论文部分内容阅读
太阳活动影响和破坏地球环境,对它的快速和准确预报有极其重要的意义,受到广泛关注。太阳耀斑和太阳黑子是太阳活动的主要方式,本文基于太阳活动区光球磁场观测数据和太阳黑子数据,利用极速学习机和回声状态网络分别建立预报模型,实现太阳耀斑和太阳黑子的预报。主要有如下两方面工作：(1)提出一种基于序次Logistic回归与极速学习机集成的太阳耀斑预测算法。现有太阳耀斑预报方法大多对高等级耀斑预测率不高,尽管BP神经网络集成算法对高等级耀斑有较高的预报率,然而该算法训练时间却过长。为此本文将集成极速学习机以进行太阳耀斑预测,极速学习机训练过程中无需迭代,速度较快,基于极速学习机集成的太阳耀斑预测有较短的训练时间。为进一步提高高等级耀斑预测精度,又将序次Logistic回归引入到耀斑预报中,通过序次Logistic回归将总的无符号磁通量,中性线上的强梯度长度,总磁能耗散三个光球磁场参量映射为四类耀斑的产生概率,对得到的四类耀斑产生概率利用极速学习机集成进行预测,采用交叉检验的方法对结果进行验证。结果表明,该方法不仅有较快的训练速度,对高等级耀斑预测也有较高的预报精度。(2)提出一种结合小波变换和回声状态网络的高精度太阳黑子预报模型。目前用于太阳黑子数和太阳黑子面积预测的传统神经网络模型计算复杂度高,收敛速度慢,缺乏记忆能力。本文将具有记忆能力的回声状态网络引入太阳黑子预报中,对黑子数和黑子面积的预报结果显示,基于回声状态网络的预报模型比BP神经网络和RBF神经网络有较高的预报精度。更进一步将小波变换引入到太阳黑子的预报中,提出一种小波分解回声状态网络预报模型。将原时间序列小波分解多层,并单支重构,一方面对单支重构的序列利用回声状态网络进行预测,由于单支重构的信号平稳性比原信号好得多,因此可以提高预报精度。另一方面,将单支重构的低频分量和高频分量同时作为储备池网络的输入,高频分量在一定意义上可克服传统回声状态网络模型中的不适定问题。不同训练步长和不同预测步长对太阳黑子数和太阳黑子面积时间序列的预报结果显示,所提预报模型有较高的预报精度。