结合支持向量机和近邻法的太阳耀斑预报方法

为了提高太阳耀斑预报模型的预报精度,提出了一种结合支持向量机和近邻法(SVM-KNN方法)的太阳耀斑预报方法.将太阳耀斑预报问题看作一个模式识别问题,在此基础上建立新的预报方法.选择太阳活动区的特征参量作为预报因子,如果活动区未来48小时发生大于等于M级耀斑标识为正例样本,未发生耀斑为反例样本,由这些样本组成训练集代入SVM训练算法构造了耀斑预报模型.通过输入活动区的特征参量值,预报模型使用SVM-KNN分类算法预报该活动区未来2天内是否发生太阳耀斑.模拟预报结果表明,新方法比使用SVM方法具有较高的报准率,可以应用到其它太阳活动预报领域.     

学习矢量量化网络在太阳耀斑预报中的应用

为了提高太阳耀斑预报的预报精度,主要是提高识别性能,提出了应用学习矢量量化(Learning Vector Quantity,LVQ)网络建立耀斑预报模型.LVQ是一种基于竞争学习规则的神经网络,采用有监督学习模式.算法每次修改连接获胜输出单元的权向鼍.更新规则是获胜单元的类别与输入向量的类别相匹配,它的权向量将向模式移近,否则将距离拉开.应用LVQ的耀斑预报模型是两层神经网络结构,输入层单元为预报因子的特征值,输出单元是耀斑预报的类别.仿真预报结果证明预撤模型具有较高的预报精度,说明LVQ是有效的预报方法.     

太阳质子事件短期预报模型研究

太阳质子事件预报是空间天气预报的重要组成部分.在太阳活动预报研究中,针对开发预报方法研究问题,已有的太阳质子事件预报模型主要采用统计和神经网络的方法.为了提高预报精度和准确率,选用了支持向量机和K近邻相结合的方法(称为SVM-KNN方法)建立太阳质子事件预报模型.模型选择的预报因子除了已有质子事件预报模型选用的传统太阳活动区黑子特征参量,还加入太阳活动区磁场参量.仿真预报采用2002年和2004年的数据,结果证明采用预报模型具有较高的报准率,证明SVM-KNN方法是一种有效的太阳活动预报方法.