甚低频电磁波方法预报地磁暴

通过观察甚低频电磁波的相位变化,预测太阳耀斑的级别.当太阳耀斑爆发时,太阳表面首先会发出大量电磁辐射(主要是X射线),甚低频电磁波能很好地感应到此辐射;其次还喷射出大量带电低能粒子流,这会引起地磁暴,且通常在耀斑爆发1~2d之后到达地球.给出了一个预报地磁暴的实例.两事件的时间间隔约为28h,太阳风的速度约为1 484.1km/s.     

一种黑子特征自动提取的太阳耀斑模型

太阳耀斑是最剧烈的太阳爆发之一,太阳耀斑能够在几分钟内对空间环境产生影响,为了更好地应对太阳耀斑爆发的空间环境效应,本文提出一种基于自动特征提取方法的太阳耀斑预报模型.该模型以太阳黑子的连续谱观测图像为输入,利用卷积神经网络的自动图像特征提取能力,建立太阳耀斑预报模型.传统的以太阳黑子特征为输入的耀斑模型需要以黑子的McIntosh分型作为输入,黑子的McIntosh分型需要人为指定,效率低并且具有一定的主观性.通过实验比较,本文提出的耀斑预报模型比传统的以太阳黑子McIntosh分型为基础的预报模型具有更好的预报准确度.总之,本文提出的太阳耀斑预报模型能够自动提取太阳黑子图像的特征,具有更高的预报效率和准确率(在48 h M级耀斑预报中,基于深度学习方法的预报模型在耀斑报准率上比传统预报模型高3.7%,在非耀斑报准率上比传统预报模型高2.8%),是一种实用性较强的太阳耀斑预报模型.     

基于RBF人工神经网络的X级以上太阳耀斑预报研究

采用第23太阳活动周X级以上耀斑的数据,通过回归分析、Gauss拟合和RBF人工神经网络等方法对X级以上耀斑进行预报研究.结果表明,将黑子群的位置、卡灵顿经度、耀斑爆发时间与黑子群达到最大面积的时间关系、每7d黑子群的最大面积、太阳耀斑流量的积分值、CME速度和F10.7射电流量7个预报因子作为参量对RBF人工神经网络预报模型进行训练,训练后建立的RBF模型的输出结果和训练数据的相关系数高达98%,对耀斑强度的预报结果与观测结果的误差在0.5以内,预报模型符合耀斑短期预报的要求.     

太阳活动区参量与太阳耀斑和太阳质子事件的相关性统计分析

太阳黑子活动区与太阳耀斑和太阳质子事件的发生有紧密的关系.选取活动区特征参量包括太阳黑子群面积,磁分类,McIntosh分类,10 cm射电流量,统计和耀斑发生的产率关系;还统计了太阳活动区的位置,软X射线通量和质子事件的产率关系.对于磁分类,McIntosh分类的每一种分类类型计算了耀斑产率,对黑子群面积和10 cm射电流量和软X射线通量用函数拟合了它们和太阳耀斑和太阳质子事件的产率关系.对活动区位置采用了分段统计质子事件产率的方法.统计结果显示我们选取的活动区特征参量与太阳耀斑和质子事件有较强的相关性.统计结果可作为以后建立太阳耀斑,太阳质子事件预报模型中预报因子的选取的基础.     

金属填料蒸发型空调系统性能的预测模型

针对金属填料蒸发型空调系统内部传热传质过程的复杂性,利用人工神经网络的非线性映射功能、学习功能和记忆功能,通过对数据样本的学习,建立起描述金属填料蒸发型空调系统性能与其影响因素间关系的神经网络模型,再根据此模型来预测影响因素变化引起的蒸发型空调系统性能变化.利用试验数据对网络模型进行训练和验证,检验模型预测的准确性.结果表明:网络模型输出结果与实验数据比较吻合,相对误差大多在6%以内,证实该网络模型对金属填料蒸发型空调系统性能预测的可行性.     

应用数据挖掘技术的短期太阳耀斑预报模型

为了进一步探讨太阳耀斑与太阳黑子参量的关系,本文采集了大规模的活动区黑子数据,统计其与耀斑发生的产率关系,应用得到的拟和公式对原始数据计算得到规范化后的数据集.在此基础上使用数据挖掘技术对黑子耀斑数据建立决策树模型和建立分类规则,具体描述了黑子数据和太阳耀斑之间的相关性.最后应用这两种技术对活动区未来48h是否爆发耀斑给出了预报,预报结果具有较高的准确率和较低的虚报率.     

