冯蕴天，吴霞，许雄，张荣庆

（1.电子信息系统复杂电磁环境效应国家重点实验室，河南 洛阳 471003；2.同济大学电子与信息工程学院，上海 201804；3.同济大学软件学院，上海 201804）

1 引言

传统的电磁态势演化预测采用纯电磁理论，时间复杂度高，并且不能实时获得计算数据。相比之下，使用深度学习的电磁态势演化预测可以大大降低计算的复杂度和时间，并且可以得到实时的仿真数据。因此，使用深度学习建立电磁态势的预测模型具有重要意义[1]。

对电离层参数预测是电磁态势预测的重要组成部分。电离层环境变化对电子信息系统有着重要影响，高频通信中，准确预测电离层参数在无线通信的多个领域，例如通信装备、航天器、雷达及导航装备的设计和运行维护都具有重要意义[2]。

为了改进传统纯电磁理论预测方式的缺点，考虑到电离层的非线性属性，国内外的学者提出了一些新的预测方法以期获得更精确的电磁态势预测模型[3-4]。已有研究证明了人工神经网络在预测非线性的短波电离层参数上的优势[5]。针对反向传播（BP,back propagation）神经网络预测存在的梯度消失等问题，长短期记忆（LSTM,long short-term memory）于1997 年被提出[6]。在逐点预测电离层参数的短期变化中，LSTM 网络对于周期性最强的F2层临界频率f0F2的预测效果较好，因此本文以LSTM 为基础，搭建神经网络模型实现电离层参数的短期和日均值变化预测，并在LSTM 网络结构中加入经验模态分解（EMD,empirical mode decomposition）算法。作为处理非线性信号的网络优化方法，EMD 算法已被广泛应用于深度学习中的数据处理[7]。……