Resumen

La refracción atmosférica es un fenómeno meteorológico especial causado principalmente por las moléculas de gas y las partículas de aerosol de la atmósfera, que puede cambiar la dirección de propagación de las ondas electromagnéticas en el entorno atmosférico. El índice de refracción atmosférico, un índice para medir la refracción atmosférica, es un parámetro importante para las ondas electromagnéticas. Dado que es difícil obtener el índice de refracción atmosférico de 100 metros (m)-3000°m sobre el océano, este trabajo propone un algoritmo mejorado de impulso de gradiente extremo (XGBoost) basado en el operador de optimización de enjambre de partículas de aprendizaje integral (CLPSO) para obtenerlos. Finalmente, se utilizan el error porcentual medio absoluto (MAPE) y el error cuadrático medio (RMSE) como criterios de evaluación para comparar los resultados de predicción del algoritmo XGBoost mejorado con la red neuronal de retropropagación (BP) y el algoritmo XGBoost tradicional. Los resultados muestran que el MAPE y el RMSE del algoritmo XGBoost mejorado son un 39% menos que los de la red neuronal BP y un 32% menos que los del XGBoost tradicional. Además, el algoritmo XGBoost mejorado tiene la mayor capacidad de aprendizaje y generalización para calcular los valores perdidos del índice de refracción atmosférico entre los tres algoritmos. Los resultados de este trabajo proporcionan un nuevo método para obtener el índice de refracción atmosférico, que será de gran importancia como referencia para seguir estudiando la refracción atmosférica.

• Materias:Radiofrecuencia Teoría de Antenas Redes Inalámbricas Banda ancha Ondas de radiofrecuencia
• Subjects:Radio frequency Antenna theory Wireless Networks Broadband Radio frequency waves
• Palabras claves:índice de refracción atmosférico, algoritmo xgboost mejorado, refracción atmosférica, red neuronal, onda electromagnética, algoritmo xgboost tradicional, boosting de gradiente extremo, error porcentual absoluto, fenómeno meteorológico especial, gran importancia de referencia
• Keywords:atmospheric refractive index, improved xgboost algorithm, atmospheric refraction, neural network, electromagnetic wave, traditional xgboost algorithm, extreme gradient boosting, absolute percentage error, special meteorological phenomenon, great reference significance