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.     

京津冀地区闪电计数对太阳耀斑爆发的响应

研究 1989～ 1994年间夏季前后 170个 2级以上太阳耀斑对高时空分辨率的LLP80 -0 2型闪电定位系统在此期间于京津冀地区所测的 2 2 732 6个闪电活动的中短期影响 .发现在所覆盖的 6 0 0km× 6 0 0km区域内 ,在河北中西部至渤海湾地区一带闪电次数存在几百公里尺度的负响应区 ,在河北中部的负响应区其差异显著性优于 5× 10 - 3.这一结果表明在此地区太阳耀斑爆发后雷暴活动减弱现象可能是稳定的客观事实 .它对太阳活动影响短期天气的传统机理提出了新的挑战 ,也为进一步的研究提供了新的事实根据 .     

太阳耀斑爆发对我国夏季雷暴活动的影响

本文研究了我国１８５个气象测站１９７１～１９８０年夏季雷暴活动频数对２级以上太阳耀斑的影响。江、浙、皖、赣一带耀斑爆发后雷暴平均频数比爆发前提高（４０～４３）％；而华北地区和东北地区则降低（１９～３１）％。经Ｓｔｕｄｅｎｔ－ｔ检验，耀斑爆发前后雷暴频数平均值的差异显著性分别通过了优于１０－５、５×１００３及１０－４的置信度检验．     

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.     

基于RBF神经网络的热连轧精轧厚度的预报

采用RBF神经网络方法建立热连轧精轧的厚度模型,通过比较有、无理论模型输入的神经网络厚度模型确定出理论数据在神经网络应用中的重要性。通过比较BP神经网络和RBF神经网络分别建立的厚度模型凸现出RBF神经网络厚度模型的优越性,并在应用过程中解决了过拟合问题。     

太阳耀斑中单能X射线源发射(II)

本文用大量观测数据在［１］的基础上证明：太阳耀斑中不但存在来自ｐｅｐ过程的单能（～１２．５ｋｅＶ）的Ｘ射线源发射,而且存在来自ｄ＋ｅｄ＋过程的单能（～２５ｋｅＶ）的Ｘ射线源发射。并根据理论模型提出关于耀斑Ｘ射线谱测量的建议。     

太阳耀斑中单能X射线源发射（Ⅰ）

本文用大量天文观测数据,在太阳耀斑中存在来自ｐ－ｅ－ｐ过程的单能。的Ｘ射线源发射。     

基于RBF神经网络的粮食生产预测研究

提高中国粮食生产量的预测精度与效率是人们关注的一个重要问题.对RBF神经网络的结构、特性和训练算法作了简要的概述.根据粮食产量与其影响因素之间存在的映射关系,应用RBF神经网络建立了多因素非线性时间序列预测模型,并进行了仿真试验.结果表明,用RBF神经网络进行粮食生产预测得到了十分满意的结果.     

基于PCA的RBF神经网络预测方法研究

主成分分析(PCA)法可以提取样本集的主成分,实现样本的最优压缩,从而降低样本的维数。针对用RBF神经网络进行多因素时间序列预测时样本特征指标过多的问题,提出用统计理论的PCA方法对数据进行预处理,再选出几个主成分作为神经网络的输入节点.仿真实验表明,基于PCA的RBF神经网络模型在拟合预测中与一般的RBF神经网络模型相比有较好效果,简化了网络结构,改善了预测精度.     

RBF人工神经网络拓扑结构定义与解的唯一性证明

以RBF人工神经网络为例,通过引入透明人工神经元的定义,提高了人工神经网络拓扑结构表述方面的一致性,证明了人工神经网络解的唯一性与确定性,提出了训练算法的非随机性和学习速率的最佳选择.     

基于差值灰色RBF网络模型股票价格预测研究

针对RBF神经网络的预测精度受样本数据随机性影响较大,而灰色理论能弱化数据随机性的特点,提出了差值结合法将灰色GM(1,1)模型和RBF神经网络模型有效地结合起来,构建了差值灰色RBF网络预测模型.并利用此模型进行股票价格预测,实证结果表明:该模型预测稳定性较好,预测精度高,平均预测误差为0.68％,与BP神经网络和RBF神经网络相比具有更好的泛化能力和更高的预测精度,在股票预测中具有一定的实用价值.     

基于RBF神经网络的碳含量建模

以副枪检测信息为基础,应用RBF神经网络,建立了转炉炼铁合金终点碳含量的控制模型。     

基于RBF神经网络的船舶航向模糊控制

船舶自动舵性能的优劣直接关系到船舶的航行安全和经济效益,针对船舶运动具有非线性、大滞后等复杂性的特点,将神经网络和模糊控制应用于船舶运动控制中。仿真结果显示它不仅具有常规控制的性能,而且具有更强的鲁棒性和适应非线性对象的能力。     

基于粗糙集和RBF神经网络的风电场短期风速预测模型

结合粗糙集提出了一种RBF神经网络短期风速预测模型。采用粗糙集对预测模型的输入特征空间进行约简,找出对未来预测的风速具有主要影响的因素,以此作为RBF神经网络预测模型的输入变量;在RBF神经网络训练的过程中,采用在线滚动优化策略,将最新的样本加入训练集,从而使预测模型能够跟踪风速的最新变化。将提出的方法用于某风电场的1 h短期风速预测,仿真实验结果表明该方法具有结构简单、预测精度高的优点。     

多层砖房震害预测的人工神经网络方法

在分析人工神经网络理论方面的基础上,利用这一方法对多层砖房进行震害预测,并对唐山大地震实际震例检验,表明该方法是可行和有效的,具有广阔的应用前景。     

基于人工神经网络城市交通流量智能预测的研究

通过对我国目前城市交通情况的分析．说明交通拥挤和流量大小息息相关，因此对城市交通流量进行预测具有重要的意义。目前应用于城市交通流量智能预测的人工神经网络模型主要有线性网络、BP网络、反馈网络等。经过综合分析而采用了线性网络对城市交通流量进行预测，其优点主要表现在结构简单，实用方便，反应速度快，实时性强。根据城市交通的具体情况，对城市交通流量的预测模型进行了仿真。其仿真结果表明所采用的线性神经网络能够用于城市交通流量的预测。     

基于RBF神经网络的冠心病识别模型

RBF神经网络是前馈神经网络研究中的一个热点.对RBF神经网络的网络结构、基本原理和学习算法进行了介绍.针对BP神经网络自身的缺陷,提出以RBF神经网络为识别模型,采用最近邻聚类学习算法,建立一种冠心病模式识别诊断系统.仿真实验表明,该模型可快速完成对冠心病样本的学习与拟合,具有预测识别率高的优点,可作为该病诊断的一种有效的辅助手段.