基于matlab人工神经网络预测太阳耀斑级别的研究

《基于matlab人工神经网络预测太阳耀斑级别的研究》由会员上传分享，免费在线阅读，更多相关内容在学术论文-天天文库。

1、THEBPNEURALNETWORKBASEDoNM已钢rLABAPPLICATIONINSOLARFLAREADissertationSubmittedtotheGraduateSchoolofHenanNormalUniversityinPartialFulfillmentoftheRequirementsfortheDegreeofMasterofEngineeringScienceByX{eYingtaoSupervisor：NiuYoutianMay,2014摘要太阳耀斑是最剧烈的太阳活动。耀斑爆发时，太阳喷射出的大量的高能粒子到

2、达地球附近时，能够影响到在地球轨道区域正常运行的人造卫星；同时国际空间站的宇航员的人身生命也面临着危险。耀斑爆发所释放出的x射线及其紫外射线，到达地球大气层中的电离层，能够破坏电磁通讯；无线电通信特别是短波通信，如手机通话、电台广播，等会受到干扰甚至中断。采取有效的方法研究和预测太阳耀斑的级别，对于减少和避免太阳耀斑爆发给人民带来的财产和生命上损失具有很重要的意义。由于太阳活动的复杂与频繁，太阳耀斑的爆发与诸多因素有关，而这诸多因素又与太阳耀斑级别的预测有着复杂的非线性关系。采用具有较强的非线性逼近能力的人工神经网络预测太阳耀斑级别，能够综

3、合考虑到各方面的因素，具用客观性和有效性。由此本文提出了采用BP神经网络算法进行太阳耀斑级别的预测。由于BP神经网络模型的实现需要借助于计算机编程语言，实现起来比较困难，而MATLAB软件工具箱功能强大可以解决这一问题。本文通过调用MATLAB的神经网络工具箱建立了太阳耀斑级别预测的BP神经网络模型，确定了VLF在电离层中发生SPA事件的影响因素与耀斑爆发级别之间的联系。并通过对新乡市在1998年一月到六月期间观测记录的Alpha甚低频(VLF)导航系统信号传播发生异常时的65组数据进行训练仿真，并进行预测检验。实验结果证明了该模型用于耀斑

4、级别预测的有效性，具有很好的应用价值。关键词：太阳耀斑，MATLB工具箱，BP神经网络，甚低频(VLF)，SPAABSTRACTSolarflaresarethemostintensesolaractivity．Theflare，alargenumberofhigh—energyparticlesreachtheearth，canaffectthenormaloperationintheregionoftheearth’sorbitofthesatellite，whentheoperationhadtotemporarilyescape，t

5、oavoidseriousinjury；atthesametimeastronautsaboardtheinternationalspacestation’Slifeisindanger．FlareXrayemittedandultravioletradiationreachingEarth’Satmosphere，ionosphere，destructionofelectromagneticcommunication,SOtheycannotberefectedradiowaves；Radiocommunicationespecially

6、shortwavecommunication，aswellasthemobilephone，radio，etc．willbedisturbedoreveninterrupted．Adoptingelectivemethodtostudyandpredictthelevelofsolarflares，toreduceandavoidtohavetheveryvitalsignificanceofsolarflarestothepeopletobringthelossofpropertyandlife．Asthesolaractivityisc

7、omplexandfrequentoutbreak,solarflaresinisrelatedtomanyfactors，thesefactorsandpredictsolarflareslevelhasacom，plexnon-linearrelationship．Artificialneuralnetworkshasstrongnonlinearapproximationabilitytopredictsolarflareslevel，takingintoaccountvariousfactorscanbeintegratedinot

8、herareas，withwithobjectivityandeffectiveness．ThusmadeuseofBPneuralnetworkalgorithmtopredi