CN106971066A - 基于神经网络模型预报地磁暴的方法 - Google Patents
基于神经网络模型预报地磁暴的方法 Download PDFInfo
- Publication number
- CN106971066A CN106971066A CN201710157919.5A CN201710157919A CN106971066A CN 106971066 A CN106971066 A CN 106971066A CN 201710157919 A CN201710157919 A CN 201710157919A CN 106971066 A CN106971066 A CN 106971066A
- Authority
- CN
- China
- Prior art keywords
- neural network
- geomagnetic
- geomagnetic storm
- neutral net
- training
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/045—Combinations of networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
-
- G—PHYSICS
- G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
- G16Z—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS, NOT OTHERWISE PROVIDED FOR
- G16Z99/00—Subject matter not provided for in other main groups of this subclass
Abstract
本发明公开了一种基于神经网络模型预报地磁暴的方法,该神经网络模型主要由输入层、隐含层和输出层构成,相邻各层之间神经元节点单方向连接,首先根据拟合非线性函数的特点建立神经网络模型,然后进入神经网络的训练和学习阶段,最后进入神经网络的预测和仿真结果分析阶段,最终建立具有可靠性和可行性的地磁暴发生时的地磁指数与输入参数之间的关系,再通过输入参数的改变来预报地磁暴。本发明采用神经网络算法能够综合考虑到其它方面的干扰因素,克服了现有技术的局限性,具有客观性、时效性和准确性。
Description
技术领域
本发明属于地磁暴预报技术领域,具体涉及一种基于神经网络模型预报地磁暴的方法。
背景技术
地磁暴主要是由太阳耀斑爆发时向外辐射出大量紫外线、X射线及高能粒子流,并到达地球严重干扰地球磁场而引起的。地磁暴的发生会引起重大停电事故,干扰无线电通讯和卫星的运行,因此对地磁暴的预报具有非常重要的科学和经济意义。太阳耀斑爆发后,X射线以光速约8.3分钟后到达地球,引起电离层突然骚扰事件,而高能粒子流速度较慢,大约1-3天后才能达到地球附近,引发地磁暴。太阳耀斑的爆发与多种因素有关,而这些因素又与地磁暴发生的预测存在着复杂的关系,其中的规律难以把握,因此可以采用具有较强的非线性逼近能力的神经网络来预报地磁暴。
发明内容
本发明解决的技术问题是提供了一种基于神经网络模型预报地磁暴的方法,该方法采用神经网络算法能够综合考虑到其它方面的干扰因素,克服了现有技术的局限性,具有客观性、时效性和准确性。
本发明为解决上述技术问题采用如下技术方案,基于神经网络模型预报地磁暴的方法,其特征在于:该神经网络模型主要由输入层、隐含层和输出层构成,相邻各层之间神经元节点单方向连接,首先根据拟合非线性函数的特点建立神经网络模型,选取太阳耀斑爆发时间、路径长度和甚低频传播相位变化偏移量作为预报地磁暴神经网络的三个参数,即神经网络模型的输入层神经元节点,神经网络模型的输出层为地磁暴发生时的地磁指数;然后进入神经网络的训练和学习阶段,选取n组已知特定地磁暴信息的参数作为输入的训练样本,通过训练学习使神经网络建立特定地磁暴发生时的地磁指数与输入参数之间的关系;最后进入神经网络的预测和仿真结果分析阶段,选取m组已知特定地磁暴信息的参数作为测试样本输入到已受训练的神经网络中进行验证,检验测试神经网络训练和学习结果的可行性和准确性,并对训练结果进行仿真,在预测结果出来后用函数进行反归一化处理得到所需的预测结果,将输出数据与验证数据对比,使该神经网络模型的训练结果得到验证,最终建立具有可靠性和可行性的地磁暴发生时的地磁指数与输入参数之间的关系,再通过输入参数的改变来预报地磁暴。
本发明与现有技术相比具有以下有益效果:本发明采用神经网络算法能够综合考虑到其它方面的干扰因素,克服了现有技术的局限性,具有客观性、时效性和准确性。
附图说明
图1是本发明中神经网络模型的模块连接图;
图2是本发明中神经网络模型的构建流程图。
图中:1、输入层,2、隐含层,3、输出层,4、神经网络构建,5、神经网络训练,6、神经网络预测,7、神经网络仿真结果分析。
具体实施方式
