结合光球磁场特征物理量的质子事件短期预报

利用描述太阳活动区光球磁场复杂性和非势性特征的三个物理量(纵向磁场最大水平梯度|▽_hB_z |_m, 强梯度中性线长度L, 孤立奇点数目η)建立了质子事件短期预报模型, 验证了磁场特征物理量对质子事件短期预报的有效性. 目前已建立或使用的太阳质子事件短期预报模型中仍然没有正式将磁场特征物理量作为预报因子. 由于太阳质子事件是小概率事件, 其物理产生机制尚不完全清楚, 这些预报模型往往存在虚报率偏高或报准率偏低的问题. 本文试图将原有质子事件模型所用的传统因子与磁场特征物理量结合起来, 利用神经网络方法建立一个更为有效的质子事件短期预报模型. 利用1997--2001年的训练数据集1871个样本建立了输入层为传统预报因子的模型A以及输入层为传统预报因子和磁场特征物理量的模型B. 通过对2002--2003年973个样本的测试数据集进行模拟预报发现, 模型A与B在具有相同质子事件报准率的情况下, 模型B的虚报率明显降低. 这进一步验证了磁场特征物理量在质子事件短期预报中的作用, 进而可以加强对太阳质子事件的实际预报能力.      

太阳光球磁场特征物理量在质子事件短期预报中的应用

利用SOHO/MDI全日面纵向磁图, 计算了三个描述太阳活动区磁场复杂性和非势性的特征物理量, 即纵向磁场最大水平梯度Bz, 强梯度中性线长度L, 孤立奇点数目η. 为检验太阳光球磁场特征在质子事件短期预报中是否有效, 采用BP神经网络方法, 建立了基于这三个磁场特征物理量简单的太阳质子事件短期(24h)预报模型. 模 型在对2002年和2003年连续两年的样本检测中, 有很高的准确率(2002年和2003年 分别为90 %, 87.54 %)和较高的 质子事件报准率(2002年和2003年分别为60 %, 75 %),从而为光球磁场特征物理量作为质子事件预报的有效因子提供了依据.      

基于支持向量机方法的地球同步轨道相对论电子事件预报模型研究

提出了一种基于支持向量机方法(SVM)的地球同步轨道相对论电子事件预报模型. 模型以平均影响值(MIV)作为指标, 筛选出预报输入参量. 这些参量包括, 前一日的大于2MeV电子日积分通量、太阳风速度、太阳风密度、Dst指数和前二日的AE指数. 模型包含回归和分类两个部分, 可以分别对未来一天的电子日积分通量和相对论电子事件强度的级别做出预报. 对2008年样本进行测试, 在相对论电子通量的预报中, 预报值和实测值之间的线性相关系数为0.85, 预报效率为0.71; 对相对论电子事件级别预报的准确率为82%, 可以较准确区分开事件状态与非事件状态. 结果表明, SVM预报模型对相对论电子事件有较好的预报效果.      

基于集成学习的太阳质子事件短期预报方法

太阳质子事件是一种由太阳活动爆发时喷射并传播到近地空间的高能粒子引起的空间天气现象。这些高能粒子会对航天器和宇航员产生严重危害,对太阳质子事件进行准确的短期预报是航天活动灾害预防的重要内容。针对当前主要预报模型中普遍存在的高虚报率问题,提出了一种基于集成学习的太阳质子事件短期预报方法,利用第23个太阳活动周数据,建立了一种集成8种机器学习模型的太阳质子事件短期预报系统。实验结果表明,本文方法在取得了80.95%的报准率的同时,将虚报率降低至19.05%,相比现有的预报系统具有较为明显的优势。      

应用BP神经网络针对高通量质子事件的通量数值预报

质子事件的爆发与太阳软X射线辐射有着很强的相关性,利用GOES卫星的1～8 (A)波段和0.5～4 (A)波段的软X射线数据,选取一些特征参量验证该相关性并应用到质子事件短期预报中.在当前质子事件传输物理机制不完全明确的情况下,在现有的预报质子事件有无的模型基础上,利用BP神经网络,根据软X射线通量水平等预测事件质子峰值通量水平,再对训练后的网络进行检验,检验预测所得结果与实际探测值误差小于一个量级,具备一定实用意义.      

