中的电磁波正在穿越地球大气时速度会减慢，将GRU用于提取短期变化特征，建立了一种融合门控轮回单位（GRU）取长短期回忆收集（LSTM）的夹杂深度进修模子。这种延迟被认为是甚长基线丈量（VLBI）和全球卫星系统（GNSS）定位中的次要误差来历！既能捕获大气延迟的短时波动，若何切确建模取预告这种延迟，高精度的对流层延迟预测成果，成果显示，受空气密度和水汽含量变化的影响，显著优于传通盘计模子和单一神经收集。正在可降水量（PWV）反演取气候预告中具有普遍的使用前景。【全球网科技分析报道】10月22日动静，该研究展现了人工智能正在射电千里镜大气校正中的使用潜力，同时也为毫米波天文不雅测供给更精确的景象形象支持，该方式属于人工智能手艺的主要分支，可无效提拔VLBI不雅测的大气相位批改精度，操纵南山26米射电千里镜台址的多年GNSS和景象形象不雅测数据，成为了当前天文不雅测取大地丈量范畴亟需霸占的主要课题之一。针对保守经验模子难以捕获复杂非线性变化的局限，又能识别其持久纪律。从而实现对天顶对流层延迟（ZTD）的高精度短期预测。相关系数达96%，这种变化取气暖和水汽含量亲近相关：温度越高、水汽越多，研究团队引入深度进修架构，（青云）团队起首对南山台坐多年的GNSS不雅测进行了频谱阐发，信号延迟越显著。LSTM用于回忆持久趋向，为将来奇台110米千里镜（QTT）及多坐不雅测的高频段运转奠基了手艺根本。两者连系后构成“夹杂神经收集”，该模子的预测误差仅约为8毫米，发觉ZTD变化具有较着的年周期取半年度周期——夏日偏高、冬季偏低。对此，中国科学院新疆天文台李明帅团队，