崔延美 作品数:26 被引量:29 H指数:4 供职机构: 中国科学院 更多>> 发文基金: 国家自然科学基金 北京市教育委员会科研基地 北京市教育委员会科技发展计划 更多>> 相关领域: 天文地球 自动化与计算机技术 航空宇航科学技术 更多>>
应用数据挖掘技术的短期太阳耀斑预报模型 被引量:3 2011年 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. 李蓉 崔延美关键词:太阳耀斑 决策树 基于长短期记忆神经网络的太阳耀斑短期预报 2022年 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。 何欣燃 钟秋珍 钟秋珍 刘四清 崔延美 闫晓辉 刘四清利用ACE卫星数据对太阳质子事件预警方法的研究 被引量:2 2013年 通过分析GOES和ACE卫星大于10 MeV能量段的5 min平均质子通量数据,发现两者有很好的相关性,最佳相关系数显示,GOES通量数据较ACE卫星数据有数十分钟至几小时的时间延迟.这为利用ACE数据进行质子事件预警提供了依据.本文提出一种利用ACE卫星大于10 MeV能量段的通量数据对质子事件进行预警的方法.该方法在2001年8月7日至2012年2月20日这11年多时间的试验中,表现出较高的报准率(76.3%)和较低的虚报率(14.7%),预警提前时间在数十分钟至几小时不等.该方法的结果与美国国家海洋和大气管理局(NOAA)空间天气预测中心(SWPC)使用的预警模型对比,具有更高的报准率,较低的虚报率,在预警时间提前量方面两者相当. 熊森林 崔延美 刘四清关键词:太阳质子事件 基于BP神经网络的太阳质子事件预报模型 2009年 为了提高太阳质子事件的预报精度,采用反向传播神经网络(BackPropagation,BP)建立太阳质子事件预报模型。预报模型是三层网络结构,输入层有6个神经元组成,分别对应预报因子的特征值;隐层设置3个神经元;输出层的一个单元对应于活动区是否爆发质子事件。模型选择描述活动区特征的参量作为预报因子。数据实验采用2002年的数据进行模拟预报,结果显示预报模型具有较高的报准率。 李蓉 崔延美 贺晗关键词:太阳质子事件 耀斑 隐层 神经元 权值 中短期任务的太阳质子事件通量预报研究 被引量:2 2015年 太阳质子事件通量的预测对航天器的抗辐射加固设计和宇航员的出舱活动具有重要意义。针对1年以下的中短期航天任务,对太阳活跃年和太阳平静年分别统计了太阳质子事件和大于10 Me V质子事件通量的发生概率,分析得到太阳质子事件通量分布基本符合对数正态分布。在此基础上,计算出了一定置信度下1年以下不同航天任务期内的质子事件通量分布,为执行中短期航天任务提供了太阳质子事件通量预测的依据。 崔延美 师立勤 刘四清关键词:太阳质子事件 航天任务 基于统计学习技术的太阳质子事件预报模型 2014年 结合太阳耀斑与日冕物质抛射参量作为预报因子建立太阳质子事件预报模型。描述太阳耀斑的三个特征参量包括耀斑峰值流量、持续时间和耀斑维度;太阳质子事件的三个特征参量分别为CME宽度、CME速度和测量位置角度。首先使用信息增益率评价各参量对质子事件发生的重要度,结果表明相比于耀斑峰值流量和持续时间,CME宽度和速度对质子事件发生具有更高的重要性。基于上述参量,应用线性Logistic回归方法建立质子事件预报模型。对模型进行检测并与只选用耀斑参量的预报模型的预报结果进行比较,结果显示采用耀斑结合CME参量的预报模型具有较高的预报准确率和较低的虚报率,尤其对于质子事件发生的报准率提高较多(67.5%上升到90%)。实验结果验证CME参量作为预报因子的有效性。 李蓉 黄鑫 崔延美关键词:太阳质子事件 太阳耀斑 日冕物质抛射 信息增益率 LOGISTIC回归 基于自动特征提取方法的太阳耀斑预报模型 被引量:3 2016年 在太阳耀斑预报模型中,首先需要从原始观测数据中提取刻画太阳活动区特性的物理特征参量,然后使用统计或机器学习方法寻找物理特征参量与太阳耀斑发生的关系,以达到建立太阳耀斑预报模型的目的.其中,太阳活动区物理特征的提取在整个建模过程中发挥着重要的作用,活动区物理特征的优劣直接决定着预报模型性能的高低.然而,随着机器学习技术的发展,机器学习方法中的深度学习算法能够从原始数据中自动提取特征,并建立预报模型.本文利用深度学习方法建立了一个太阳耀斑预报模型.与先提取活动区物理参量、再建立预报模型的传统机器学习方法相比较,本文所建立的预报模型具有更好的预报性能. 李蓉 朱杰 黄鑫 崔延美关键词:太阳耀斑 太阳活动区 磁场特征 太阳质子事件短期预报模型研究 2010年 太阳质子事件预报是空间天气预报的重要组成部分。在太阳活动预报研究中,针对开发预报方法研究问题,已有的太阳质子事件预报模型主要采用统计和神经网络的方法。为了提高预报精度和准确率,选用了支持向量机和K近邻相结合的方法(称为SVM-KNN方法)建立太阳质子事件预报模型。模型选择的预报因子除了已有质子事件预报模型选用的传统太阳活动区黑子特征参量,还加入太阳活动区磁场参量。仿真预报采用2002年和2004年的数据,结果证明采用预报模型具有较高的报准率,证明SVM-KNN方法是一种有效的太阳活动预报方法。 李蓉 崔延美 贺晗关键词:太阳质子事件 耀斑 一种计算机太阳活动预报系统 一种计算机太阳活动预报系统,在包含带人机界面的服务器和海量数据库的系统中,设有一个预报模块,包括基于ARIMA模型建立的射电流预报模型、基于SVM的质子预报模型和基于多元判别模式的耀斑预报模型,预报模块中还有网站自动数据... 王华宁 李蓉 贺晗 杜占乐 崔延美 张丽云 张桂清 何玉林文献传递 结合支持向量机和近邻法的太阳耀斑预报方法 被引量:2 2009年 为了提高太阳耀斑预报模型的预报精度,提出了一种结合支持向量机和近邻法(SVM-KNN方法)的太阳耀斑预报方法。将太阳耀斑预报问题看作一个模式识别问题,在此基础上建立新的预报方法。选择太阳活动区的特征参量作为预报因子,如果活动区未来48小时发生大于等于M级耀斑标识为正例样本,未发生耀斑为反例样本,由这些样本组成训练集代入SVM训练算法构造了耀斑预报模型。通过输入活动区的特征参量值,预报模型使用SVM-KNN分类算法预报该活动区未来2天内是否发生太阳耀斑。模拟预报结果表明,新方法比使用SVM方法具有较高的报准率,可以应用到其它太阳活动预报领域。 李蓉 崔延美关键词:支持向量机 核函数 最优分类超平面 代表点