集合卡尔曼滤波在电离层短期预报中的应用

提出了一种利用集合卡尔曼滤波对电离层f0F2短期预报结果进行优化的方法. 利用训练好的神经网络对f0F2进行提前1~24 h的预报, 考虑前一天预报误差的反馈信息, 动态跟踪 f0F2的变化趋势, 引入集合卡尔曼滤波对神经网络的预报结果实行进一步修正和优化. 实验结果表明, 此方法的预报效果优于单纯的神经网络模型和IRI模型. 此方法还可以应用于其他电离层参量的短期预报.      

CME地磁扰动事件的模糊预报方法

以1997-2003年期间的73个日冕物质抛射(CME)激波扰动事件和模糊数学为基础,提出了一种预报地磁扰动的方法.该方法以CME事件爆发的日面经纬度、相关地磁扰动事件的渡越时间、地磁扰动指数、IPS观测的太阳风速度跃变量为基础,建立了预报CME地磁扰动事件的μθ,μφ,μT,μM,μ△v从属函数,考虑了CME初始速度对激波到达时间的影响.以这5个从属函数为基础并利用模糊数学对1996-2004年期间73个经行星际闪烁(IPS)观测认证的CME激波引起的地磁扰动事件进行了预报实验.实验结果表明,磁扰开始时间预报的相对误差,△Tpre/Tobs≤30%的事件占总事件数的91.78%,而△Tpre/Tobs＞30%的事件占总事件数的12.33%;磁扰幅度(∑Kp)大小的预报,其相对误差△∑Kp/∑Kpobs≤30%的事件占总事件数的60.27%,相对误差≥50%的事件占总事件数的12.33%.这表明该预报方法对空间灾害性事件地磁扰动的定量预报具有很大应用潜力.      

利用质子强度变化对太阳质子事件进行短期预报方法初步研究

采用GOSE-10卫星4～9 MeV(P2),9～15 MeV(P3),15～40 MeV(P4),40～80 MeV(P5)能段上的质子通量数据,结合质子能谱,对太阳质子事件发生前各能谱参数的变化特征进行分析,详细介绍利用能谱参数的变化特征及能量E>10 MeV的质子通量数据对太阳质子事件进行预报的新方法,并运用这种方法对2002-2006年期间太阳质子事件进行了预报.预报结果显示,预报提前量最多达到100 h以上,对质子事件的报准率达97.5%,预报方法具备一定的有效性和实用性.      

一种高精度实时GPS卫星钟差预测算法

为获得高精度实时GPS卫星钟差,文章提出一种基于多项式和最小二乘支持向量机(Least Squares Support Vector Machines,LS-SVM)相结合的钟差预报方法.该方法采用国际GNSS服务发布的超快速观测星历建模进行短期预报,首先根据卫星钟的物理特性用附有周期项的多项式模型进行拟合以提取趋势项和周期项,然后用LS-SVM对多项式拟合残差进行建模预报,最后将预报结果加上趋势项和周期项,得到最终的钟差预报值.试验结果表明,所提算法能够实时有效地对GPS卫星钟差进行预报,且精度优于超快速预报星历.     

运用一维太阳风MHD CE/SE模型预报行星际激波到达时间

在一维太阳风磁流体(MHD)数值模拟中, 应用时空守恒元和解元(Conservation Element/Solution Element, CE/SE)方法, 建立了一个行星际激波扰动传播模型(1D-MHD (CE/SE)模型), 用来预报行星际激波到达时间. 收集了1997年2月至2002年8月间的137个激波事件, 对激波到达地球轨道附近的传播时间进行了预测, 并将预报结果与STOA, ISPM, HAFv.2以及SPM模型所得结果进行比较. 对于相同的样本事件, 1D-MHD (CE/SE)模型给出的渡越时间平均绝对值误差并不大于其他4个模型, 且该模型预报的相对误差小于10 %的事件占25.6 %, 小于30 %的事件占69.3 %, 小于50 %的事件占87.6 %, 其预报精度与其他模型相比基本相当. 这表明该模型在空间天气的激波到达时间预报方面有潜在的应用价值.      

