基于长短期记忆神经网络的太阳耀斑短期预报
提出了一个基于长短期记忆神经网络的耀斑预报模型,利用过去24 h太阳活动区的磁场变化时序构建样本,通过长短期记忆神经网络对磁场特征时序演化进行分析,预报未来48 h内是否发生≥M级别耀斑事件.使用的数据集为2010年5月到2017年5月所有活动区样本,选取了SDO/HMI SHARP的10个磁场特征参量.在建模过程中通过XGBoost方法选取权重、增益率和覆盖率均较高的6个特征参量作为输入参数.通过测试对比,模型的虚报率和准确率与传统机器学习模型相近,报准率和临界成功指数分别为0.7483和0.7402,优于传统机器学习模型.模型总体效果优于传统机器学习模型.
太阳耀斑预报、深度学习、长短期记忆神经网络
42
P354(空间物理)
2022-11-11(万方平台首次上网日期,不代表论文的发表时间)
共11页
862-872