结合附图详细描述本发明的具体内容。如图1-2所示,基于神经网络模型预报地磁暴的方法,所述神经网络模型主要由输入层1、隐含层2和输出层3构成,相邻各层之间神经元节点单方向连接,神经网络算法主要由神经网络构建4、神经网络训练5、神经网络预测6和神经网络仿真结果分析7四部分构成;首先根据拟合非线性函数的特点建立神经网络模型,选取太阳耀斑爆发时间、路径长度和甚低频传播相位变化偏移量作为预报地磁暴神经网络的三个参数,即神经网络模型的输入层神经元节点,神经网络模型的输出层为地磁暴发生时的地磁指数;然后进入神经网络的训练和学习阶段,选取50组已知特定地磁暴信息的参数作为输入的训练样本,通过训练学习使神经网络建立特定地磁暴发生时的地磁指数与输入参数之间的关系;最后进入神经网络的预测和仿真结果分析阶段,选取10组已知特定地磁暴信息的参数作为测试样本输入到已受训练的神经网络中进行验证,检验测试神经网络训练和学习结果的可行性和准确性,并对训练结果进行仿真,在预测结果出来后用函数进行反归一化处理得到所需的预测结果,将输出数据与验证数据对比,使该神经网络模型的训练结果得到验证,最终建立具有可靠性和可行性的地磁暴发生时的地磁指数与输入参数之间的关系,再通过输入参数的改变来预报地磁暴。
以上显示和描述了本发明的基本原理,主要特征和优点,在不脱离本发明精神和范围的前提下,本发明还有各种变化和改进,这些变化和改进都落入要求保护的本发明的范围。
Claims (1)
1.基于神经网络模型预报地磁暴的方法,其特征在于:该神经网络模型主要由输入层、隐含层和输出层构成,相邻各层之间神经元节点单方向连接,首先根据拟合非线性函数的特点建立神经网络模型,选取太阳耀斑爆发时间、路径长度和甚低频传播相位变化偏移量作为预报地磁暴神经网络的三个参数,即神经网络模型的输入层神经元节点,神经网络模型的输出层为地磁暴发生时的地磁指数;然后进入神经网络的训练和学习阶段,选取n组已知特定地磁暴信息的参数作为输入的训练样本,通过训练学习使神经网络建立特定地磁暴发生时的地磁指数与输入参数之间的关系;最后进入神经网络的预测和仿真结果分析阶段,选取m组已知特定地磁暴信息的参数作为测试样本输入到已受训练的神经网络中进行验证,检验测试神经网络训练和学习结果的可行性和准确性,并对训练结果进行仿真,在预测结果出来后用函数进行反归一化处理得到所需的预测结果,将输出数据与验证数据对比,使该神经网络模型的训练结果得到验证,最终建立具有可靠性和可行性的地磁暴发生时的地磁指数与输入参数之间的关系,再通过输入参数的改变来预报地磁暴。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201710157919.5A CN106971066A (zh) | 2017-03-16 | 2017-03-16 | 基于神经网络模型预报地磁暴的方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201710157919.5A CN106971066A (zh) | 2017-03-16 | 2017-03-16 | 基于神经网络模型预报地磁暴的方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN106971066A true CN106971066A (zh) | 2017-07-21 |
Family
ID=59329883
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201710157919.5A Pending CN106971066A (zh) | 2017-03-16 | 2017-03-16 | 基于神经网络模型预报地磁暴的方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN106971066A (zh) |
Cited By (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111507538A (zh) * | 2020-04-26 | 2020-08-07 | 国网内蒙古东部电力有限公司检修分公司 | 一种用于发电厂站的地磁感应电流gic预测的方法 |
CN111639301A (zh) * | 2020-05-26 | 2020-09-08 | 国家卫星气象中心(国家空间天气监测预警中心) | 一种地磁Ap指数中期预报方法 |
CN111752966A (zh) * | 2020-06-09 | 2020-10-09 | 中国人民解放军火箭军工程大学 | 一种地球变化磁场扰动分析系统及方法 |
CN112016245A (zh) * | 2020-08-13 | 2020-12-01 | 五邑大学 | 基于自注意力变形网络的磁暴预测方法、装置及存储介质 |
CN113569201A (zh) * | 2021-08-05 | 2021-10-29 | 数字太空(北京)智能技术研究院有限公司 | 地磁Ap指数预报方法、装置及电子设备 |
Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN1437732A (zh) * | 2000-04-18 | 2003-08-20 | 卡梅尔系统有限责任公司 | 太空气象预测系统和方法 |