Using Back Propagation Neural Network Method to Forecast Daily Indices of Solar Activity F10.7

The solar 10.7 cm radio flux，F_10.7，a measure of the solar radio flux per unit frequency at a wavelength of 10.7 cm，is a key and serviceable index for monitoring solar activities.The accurate prediction of F_10.7 is of significant importance for short-term or long-term space weather forecasting. In this study，we apply Back Propagation （BP） neural network technique to forecast the daily F_10.7 based on the trial data set of F_10.7 from 1980 to 2001.Results show that this technique is better than the other prediction techniques for short-term forecasting，such as Support Vector Regression method.      

冕洞相关地磁Ap指数中短期预报方法研究

地磁Ap指数是描述全球地磁活动水平的重要指数, 过去许多参考大气模式中都用Ap指数来表述地磁活动状态, 大气模式的运行需要输入地磁Ap指数, 因此, 地磁Ap指数的预报一直是空间环境预报中一个非常重要的内容. 针对太阳活动低年冕洞引起的地磁扰动具有明显27天重现的特性, 利用修正的自回归方法, 对地磁Ap指数进行了提前27天的预报; 采用从SOHO/EIT观测资料发展出来的描述冕洞特性的Pch因子, 进行了提前三天的地磁Ap指数预报. 结果显示, 将统计方法与物理分析相结合, 进行地磁Ap指数的中短期数值预报, 可以得到较好的预报效果.      

ARIMA-SVR组合模型在卫星遥测参数预测中的应用

为辅助卫星在轨运行提供决策分析支持，结合卫星遥测参数的时间序列特性，利用一种ARIMA-SVR组合预测方法，通过对卫星遥测参数进行预测，判定实际遥测数据是否处于正常范围。该组合模型利用ARIMA模型对预处理后的数据进行线性拟合，并利用SVR模型对数据的非线性部分进行补偿。以KX09卫星星敏A的温度遥测数据为基础，分别利用组合模型对短期及中期星敏A温度进行预测，得出短期和中期均方根误差（RMSE）分别为0.768和0.968，相比单一ARIMA模型，短中期RMSE分别提高46.2%和16.4%。此外，对该卫星陀螺B的x轴角速度进行了短中期预测:短期预测中，组合模型比单一ARIMA模型的RMSE提高71.2%；中期预测中，组合模型比单一ARIMA模型的RMSE提高64.2%。实验结果表明，ARIMA-SVR组合模型为保证卫星在轨正常运行提供了有效的决策分析支持。      

利用人工神经网络提前1h预报电离层TEC

提出了一种利用人工神经网络提前1h预报电离层TEC的简便方法. 考虑到实际工程应用要求, 没有使用其他空间天气参数, 而是选择电离层TEC观测数据本身作为输入参数. 输入参数为当前时刻TEC、一阶差分、相对差分和时间, 输出参数为预报时刻TEC. 利用文中介绍的GPS/TEC处理方法解算厦门站2004年电离层TEC观测数据, 对预报方法进行评估, 全年平均相对误差为9.3744%, 预报结果与观测值相关性达到了0.96678. 结果表明, 利用人工神经网络方法提前1h预报电离层TEC有很好的应用前景.      

