导读:本文包含了耀斑预报论文开题报告文献综述及选题提纲参考文献，主要关键词:太阳耀斑,活动区,预报,深度学习
耀斑预报论文文献综述
陈泰禾,黄鑫,王华宁[1]（2018）在《基于时序物理量的太阳耀斑预报模型研究》一文中研究指出太阳耀斑的发生是太阳活动区磁场能量的积累和释放过程。因此,太阳活动区物理参量的演化对太阳耀斑预报具有重要的作用。基于太阳活动区时序物理参量,利用深度学习方法中的长短时记忆网络(LSTM),提取活动区物理量的演化特性,建立短期太阳耀斑预报模型。与其他预报方法结果的比较显示,该模型取得了良好的预报性能。(本文来源于《第35届中国气象学会年会 S18 空间天气观测与业务的融合》期刊2018-10-24）
方瑞[2]（2018）在《基于深度学习的太阳耀斑预报研究》一文中研究指出太阳耀斑的爆发会带来一系列灾害性空间天气事件,比如改变人造卫星的轨道、破坏无线电通讯等,然而太阳耀斑爆发的具体物理机制仍然未知,因此研究太阳耀斑的预报具有重要的实用价值和科学意义。近年来大多数太阳耀斑预报模型从活动区域的磁场记录图中提取人工设计的特征,采用传统的机器学习方法进行耀斑预报。这种手工设计特征的方法往往设计复杂,不能很好地表达活动区域的磁场特征,进而带来耀斑预报的性能瓶颈。在本文中,我们详细介绍了现有的太阳耀斑预报方法,并分析其中的不足之处。在此基础上,我们提出基于深度学习的太阳耀斑预报方法。首先,针对手工设计特征效率低下且准确率不高的问题,我们提出一种基于卷积神经网络从活动区域磁场记录图中提取特征的方法。然后,为了克服传统时序模型不能很好地表达时序先后关系的缺点,我们提出基于长短时记忆网络表达活动区域时序信息的方法,进一步完善了我们的耀斑预报模型。我们在SDO/HMI公布的SHARPs数据集中进行实验,实验结果表明本文提出的方法能够有效提升太阳耀斑预报的性能。(本文来源于《北京邮电大学》期刊2018-01-20）
袁飞,林佳本,邓元勇,郭晶晶,王刚[3]（2016）在《结合主成分分析和支持向量机的太阳耀斑预报模型》一文中研究指出太阳耀斑是剧烈的太阳活动现象之一,耀斑的预报对人类活动有着重要的实用价值.为进一步提高太阳耀斑的预报准确率,本文在综合考虑太阳黑子活动区参量、10.7 cm太阳射电流量等预报因子的前提下,提出了结合主成分分析和支持向量机的太阳耀斑预报模型.本模型的太阳黑子活动区参量包括黑子群面积、黑子群的Mc Intosh分类、活动区日面经度延伸、可见黑子数和黑子群的磁分类.本文首先对上述参量进行了合适的属性编码并归一化建模所需数据集,然后利用主成分分析方法提取出主要特征,应用支持向量机方法建立了耀斑预报模型.最后,本文将该模型预报结果与其他预报模型的结果进行了对比,结果验证了结合主成分分析和支持向量机的太阳耀斑预报模型是一种有效的预报模型.(本文来源于《科学通报》期刊2016年20期）
黄鑫[4]（2015）在《基于深度学习方法的太阳耀斑预报模型》一文中研究指出太阳是空间天气的源头,太阳耀斑是一种剧烈的空间天气现象,耀斑伴随的高能辐射和带电粒子可能产生一系列严重的空间天气效应。因此,太阳耀斑预报具有重要的意义和价值。在太阳耀斑预报建模过程中,最重要的问题是如何从观(本文来源于《第32届中国气象学会年会S17 空间天气观测、建模与同化》期刊2015-10-14）
裴世鑫,李仲怡,崔芬萍,朱漪婷[5]（2014）在《基于RBF人工神经网络的X级以上太阳耀斑预报研究》一文中研究指出采用第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.(本文来源于《西北师范大学学报(自然科学版)》期刊2014年06期）
黄鑫[6]（2014）在《基于机器学习方法的太阳耀斑和日冕物质抛射综合预报模型》一文中研究指出太阳耀斑和日冕物质抛射是两种剧烈的太阳爆发现象。然而,当前的太阳爆发预报模型通常只提供太阳耀斑级别预报。本文利用机器学习中的多标记学习方法建立一个同时考虑太(本文来源于《中国天文学会2014年学术年会论文摘要集》期刊2014-10-27）
