基于机器学习的地球静止轨道质子能谱反演

根据地面中子探测与宇宙线环境之间的关联性，在太阳活动平静期以地球静止环境业务卫星及全球各个中子探测站的探测数据构建数据集。基于极端梯度提升决策树（XGBoost）和人工神经网络建立了由地面中子探测数据反演宇宙线质子环境的模型。模型采用遗传算法求解模型的最优超参数并对神经网络的各个神经元参数进行训练，实现了宇宙线质子环境在太阳活动平静期的反演，模型训练的均方差MSE为0.499，对测试集的平均反演误差分别为26.9%，对比航天常用的辐射环境模型误差通常在200%以内，提高显著。同时使用包括支持向量回归、误差反向传播算法、长短期记忆在内的多种其他机器学习算法进行了对比，结果表明本文所建立的模型具有训练时间短、计算速度快、占用资源小的优点。