基于深度学习的太阳10.7 cm射电流量日值的中期预报

针对太阳10.7cm射电流量中期日值预报问题,采用深度学习方法,建立了一个典型的基于多层感知器模型的神经网络。该网络采用1个包含90个神经元的隐含层,实现了一种非参数的时间序列自回归模型。预报中不仅考虑历史日值,还考虑了历史预报误差。模型根据前27d的历史数据实现了未来27d的日值预报。通过对50多年数据的训练和试验分析,该方法在短期和中期预报上较传统方法的相对误差明显降低。特别是模型经一次训练后,参数可以完全固定,不同于以往研究参数需要每天滚动更新,大大简化了日常预报,同时极为有利于模型在其他相关应用中的推广。

基于小波分析的太阳活动周期性研究

为了研究太阳活动的周期性变化规律,采用戈达宇宙航空中心提供的太阳黑子数、F10.7射电流量与太阳风速度数据分析了1700—2015年间太阳活动的变化。发现太阳活动存在4个显著性变化周期:27d、4年、11年和111年,另外还有0.5年、1年、55年的局部显著周期。对太阳黑子数与F10.7射电流量和太阳风速度进行交叉小波分析,结果显示这3个参数在0.062 5—0.125年的尺度上有显著共振性。