Системы моделирования и прогнозирования ионосферных данных

Вид материала

Документы

Содержание Рисунок 3 – Моделирование и прогнозирование аппроксимирующих компонент. Синей линией отмечены исходные данные, красной – значени Рисунок 4 – Остаточные ошибки прогнозирования Стратегия выхода на рынок

Подобный материал:

• Аннотация рабочей программы учебной дисциплины «Методы моделирования и прогнозирования, 108.27kb.
• Аннотация рабочей программы учебной дисциплины «Методы моделирования и прогнозирования, 76.69kb.
• С. К. Дулин, А. С. Селецкий, В. И. Уманский Вданной статье рассмотрена задача создания, 108.51kb.
• Удк 681. 3: 519 применение методов data mining для формирования базы знаний экспертной, 78.88kb.
• Проблемы макроэкономического моделирования занятости в современной экономике, 175.12kb.
• Решение задач одно из важных применений Excel. Системы линейных уравнений решаются, 39.61kb.
• С целью изучения, формулирования выводов, принятия решений и прогнозирования, 231.79kb.
• Преимущества использования среды моделирования, 41.26kb.
• Использование измерений сигналов системы gps для обнаружения ионосферных предвестников, 250.54kb.
• А. Р. Анализ современных тенденций в методологии макрофинансового прогнозирования, 376.06kb.

СИСТЕМЫ МОДЕЛИРОВАНИЯ И ПРОГНОЗИРОВАНИЯ ИОНОСФЕРНЫХ ДАННЫХ


Глушкова Надежда Владимировна

Камчатский государственный технический университет

Г. Петропавловск-Камчатский


Моделирование, прогнозирование и анализ природных данных имеет большое значение для решения ряда вопросов в области геофизики. Данные исследования позволяют получить количественную оценку, выявить внутренние связи и механизмы взаимодействия компонентов, имеющих природное и техногенное происхождения, выделить аномальное поведение над сейсмоактивным камчатским регионом в период подготовки сильных землетрясений, а также имеют важное значение для развития средств радиосвязи, в том числе в дальневосточном регионе. Результаты исследований и основанные на них программные средства могут быть применены в физических обсерваториях, космических агентствах, военно-промышленном комплексе, геофизических службах. Таким образом, разрабатываемые мной методы и алгоритмы востребованы для решения многих задач народного хозяйства.

Основными задачами проекта являются:

- разработка методов моделирования и прогнозирования ионосферных данных на основе совмещения вейвлет-преобразования и методов авторегрессии-проинтегрированного скользящего среднего;

- разработка численных алгоритмов и программных средств по обработке и анализу ионосферных данных;

- разработка экспертной системы по обработке и анализу ионосферных данных и выделению особенностей, связанных с солнечной и сейсмической активностью.


Сложности решения этих задач заключаются в сложной внутренней структуре регистрируемых данных. Они содержат различного характера переходные процессы, локальные особенности и аномальные эффекты, которые могут быть связаны с солнечной либо сейсмической активностью. Эти особенности содержат главную информацию об изучаемых природных процессах и при обработке не должны быть отфильтрованы как помеховой сигнал из-за неизбежной в этом случае потери информации.

Сложная структура данных делает неэффективным непосредственное применение к ним традиционных методов анализа природных данных. Эти методы описывают достаточно узкий класс процессов, позволяют выделить некоторые наиболее устойчивые характеристики сигналов и их применение требует полной априорной информации об изучаемых временных рядах.

Наиболее подходящим пространством для их представления является пространство вейвлет-функций. Вейвлет-преобразование имеет обширный словарь базисных функций различной формы и временной протяженности и позволяет описывать временные ряды сложной внутренней структуры. В данном проекте предлагается метод моделирования и прогнозирования данных критической частоты ионосферы, основанный на совместном применении вейвлет-преобразования и моделей авторегрессии-проинтегрированного скользящего среднего (АРПСС).

В пространстве вейвлетов данные представляются в виде линейной комбинации составляющих двух видов: детализирующие составляющие и аппроксимирующие компоненты, и обеспечивается полное сохранение информации о сигнале. Аппроксимирующие компоненты – это трендовые составляющие процесса. Детализирующие компоненты содержат информацию о локальных структурах. Для оценки параметров компонент используется класс моделей АРПСС. Модели АРПСС являются гибким аппаратом, позволяют выделить характерные структуры, выполнить прогноз значений данных и содержат средства автоматического обнаружения изменения параметров модели. Таким образом, совместное применение этих методов обеспечивает возможность отображения характерных структур, построения прогноза данных и автоматического обнаружения аномальных особенностей.

Также разрабатывается комплекс численных алгоритмов. Они направлены на выделение и классификацию характерных структур и аномальных особенностей, связанных с солнечной и сейсмической активностью на Камчатке.