US20030220740A1 (en) * | 2000-04-18 | 2003-11-27 | Intriligator Devrie S. | Space weather prediction system and method |
RU2007111073A (ru) * | 2007-03-26 | 2008-10-10 | Александр Васильевич Трофимов (RU) | Средство, обладающее гелиогеомагнитопротекторными свойствами |
KR20100060705A (ko) * | 2008-11-28 | 2010-06-07 | 한국 천문 연구원 | 코로나 물질 방출현상을 이용한 지자기 폭풍 예보 시스템 및 그 방법 |
CN101726758A (zh) * | 2009-12-11 | 2010-06-09 | 中国科学院地质与地球物理研究所 | 地磁场扰动实时分析预报系统 |
CN103605887A (zh) * | 2013-11-13 | 2014-02-26 | 北京航空航天大学 | 一种在轨卫星成像波浪水面太阳耀光时空分布仿真模型 |
CN105303258A (zh) * | 2015-10-30 | 2016-02-03 | 中国科学院国家天文台 | 基于机器学习技术预报模型的太阳爆发事件预报方法 |
CN105976049A (zh) * | 2016-04-28 | 2016-09-28 | 武汉宝钢华中贸易有限公司 | 基于混沌神经网络的库存预测模型及其构造方法 |
-
2017
- 2017-03-16 CN CN201710157919.5A patent/CN106971066A/zh active Pending
Patent Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN1437732A (zh) * | 2000-04-18 | 2003-08-20 | 卡梅尔系统有限责任公司 | 太空气象预测系统和方法 |
US20030220740A1 (en) * | 2000-04-18 | 2003-11-27 | Intriligator Devrie S. | Space weather prediction system and method |
RU2007111073A (ru) * | 2007-03-26 | 2008-10-10 | Александр Васильевич Трофимов (RU) | Средство, обладающее гелиогеомагнитопротекторными свойствами |
KR20100060705A (ko) * | 2008-11-28 | 2010-06-07 | 한국 천문 연구원 | 코로나 물질 방출현상을 이용한 지자기 폭풍 예보 시스템 및 그 방법 |
CN101726758A (zh) * | 2009-12-11 | 2010-06-09 | 中国科学院地质与地球物理研究所 | 地磁场扰动实时分析预报系统 |
CN103605887A (zh) * | 2013-11-13 | 2014-02-26 | 北京航空航天大学 | 一种在轨卫星成像波浪水面太阳耀光时空分布仿真模型 |
CN105303258A (zh) * | 2015-10-30 | 2016-02-03 | 中国科学院国家天文台 | 基于机器学习技术预报模型的太阳爆发事件预报方法 |
CN105976049A (zh) * | 2016-04-28 | 2016-09-28 | 武汉宝钢华中贸易有限公司 | 基于混沌神经网络的库存预测模型及其构造方法 |
Non-Patent Citations (2)
Title |
---|
牛有田等: "基于Matlab的BP神经网络在太阳耀斑级别预测中的应用", 《河南师范大学学报(自然科学版)》 * |
牛有田等: "河南师范大学学报(自然科学版)", 《河南师范大学学报(自然科学版》 * |
Cited By (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111507538A (zh) * | 2020-04-26 | 2020-08-07 | 国网内蒙古东部电力有限公司检修分公司 | 一种用于发电厂站的地磁感应电流gic预测的方法 |
CN111639301A (zh) * | 2020-05-26 | 2020-09-08 | 国家卫星气象中心(国家空间天气监测预警中心) | 一种地磁Ap指数中期预报方法 |
CN111639301B (zh) * | 2020-05-26 | 2023-05-23 | 国家卫星气象中心(国家空间天气监测预警中心) | 一种地磁Ap指数中期预报方法 |
CN111752966A (zh) * | 2020-06-09 | 2020-10-09 | 中国人民解放军火箭军工程大学 | 一种地球变化磁场扰动分析系统及方法 |
