论文部分内容阅读
大气光学湍流是大气中的一种重要现象,当它发生时,会对在其中传输的光束产生影响,因此长期观测大气光学湍流强度有助于地面激光设备的使用和天文台选址的搭建,但实际中因为搭载观测平台的成本较高,长期大范围观测大气光学湍流强度难以实现,因此找到一种能够准确预报大气光学湍流强度的方法有助于解决这一问题。本论文基于在成都和德令哈两种不同地区所做的实验,介绍了后向传播神经网络与支持向量机两种预报大气光学湍流的办法,建立两个模型,并比较了两种模型的效果,主要结论如下:(1)经过训练好的后向传播神经网络模型能够基本准确的表现出成都地区的大气光学湍流强度Cn2的日变化特征,而且在夜间的预报也更贴近观测值,平均相对误差率为3.03%,但是与观测结果相比,预报结果的峰值会有一小时的超前;在德令哈地区的实验表明,BP模型也能表现出该地区的基本日变化特征,平均相对误差率为3.53%,该地区Cn2的转换时刻明显,尤其是在18:00大气光学湍流强度会出现突然下降,后向传播神经网络模型能够准确的表现出这一变化。(2)支持向量机模型通过循环确定关键参数后也被证明可以用来估算近地面的大气光学湍流强度Cn2,成都地区的实验表明通过支持向量机模型能够表现出该地区的大气光学湍流的日变化特征,平均相对误差率为2.81%;在德令哈地区也进行了相应的实验进行验证,使用支持向量机建立模型在该地区做出了9天的预测结果与观测值吻合基本较好,能够明显表现出该地区大气光学湍流强度Cn2的日变化特征,平均相对误差率为3.38%,Cn2的频数分布图表明其与观测值的分布相似,均满足高斯分布。(3)通过在成都和德令哈地区的两次实验表明,经过训练的两种模型均能够通过一天的数据得到随后6至9天的大气光学湍流强度Cn2的预报,相关分析、平均绝对误差和相对误差等统计量的分析均表明,这两种模型能够准确表现出这两个地区近地面的大气光学湍流强度的变化,后向传播神经网络模型的相对误差率等统计量略大于支持向量机模型,但两者差距不大,均能够表现出良好的非线性特征。