С целью сравнения эффективности предлагаемого метода с традиционными подходами была произведена попытка моделирования природных данных традиционными методами. Использовались данные подпочвенного радона OARn и критической частоты foF2. Производилось сглаживание временных рядов методом скользящего среднего и моделирование на основе АРПСС (рис. 1). Диагностическая проверка полученных моделей показала плохие результаты: наблюдалась существенная автокорреляция остатков, свидетельствующая о неадекватности полученных моделей.

(а)



(b)



(c)



Рисунок 1. (a) – исходный сигнал подпочвенного радона OARn; (b) –компонента сигнала OARn, полученная после применения процедуры сглаживания;(c) - остаточные ошибки модели АРПСС сглаженной компоненты сигнала OARn.


На рисунке 2 представлены результаты применения к данным OARn предлагаемого метода. Диагностическая проверка показала хорошие результаты, ошибки модели являются белым шумом. В результате детального анализа остаточных ошибок также были обнаружены краткосрочные аномальные эффекты, которые проявляли себя в виде значительного увеличения остаточных ошибок в локальной области временного ряда. Анализ данных показал, что данные аномалии возникали накануне сильных землетрясений на Камчатке. Выявленные аномальные области показаны на рис. 2 пунктирными линиями, стрелками показаны сейсмические события, произошедшие за исследуемый период. Данный результат подтверждает эффективность предлагаемого метода и возможность его использования для выделения признаков повышенной сейсмической активности на Камчатке.



Рисунок 2 – АР-модель сглаженной составляющей 4-го уровня разложения сигнала OARn; (b) – остаточные ошибки модели. Стрелками отмечены моменты возникновения сильных землетрясений, пунктирной линией показаны области увеличений остаточной ошибки.

На примере обработки данных критической частоты f₀F2 также показана эффективность предлагаемого метода (рис.3-5): выполнено разложение данных на компоненты и произведена идентификация АРПСС-моделей, параметры которых имеют близкие значения. Анализ остаточных ошибок позволил выделить моменты возрастания солнечной активности (рис. 5).




Рисунок 3 – Моделирование и прогнозирование аппроксимирующих компонент. Синей линией отмечены исходные данные, красной – значения прогноза




Рисунок 4 – Остаточные ошибки прогнозирования


(а)



(б)



Рисунок 5 – (а) – данные k-индекса; (b) – остаточные ошибки модели. Стрелкой отмечены моменты возникновения магнитных бурь, пунктирной линией показаны области увеличений остаточной ошибки.


Преимущества товара

1. новые методы обработки и анализа природных сигналов;
   
2. повышение точности и достоверности результатов. Сохранение важной информации;
   
3. возможность создания более эффективных программных средств;
   
4. широкая область применения (методы являются гибкими средствами и могут быть адаптированы под данные с определенной структурой);
   

Актуальность и значимость проекта

1. Работа поддержана грантом Президента РФ по направлению информационные и телекоммуникационные системы и технологии МД – 2199.2011.9;
   
2. Доклад на международной конференции «Вторая Всероссийская НПК»Наука, образование, инновации: пути развития» (апрель 2011 г);
   
3. Находится в печати статья «Моделирование аппроксимирующих компонент данных критической частоты ионосферного слоя F2 на основе вейвлетов и АР-модели» в журнале «Вестник КамчатГТУ».
   

Стратегия выхода на рынок:

1. (1-2 год) Проведение НИОКР. Апробация метода моделирования и прогнозирования критической частоты. Разработка и внедрение в лабораторию ИКИР ДВО РАН автоматизированной системы. Разработка новых методов по обработке и анализу ионосферных данных. Разработка курсов лекций и методических пособий и внедрение в обучающий процесс.
   
2. (3-5 год) Внедрение в лабораторию ИКИР ДВО РАН, в Геофизическую службу РАН системы обработки и анализа ионосферных данных. Апробация разработанных методов по обработке и анализу ионосферных данных. Поиск инвесторов, реализация пробной продукции. Получение прибыли.
   

Основные публикации:

1. Доклад на международной конференции «Вторая Всероссийская НПК «Наука, образование, инновации: пути развития» (апрель 2011 г.).
   
2. Находится в печати статья «Моделирование аппроксимирующих компонент критической частоты ионосферного слоя F2 на основе вейвлетов и АР-модели» в журнале «Вестник КамчатГТУ»
   

Автор проекта: Глушкова Н.В., 1987 г., тел. 8-909-838-51-85, nv.glushkova@yandex.ru,

Научный руководитель: Мандрикова О.В., д.т.н., доцент, профессор кафедры систем управления, Камчатский государственный технический университет, т. 8-961-960-74-47