CN111752966B (zh) * | 2020-06-09 | 2023-11-24 | 中国人民解放军火箭军工程大学 | 一种地球变化磁场扰动分析系统及方法 |
CN112016245A (zh) * | 2020-08-13 | 2020-12-01 | 五邑大学 | 基于自注意力变形网络的磁暴预测方法、装置及存储介质 |
CN113569201A (zh) * | 2021-08-05 | 2021-10-29 | 数字太空(北京)智能技术研究院有限公司 | 地磁Ap指数预报方法、装置及电子设备 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN106971066A (zh) | 基于神经网络模型预报地磁暴的方法 | |
CN112149316B (zh) | 基于改进的cnn模型的航空发动机剩余寿命预测方法 | |
CN107563067A (zh) | 基于自适应代理模型的结构可靠性分析方法 | |
CN104750932A (zh) | 一种混合不确定性下基于代理模型的结构可靠性分析方法 | |
CN105546352A (zh) | 基于声音信号的天然气管道微泄漏检测方法 | |
Rafique et al. | End to end machine learning for fault detection and classification in power transmission lines | |
CN109784488B (zh) | 一种适用于嵌入式平台的二值化卷积神经网络的构建方法 | |
CN104376361A (zh) | 一种基于bp神经网络算法的核事故源项反演方法 | |
CN110298085A (zh) | 基于XGBoost和随机森林算法的模拟电路故障诊断方法 | |
CN115758212A (zh) | 一种基于并行网络和迁移学习的机械设备故障诊断方法 | |
CN110516339A (zh) | 基于Adaboost算法的多失效模式下密封结构可靠性评估方法 | |
CN113687433B (zh) | 一种基于Bi-LSTM的大地电磁信号去噪方法及系统 | |
CN103440497A (zh) | 一种gis绝缘缺陷局部放电图谱模式识别方法 | |
Li et al. | IncepTCN: A new deep temporal convolutional network combined with dictionary learning for strong cultural noise elimination of controlled-source electromagnetic data | |
CN105138782A (zh) | 基于eemd-elm的非平稳脉动风速高精度预测方法 | |
CN104615949A (zh) | 基于电源隔离的提高硬件木马检测分辨率的电路设计方法及对硬件木马的检测方法 | |
Wang et al. | Using LSTM neural networks for onsite earthquake early warning | |
Ekici et al. | Comparison of different regression models to estimate fault location on hybrid power systems | |
CN115758876A (zh) | 一种风速和风向预报准确率方法、系统及计算机设备 | |
CN114662405A (zh) | 基于少样本度量和集成学习的岩爆预测方法 | |
Smith et al. | Forecasting the probability of large rates of change of the geomagnetic field in the UK: Timescales, horizons, and thresholds | |
CN116628442B (zh) | 一种基于人工神经网络的地下水储量变化空间降尺度方法 | |
CN107273624A (zh) | 一种基于fpga和mc模型生成突发随机脉冲噪声的方法及装置 | |
CN116976227A (zh) | 一种基于lstm机器学习的风暴增水预报方法及系统 | |
Xu et al. | The pattern recognition of multisource partial discharge in transformers based on parallel feature domain |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
WD01 | Invention patent application deemed withdrawn after publication | ||
WD01 | Invention patent application deemed withdrawn after publication |
Application publication date: 20170721 |