本文關(guān)鍵詞：基于極速學(xué)習(xí)機(jī)與回聲狀態(tài)網(wǎng)絡(luò)的太陽(yáng)活動(dòng)預(yù)報(bào)　出處：《南京信息工程大學(xué)》2014年碩士論文　論文類(lèi)型：學(xué)位論文

  更多相關(guān)文章： 太陽(yáng)活動(dòng) 預(yù)報(bào) 極速學(xué)習(xí)機(jī) 集成學(xué)習(xí) 回聲狀態(tài)網(wǎng)絡(luò) 小波分解

【摘要】：太陽(yáng)活動(dòng)影響和破壞地球環(huán)境,對(duì)它的快速和準(zhǔn)確預(yù)報(bào)有極其重要的意義,受到廣泛關(guān)注。太陽(yáng)耀斑和太陽(yáng)黑子是太陽(yáng)活動(dòng)的主要方式,本文基于太陽(yáng)活動(dòng)區(qū)光球磁場(chǎng)觀測(cè)數(shù)據(jù)和太陽(yáng)黑子數(shù)據(jù),利用極速學(xué)習(xí)機(jī)和回聲狀態(tài)網(wǎng)絡(luò)分別建立預(yù)報(bào)模型,實(shí)現(xiàn)太陽(yáng)耀斑和太陽(yáng)黑子的預(yù)報(bào)。主要有如下兩方面工作： (1)提出一種基于序次Logistic回歸與極速學(xué)習(xí)機(jī)集成的太陽(yáng)耀斑預(yù)測(cè)算法。現(xiàn)有太陽(yáng)耀斑預(yù)報(bào)方法大多對(duì)高等級(jí)耀斑預(yù)測(cè)率不高,盡管BP神經(jīng)網(wǎng)絡(luò)集成算法對(duì)高等級(jí)耀斑有較高的預(yù)報(bào)率,然而該算法訓(xùn)練時(shí)間卻過(guò)長(zhǎng)。為此本文將集成極速學(xué)習(xí)機(jī)以進(jìn)行太陽(yáng)耀斑預(yù)測(cè),極速學(xué)習(xí)機(jī)訓(xùn)練過(guò)程中無(wú)需迭代,速度較快,基于極速學(xué)習(xí)機(jī)集成的太陽(yáng)耀斑預(yù)測(cè)有較短的訓(xùn)練時(shí)間。為進(jìn)一步提高高等級(jí)耀斑預(yù)測(cè)精度,又將序次Logistic回歸引入到耀斑預(yù)報(bào)中,通過(guò)序次Logistic回歸將總的無(wú)符號(hào)磁通量,中性線上的強(qiáng)梯度長(zhǎng)度,總磁能耗散三個(gè)光球磁場(chǎng)參量映射為四類(lèi)耀斑的產(chǎn)生概率,對(duì)得到的四類(lèi)耀斑產(chǎn)生概率利用極速學(xué)習(xí)機(jī)集成進(jìn)行預(yù)測(cè),采用交叉檢驗(yàn)的方法對(duì)結(jié)果進(jìn)行驗(yàn)證。結(jié)果表明,該方法不僅有較快的訓(xùn)練速度,對(duì)高等級(jí)耀斑預(yù)測(cè)也有較高的預(yù)報(bào)精度。 (2)提出一種結(jié)合小波變換和回聲狀態(tài)網(wǎng)絡(luò)的高精度太陽(yáng)黑子預(yù)報(bào)模型。目前用于太陽(yáng)黑子數(shù)和太陽(yáng)黑子面積預(yù)測(cè)的傳統(tǒng)神經(jīng)網(wǎng)絡(luò)模型計(jì)算復(fù)雜度高,收斂速度慢,缺乏記憶能力。本文將具有記憶能力的回聲狀態(tài)網(wǎng)絡(luò)引入太陽(yáng)黑子預(yù)報(bào)中,對(duì)黑子數(shù)和黑子面積的預(yù)報(bào)結(jié)果顯示,基于回聲狀態(tài)網(wǎng)絡(luò)的預(yù)報(bào)模型比BP神經(jīng)網(wǎng)絡(luò)和RBF神經(jīng)網(wǎng)絡(luò)有較高的預(yù)報(bào)精度。更進(jìn)一步將小波變換引入到太陽(yáng)黑子的預(yù)報(bào)中,提出一種小波分解回聲狀態(tài)網(wǎng)絡(luò)預(yù)報(bào)模型。將原時(shí)間序列小波分解多層,并單支重構(gòu),一方面對(duì)單支重構(gòu)的序列利用回聲狀態(tài)網(wǎng)絡(luò)進(jìn)行預(yù)測(cè),由于單支重構(gòu)的信號(hào)平穩(wěn)性比原信號(hào)好得多,因此可以提高預(yù)報(bào)精度。另一方面,將單支重構(gòu)的低頻分量和高頻分量同時(shí)作為儲(chǔ)備池網(wǎng)絡(luò)的輸入,高頻分量在一定意義上可克服傳統(tǒng)回聲狀態(tài)網(wǎng)絡(luò)模型中的不適定問(wèn)題。不同訓(xùn)練步長(zhǎng)和不同預(yù)測(cè)步長(zhǎng)對(duì)太陽(yáng)黑子數(shù)和太陽(yáng)黑子面積時(shí)間序列的預(yù)報(bào)結(jié)果顯示,所提預(yù)報(bào)模型有較高的預(yù)報(bào)精度。
[Abstract]:......
【學(xué)位授予單位】：南京信息工程大學(xué)
【學(xué)位級(jí)別】：碩士
【學(xué)位授予年份】：2014
【分類(lèi)號(hào)】：P182.9