基于深度学习递归神经网络的电离层总电子含量经验预报模型

利用行星际太阳风参数与太阳活动指数、地磁活动指数、电离层总电子含量格点化地图数据,首次基于一种能处理时间序列的深度学习递归神经网络（Recurrent Neural Network,RNN）,建立提前24h的单站电离层TEC预报模型.对北京站（40°N,115°E）的预测结果显示,RNN对扰动电离层的预测误差低于反向传播神经网络（Back Propagation Neural Network,BPNN）0.49～1.46TECU,将太阳风参数加入预报因子模型后对电离层正暴预测准确率的提升可达16.8%.RNN对2001和2015年31个强电离层暴预报的均方根误差比BPNN低0.2TECU,将太阳风参数加入RNN模型可使31个事件的平均预报误差降低0.36～0.47TECU.研究结果表明深度递归神经网络比BPNN更适用于电离层TEC的短期预报,且在预报因子中加入太阳风数据对电离层正暴的预报效果有明显改善.      

基于PCC-LSTM模型的短期负荷预测方法

短期负荷预测是电网合理调度和平稳运行的基础。为提高短期负荷预测精度,提出了一种基于Pearson相关系数(PCC)和长短期记忆(LSTM)神经网络的短期负荷预测方法。该方法运用Pearson相关性分析对原始多维输入变量组成的时间序列进行相关性分析,选取与电力负荷数据相关性较大的影响因素作为输入量,实现原始数据的降维和选优;再通过LSTM神经网络结合Adam优化算法,对与电力负荷相关性较大的影响因素和负荷实际输出序列之间的非线性关系建立网络模型。以嘉捷BOX和重庆丽苑维景国际大酒店的负荷数据作为实际算例,并与Prophet、LSTNet、门控循环(GRU)神经网络模型方法进行对比。结果表明:所提PCC-LSTM模型预测精度均在91%以上,最高可达95.44%,有效提高了负荷预测的精度。      

An improved cyclic multi model-eXtreme gradient boosting (CMM-XGBoost) forecasting algorithm on the GNSS vertical time series

The study of GNSS vertical coordinate time series forecasting is helpful for monitoring the crustal plate movement, dam or bridge deformation monitoring, and global or regional coordinate system maintenance. The eXtreme Gradient Boosting (XGBoost) algorithm is a machine learning algorithm that can evaluate features, and it has a great potential and stability for long-span time series forecasting. This study proposes a multi-model combined forecasting method based on the XGBoost algorithm. The method constitutes a new time series as features through the fitting and forecasting results of the forecasting model. The XGBoost model is then used for forecasting. In addition, this method can obtain higher precision forecasting results through circulation. To verify the performance of the forecasting method, 1095 epochs of data in the Up coordinate of 16 GNSS stations are selected for the forecasting test. Compared with the CNN-LSTM model, the experimental results of our forecasting method show that the mean absolute error (MAE) values are reduced by 30.23 %～52.50 % and the root mean square error (RMSE) values are reduced by 31.92 %～54.33 %. The forecasting results have higher accuracy and are highly correlated to the original time series, which can better forecast the vertical movement of the GNSS stations. Therefore, the forecasting method can be applied to the up component of the GNSS coordinate time series.     

一次较大的太阳物质抛射的光学与射电研究

用H_α色球、射电运动频谱、射电日像和米波、分米波、厘米波段上的七个单频射电总流量的观测资料及地磁记录,对1982年1月22日太阳西边缘的物质抛射事件做了综合分析.用流量变化率曲线讨论了爆发特点.在绝热假设下推得抛射物质团在1.16R_⊙附近的内部磁场为12G,总电子数为1038,总能量为7×1029erg.事件的总抛射物质～1014-1015g,总能量～2×1030erg.      

航空液压泵磨损状况预测

磨损是航空液压泵典型的渐进性故障之一,因磨损量难以测量,对磨损状况进行准确的预测比较困难.针对上述问题,提出了基于多尺度数据的支持向量机预测方法,该方法将支持向量机用于时间序列预测的基本理论和数据多尺度分解、相空间重构方法结合,能更有效地挖掘时间序列的内在联系及变化规律.采用回油流量作为反映航空液压泵磨损状况的敏感信号,将其分解为趋势项和随机项,采用多尺度支持向量机作等维信息一步预测和多步预测,利用网格方法对预测模型参数寻优.对比传统支持向量机算法分析其预测精度,结果表明:多尺度支持向量机模型预测精度更高,适于中长期预测.