李蓉,朱杰,黄鑫[7]（2014）在《太阳耀斑预报研究进展》一文中研究指出太阳耀斑是指发生在太阳表面局部区域中突然和大规模的能量释放过程.它是空间环境的主要扰动源,对地球空间环境造成很大影响.太阳耀斑预报是空间天气预报的重要组成部分,对其研究具有重要的实用价值和科学意义.现有的大部分太阳耀斑预报模型是从观测数据提取预报因子,利用各种统计和数据挖掘技术建立预报因子与耀斑发生之间的关系模型,利用建立的模型对未来时间的耀斑发生进行预报.在预报研究中,预报因子、预报方法和预报模型是3个主要研究领域.其中预报因子的选取和数据处理尤为重要,是建立预报模型的前期工作.预报因子主要采用太阳黑子、磁场参量和分形因子等.预报方法包括统计方法、机器学习方法和数据同化方法.统计方法在早期的耀斑预报建模中用的较多,随着数据挖掘技术的发展,越来越多的机器学习方法应用到预报模型中并取得了较好效果.而近期发展的数据同化方法有更好的模型修正能力.预报模型早期基本使用静态模型,后来发展起来的动态模型具有更强的优势;而自组织临界模型在物理方面给了耀斑发生更多的解释.本文分别从这3个方面总结了耀斑预报的研究进展,结合中国科学院国家天文台太阳活动预报中心的工作,评述了一些重要的研究成果.最后,对未来的研究方向进行了总结和展望.(本文来源于《科学通报》期刊2014年25期）
牛有田,张优贤,谢迎涛,李玲,李丹丹[8]（2013）在《甚低频法预报“神舟”叁号发射期间的太阳耀斑爆发情况》一文中研究指出太阳发生耀斑时,辐射出大量的X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"叁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。(本文来源于《科学技术与工程》期刊2013年35期）
李蓉,朱杰,崔延美[9]（2013）在《结合活动区光球磁场参量和黑子参量的太阳耀斑预报模型》一文中研究指出尝试将太阳活动区磁场特征物理量与黑子参量结合起来研究太阳耀斑短期预报,探讨综合预报因子在耀斑预报中有效性.太阳黑子参量选取黑子面积、磁分型、Macintosh分型;活动区光球磁场特征物理量选择纵向磁场最大水平梯度、强梯度中性线长度、孤立奇点数目.首先对上述参量的原始数据集通过产率拟合得到规范化的建模数据集,应用多层感知机神经网络方法建立耀斑预报模型.将综合预报模型的预报结果和单独采用黑子数据和磁场参量的两个模型进行了比对,结果显示二者相结合的预报模型的预报准确率有所提高,同时虚报率有所下降.(本文来源于《科学通报》期刊2013年19期）
郭策[10]（2013）在《太阳耀斑及地球同步轨道高能电子预报方法研究》一文中研究指出地球同步轨道区位于地球的外辐射带，这里分布着较高通量的高能粒子以及宇宙射线。同时这里也是人造卫星分布最为密集的区域之一。据统计，目前有400多颗同步地球轨道卫星位于该区域。因此，对地球同步轨道区的空间环境的监测和预警具有重要的意义。高能电子通量的变化受多种因素影响，时空变化非常复杂，需要对不同种类的数据进行统计分析，才能形成构建模式的基础。本文通过分析GOES卫星测量得到的E>2MeV能道的电子通量与地磁Ap指数、太阳风数据的关系，构建了基于径向基函数（RBF）神经网络模型框架，对GOES~(-1)2卫星所处的地球同步轨道高能电子通量进行了提前1天的预报，得到的2008~(-2)010年3年数据预测结果的预测效率（PE）分别为0.766、0.808和0.882。此外,我们还发现在GOES~(-1)2卫星E>2MeV能道高能电子达到108cm~(-2)·day~(-1)·sr~(-1)以上时，风云2D卫星的测量数据同时达到108cm~(-2)·day~(-1)·sr~(-1)以上的比例达到90%左右，这主要是由于同步轨道不同位置高能电子受磁暴扰动的时间一致性所造成的。因此可以将高能电子通量达到108cm~(-2)·day~(-1)·sr~(-1)作为预警线，在GOES卫星预测结果的基础上，对我国上空的地球同步轨道卫星可能遭遇到的恶劣高能电子环境进行预报，这种方法具有很好的应用价值。除了依靠GOES卫星的预报值来对风云2D卫星进行预警之外，我们还用风云2D卫星自身的数据对E>2MeV能道高能电子通量建立了预测模型。我们通过对卫星数据的统计分析发现，风云2D卫星与GOES~(-1)3卫星的高能粒子数据的变化规律非常相似，都有很好的昼夜周期变化特性，二者日通量变化也显示出很好的27天重现特征，并且通量大小也具有较好的相关性。因此我们希望将对GOES卫星高能电子进行预测的神经网络模型运用到风云2D卫星上去。最终我们应用径向基（RBF）神经网络建立了一个E>2MeV能道高能电子通量预测模型，对风云2D卫星高能电子通量进行了提前量为1天的预测，2010年和2011年E>2MeV能道高能电子通量的预测效率分别达到0.73和0.75，平均误差为0.024和0.019，与国际同类模式对GOES卫星高能电子通量预测水平相当。