甚低频法预报“神舟”三号发射期间的太阳耀斑爆发情况

太阳发生耀斑时,辐射出大量的X射线和高能粒子等,使得电离层的物质瞬间被大量电离,电离层的电子浓度急速变化,电离层的等效反射高度随之变化,从而引发甚低频信号相位异常现象。基于在河南新乡用甚低频接收机监测到的“神州”三号发射和返回期间的甚低频信号的相位异常情况,对相位异常的数据用最小二乘法进行了处理分析并给出了预测的耀斑级别,和美国的GOES卫星观测到的数据进行比较,结果吻合恰好,验证了此方法的可行性。     

基于统计学习技术的太阳质子事件预报模型

结合太阳耀斑与日冕物质抛射参量作为预报因子建立太阳质子事件预报模型。描述太阳耀斑的三个特征参量包括耀斑峰值流量、持续时间和耀斑维度;太阳质子事件的三个特征参量分别为CME宽度、CME速度和测量位置角度。首先使用信息增益率评价各参量对质子事件发生的重要度,结果表明相比于耀斑峰值流量和持续时间,CME宽度和速度对质子事件发生具有更高的重要性。基于上述参量,应用线性Logistic回归方法建立质子事件预报模型。对模型进行检测并与只选用耀斑参量的预报模型的预报结果进行比较,结果显示采用耀斑结合CME参量的预报模型具有较高的预报准确率和较低的虚报率,尤其对于质子事件发生的报准率提高较多(67.5%上升到90%)。实验结果验证CME参量作为预报因子的有效性。     

太阳耀斑放能机制的讨论——评《太阳高能物理》

本文对《太阳高能物理》所表述的太阳耀斑流行理论作了讨论,给出一种新的太阳耀斑放能机制——"电子—离子束缚态及其引发核过程"模型。并指出太阳耀斑中存在两个独立过程,有～12.5keV(p-e-p～12.5keV)、～25keV(p-e-A ～25keV)、～25keV(d -e-d ～25keV)线发射和(d,d)聚变。对太阳耀斑的一些主要现象作了分析,给出了太阳耀斑中X射线和高能粒子与流行理论不同的产生机制。     

RHESSI探测结果的重大科学意义

本文简单介绍了RHESSI的基本特点:高能量分辨率、高空间分辨率和高时间分辨率。论述了太阳耀斑放能机制之谜,“电子——离子束缚态及其引发核过程”(束缚态模型)对太阳耀斑放能机制的解释,RHESSI观测结果对太阳耀斑放能机制的检验。通过对太阳耀斑放能机制的分析,从而对黑洞、中子星、伽马爆等流行理论提出质疑。     

应用机器学习方法的太阳质子事件短期预报模型

本文选取三个描述太阳活动区磁场复杂性和非势性的特征物理量纵向磁场最大水平梯度｜△↓-hBz｜m,强梯度中性线长度L,孤立奇点数目η.对这三个参量统计计算后结果作为预报因子,应用支持向量机作为预报方法建立一个基于磁场特征物理量的太阳质子事件短期预报模型,该模型可以预报活动区未来24小时是否爆发太阳质子事件.2002和2003年连续两年的样本检测并和基于传统预报因子的模型进行了比对,结果显示预报模型具有较高的准确率和较低的虚报率,从而验证了太阳光球磁场参量作为太阳质子事件预报因子的有效性.     

径流中长期预报模糊优选神经网络模型应用研究

预报因子选择与模型训练精度确定,是模糊优选神经网络模型应用于径流中长期预报时有待研究解决的两个重要问题.应用预报因子集与预报量间的复合非线性相关分析方法选择预报因子(集),克服了通常单因子线性相关分析选择预报因子的不适用性;通过定义综合效应系数来综合评价模糊优选神经网络模型的拟合能力与外推预报能力,为研究模型的拟合精度高而外推预测精度低的问题提供了一种解决方法.     

小波分析在太阳辐射神经网络预测中的应用研究

通过小波变换将太阳辐射数据序列分解到不同的时频域上，并对每一频域分量建立一个递归BP网络模型；然后用网络模型对各频域分量进行预测，将各预测结果进行代数叠加，从而得到太阳辐射的预测结果。为体现近期预测结果在精度上的相对重要性，在递归BP网络的权闽值修改算法中，引入了折扣系数法。最后，通过对上海太阳日总辐射的预测实例表明，该方法在预测太阳辐射时是可行的。     