【參考文獻(xiàn)】

相關(guān)期刊論文 前10條

1 張桂清;月平滑太陽(yáng)黑子相對(duì)數(shù)的預(yù)報(bào)[J];地球物理學(xué)報(bào);1989年01期

2 趙海娟;王家龍;宗位國(guó);唐云秋;樂(lè)貴明;;用徑向基函數(shù)神經(jīng)網(wǎng)絡(luò)方法預(yù)報(bào)太陽(yáng)黑子數(shù)平滑月均值[J];地球物理學(xué)報(bào);2008年01期

3 彭宇;王建民;彭喜元;;基于回聲狀態(tài)網(wǎng)絡(luò)的時(shí)間序列預(yù)測(cè)方法研究[J];電子學(xué)報(bào);2010年S1期

4 彭宇;王建民;彭喜元;;儲(chǔ)備池計(jì)算概述[J];電子學(xué)報(bào);2011年10期

5 ;Prediction of the smoothed monthly mean sunspot numbers for solar cycle 24[J];Science in China(Series G:Physics,Mechanics & Astronomy);2008年12期

6 王家龍;苗娟;劉四清;龔建村;朱翠蓮;;第24太陽(yáng)周太陽(yáng)黑子數(shù)平滑月均值預(yù)報(bào)[J];中國(guó)科學(xué)(G輯:物理學(xué) 力學(xué) 天文學(xué));2008年08期

7 王曦;畢貴紅;唐京瑞;;基于EMD的太陽(yáng)黑子時(shí)間序列組合預(yù)測(cè)模型[J];計(jì)算機(jī)工程;2011年24期

8 田劍華;用BP神經(jīng)網(wǎng)絡(luò)預(yù)報(bào)太陽(yáng)活動(dòng)第23周的黑子數(shù)[J];空間科學(xué)學(xué)報(bào);1997年03期

9 王家龍,韓延本;“相似周”方法及對(duì)第23周太陽(yáng)黑子數(shù)逐月值預(yù)測(cè)的討論[J];空間科學(xué)學(xué)報(bào);2000年03期

10 丁留貫;藍(lán)如師;蔣勇;彭建東;;基于神經(jīng)網(wǎng)絡(luò)的太陽(yáng)黑子面積平滑月均值預(yù)測(cè)[J];大氣科學(xué)學(xué)報(bào);2012年04期

相關(guān)博士學(xué)位論文 前1條

1 黃鑫;基于序列數(shù)據(jù)的太陽(yáng)耀斑預(yù)報(bào)方法研究[D];哈爾濱工業(yè)大學(xué);2010年

，

本文編號(hào)：1355069