这说明风云2D卫星E>2MeV能道高能电子通量探测结果可信度较高，对风云2D卫星E>2MeV能道高能电子通量的预测方法具有一定的时效性，可以用于高能电子暴的预警以及研究工作。对于太阳X射线耀斑的预报工作，这里我们分为两部分，一是对耀斑峰值X射线通量的预测，二是对耀斑下降段持续时间的预测。本文采用GOES-8上第23太阳周软X射线通量的数据，通过数值拟合的方法对X级耀斑的峰值大小以及X级耀斑的结束时间进行预测。利用这种方法对第23太阳周中的X级耀斑进行分析，最多可以提前17分钟预测出X级耀斑的峰值大小，在预测X级耀斑结束时间时，预测的X级耀斑结束时间最多可以提前60分钟左右，从预报结果来看，预报方法具有一定的有效性和实用性。(本文来源于《中南民族大学》期刊2013-04-20）
耀斑预报论文开题报告
（1）论文研究背景及目的
此处内容要求：
首先简单简介论文所研究问题的基本概念和背景，再而简单明了地指出论文所要研究解决的具体问题，并提出你的论文准备的观点或解决方法。
写法范例：
太阳耀斑的爆发会带来一系列灾害性空间天气事件,比如改变人造卫星的轨道、破坏无线电通讯等,然而太阳耀斑爆发的具体物理机制仍然未知,因此研究太阳耀斑的预报具有重要的实用价值和科学意义。近年来大多数太阳耀斑预报模型从活动区域的磁场记录图中提取人工设计的特征,采用传统的机器学习方法进行耀斑预报。这种手工设计特征的方法往往设计复杂,不能很好地表达活动区域的磁场特征,进而带来耀斑预报的性能瓶颈。在本文中,我们详细介绍了现有的太阳耀斑预报方法,并分析其中的不足之处。在此基础上,我们提出基于深度学习的太阳耀斑预报方法。首先,针对手工设计特征效率低下且准确率不高的问题,我们提出一种基于卷积神经网络从活动区域磁场记录图中提取特征的方法。然后,为了克服传统时序模型不能很好地表达时序先后关系的缺点,我们提出基于长短时记忆网络表达活动区域时序信息的方法,进一步完善了我们的耀斑预报模型。我们在SDO/HMI公布的SHARPs数据集中进行实验,实验结果表明本文提出的方法能够有效提升太阳耀斑预报的性能。
（2）本文研究方法
调查法：该方法是有目的、有系统的搜集有关研究对象的具体信息。
观察法：用自己的感官和辅助工具直接观察研究对象从而得到有关信息。
实验法：通过主支变革、控制研究对象来发现与确认事物间的因果关系。
文献研究法：通过调查文献来获得资料，从而全面的、正确的了解掌握研究方法。
实证研究法：依据现有的科学理论和实践的需要提出设计。
定性分析法：对研究对象进行“质”的方面的研究，这个方法需要计算的数据较少。
定量分析法：通过具体的数字，使人们对研究对象的认识进一步精确化。
跨学科研究法：运用多学科的理论、方法和成果从整体上对某一课题进行研究。
功能分析法：这是社会科学用来分析社会现象的一种方法，从某一功能出发研究多个方面的影响。
模拟法：通过创设一个与原型相似的模型来间接研究原型某种特性的一种形容方法。
耀斑预报论文参考文献
[1].陈泰禾,黄鑫,王华宁.基于时序物理量的太阳耀斑预报模型研究[C].第35届中国气象学会年会S18空间天气观测与业务的融合.2018
[2].方瑞.基于深度学习的太阳耀斑预报研究[D].北京邮电大学.2018
[3].袁飞,林佳本,邓元勇,郭晶晶,王刚.结合主成分分析和支持向量机的太阳耀斑预报模型[J].科学通报.2016
[4].黄鑫.基于深度学习方法的太阳耀斑预报模型[C].第32届中国气象学会年会S17空间天气观测、建模与同化.2015
[5].裴世鑫,李仲怡,崔芬萍,朱漪婷.基于RBF人工神经网络的X级以上太阳耀斑预报研究[J].西北师范大学学报(自然科学版).2014
[6].黄鑫.基于机器学习方法的太阳耀斑和日冕物质抛射综合预报模型[C].中国天文学会2014年学术年会论文摘要集.2014
[7].李蓉,朱杰,黄鑫.太阳耀斑预报研究进展[J].科学通报.2014
[8].牛有田,张优贤,谢迎涛,李玲,李丹丹.甚低频法预报“神舟”叁号发射期间的太阳耀斑爆发情况[J].科学技术与工程.2013
[9].李蓉,朱杰,崔延美.结合活动区光球磁场参量和黑子参量的太阳耀斑预报模型[J].科学通报.2013
[10].郭策.太阳耀斑及地球同步轨道高能电子预报方法研究[D].中南民族大学.2013