太阳活动峰年和谷年期间黑子群与耀斑的统计分析

基于NOAA/SWPC公布的太阳活动数据,我们选取第24太阳活动峰年附近的12个连续月份(2011年7月至2012年6月)和第23太阳活动周谷年附近的12个连续月份(2005年7月至2006年6月),统计了这两段时间中太阳黑子群和耀斑的活动规律,并根据时间、黑子群分布纬度、寿命和磁场类型等对峰年和谷年进行了详细分析和比较,主要结论如下所述.(1)黑子群数随时间的变化在峰年和谷年均比较随机,峰年期间黑子数比谷年增多1.5倍左右.耀斑爆发与黑子群活动具有良好的相关性,但峰年期间存在某个月份耀斑数很少的现象,而谷年期间存在某个月份耀斑数集中增多的现象.(2)无论峰年还是谷年,δ类型黑子群的耀斑产率(耀斑总数与黑子群总数之比)最大,但β型黑子群产生的耀斑爆发最多.耀斑产率与磁场类型有密切关系,但与其所处太阳活动周中的阶段无关.(3)黑子群和耀斑的纬度分布的南北不对称性,以X级耀斑最为显著.峰年较谷年的耀斑数增加主要集中在C级和M级.(4)耀斑产率同黑子群寿命具有良好的相关性,但黑子群的数目同它们的寿命之间没有明显的规律.     

一类产品需求预测的支持向量机方法

 需求预测是企业生产运营决策的基础,预测精度影响着产品的安全库存量,关系到企业利润和市场竞争力.建立了一类产品（包含多个品牌）基于支持向量机(support vector machine, SVM)的需求预测模型.在该预测模型中考虑了诸如季节性和促销等不确定性因子对产品最终需求的影响.模型的训练数据和测评数据采用的是由该类产品需求函数生成的数据.测试阶段的评价则是通过与其他统计模型（回归预测方法(REG）、双因素指数平滑法(DES)、Winter模型预测方法(WIN)）和径向基神经网络模型(radial basis function neural network, RBFNN)的对比来实现的.实验结果表明,基于SVM的需求预测模型预测精度明显优于其他模型,有效地降低了产品安全库存量,提高了企业利润,为解决这类产品需求预测问题提供了一个有力的工具.     

基于SVM和神经网络组合预测模型的物流需求预测

物流需求的定量数据是区域物流发展政策和规划的重要依据,影响物流需求的因素很多,传统的预测方法无法全面考虑各种因素,预测精度较低。为了提高物流需求预测的精度,采用组合预测的方法,建立一种基于支持向量机和神经网络的组合模型。首先采用支持向量机进行预测得到预测基本数据,然后通过BP神经网络进行残差修正,通过算例仿真分析,结果表明组合预测模型具有更高的精度,是一种有效的预测方法,为物流需求预测提供了新的思路。     

Where do flare ribbons stop?

The standard flare model,which was proposed based on observations and magnetohydrodynamic theory,can successfully explain many observational features of solar flares.However,this model is just a framework,with many details awaiting to be filled in, including how reconnection is triggered.In this paper,we address an unanswered question:where do flare ribbons stop?With the data analysis of the 2003 May 29 flare event,we tentatively confirmed our conjecture that flare ribbons finally stop at the intersection of separatrices(or quasi-separatrix layer in a general case)with the solar surface.Once verified,such a conjecture can be used to predict the final size and even the lifetime of solar flares.     

第22太阳活动周软X射线耀斑的统计研究

根据GOES卫星资料 (1～ 8 ) ,统计了第 2 2太阳活动周 (1986 .9～ 1996 .10 )软X射线耀斑数 ,共计 2 0 930个耀斑 ,其中X级最少 ,不到 1% ;M级为 10 % ;C级最多 ,约占 6 0 % .统计发现 ,此活动周有两个峰 ,分别在 1989年和 1991年 ,1989年平均耀斑指数为 4 2 7,1991年为 4 6 8;C、M及X级耀斑数在活动周的上升期迅速增大 ,两年多时间就达到极大 ;而下降期缓慢减小 ,长达 4年多 ;耀斑发生率随软X射线峰值流量的变化呈幂律谱分布 ,谱指数为 - 2 .135 ,相关系数为- 0 .987;小耀斑易受背景影响 ,B级耀斑以及C级耀斑中的较小者在峰年及其前后往往湮没在背景中 ,无法辨别 .还发现X射线耀斑的光学对应体 (Hα耀斑 )与X射线耀斑的比率随X射线耀斑级别的增高而增大 ,X级的光学对应体达 94 % ,M级为 83% ,C级为 6 3% ,B级只有 30 % .     

基于BP神经网络自贡房地产价格走势预测

文章通过分析调查影响自贡房地产市场的主要因素,基于BP神经网络,结合自贡住宅市场的实际情况,建立两类BP神经网络预测模型:基于时间序列的趋势预测模型、基于影响因素的回归预测模型,预测了自贡房地产市场价格走势。模拟预测2010年的结果证明了2011年房价预测的有效性,可为自贡城市建设的可持续发展提供有价值的指导意见。