Т. 13, С. 976 DOI: 10.3390/rs13050976.
  4. Perol T., Gharbi M., Denolle M. Convolutional Neural Network for Earthquake Detection and Location, Sci. Adv., 2018. vol. 4. e1700578 DOI: 10.1126/sciadv.1700578.
  5. Pavlicko M., Vojtekov´a M., Blaˇzekov´a O. Forecasting of Electrical Energy Consumption in Slovakia, Mathematics, 2022. vol. 10. 577 DOI: 10.3390/math10040577.
  6. Ma Q., Liu S., Fan X., Chai C., Wang Y., Yang K. A Time Series Prediction Model of Foundation Pit Deformation Based on Empirical Wavelet Transform and NARX Network, Mathematics, 2020. vol. 8, 1535 DOI: 10.3390/math8091535.
  7. Haykin S. Neural Networks: A Comprehensive Foundation, 2nd ed.. N.J.: Prentice Hall, 1999. 842 p.
  8. Diaconescu E. The use of NARX neural networks to predict chaotic time series, WSEAS Trans. Comp. Res., 2008. vol. 3, p. 182–191. 
  9. Gao Y., Er M.J. NARMAX Time Series Model Prediction: Feedforward and Recurrent Fuzzy Neural Network Approaches, Fuzzy Sets and Systems, 2005. vol. 150, p. 331–350 DOI: 10.1016/j.fss.2004.09.015.
  10. Mallat S. A Wavelet Tour of Signal Processing. San Diego: Academic Press, 1999. 620 p.
  11. Danilov A.D. Ionospheric F-Region Response to Geomagnetic Disturbances, Advances in Space Research, 2013. vol. 52, С. 343–366 DOI: 10.1016/j.asr.2013.04.019.
  12. Mandrikova O., Mandrikova, B. Method of wavelet-decomposition to research cosmic ray variations: Application in space weather, Symmetry, 2021. vol. 13, no. 12,  2313 DOI: 10.3390/sym13122313.
  13. Mandrikova O., Mandrikova, B. Hybrid method for detecting anomalies in cosmic ray variations using neural networks autoencoder, Symmetry, 2022. vol. 14, no. 4, 744 DOI: 10.3390/sym14040744.
  14. Mandrikova O., Fetisova N., Polozov Y. Hybrid model for time series of complex structure with components, Mathematics, 2021. vol. 9, no. 10,  1122 DOI: 10.3390/math9101122.

Мандрикова Оксана Викторовна – доктор технических наук, профессор, зав. лабораторией Системного анализа, ИКИР ДВО РАН,
Россия, ORCID 0000-0002-6172-1827.


Полозов Юрий Александрович – кандидат технических наук, старший научный сотрудник лаборатории Системного анали- за, ИКИР ДВО РАН, Россия, ORCID 0000-0001-6960-8784.