本發(fā)明屬于地磁暴預報技術領域，具體涉及一種基于神經網絡模型預報地磁暴的方法。

背景技術：

地磁暴主要是由太陽耀斑爆發(fā)時向外輻射出大量紫外線、x射線及高能粒子流，并到達地球嚴重干擾地球磁場而引起的。地磁暴的發(fā)生會引起重大停電事故，干擾無線電通訊和衛(wèi)星的運行，因此對地磁暴的預報具有非常重要的科學和經濟意義。太陽耀斑爆發(fā)后，x射線以光速約8.3分鐘后到達地球，引起電離層突然騷擾事件，而高能粒子流速度較慢，大約1-3天后才能達到地球附近，引發(fā)地磁暴。太陽耀斑的爆發(fā)與多種因素有關，而這些因素又與地磁暴發(fā)生的預測存在著復雜的關系，其中的規(guī)律難以把握，因此可以采用具有較強的非線性逼近能力的神經網絡來預報地磁暴。

技術實現要素：

本發(fā)明解決的技術問題是提供了一種基于神經網絡模型預報地磁暴的方法，該方法采用神經網絡算法能夠綜合考慮到其它方面的干擾因素，克服了現有技術的局限性，具有客觀性、時效性和準確性。

本發(fā)明為解決上述技術問題采用如下技術方案，基于神經網絡模型預報地磁暴的方法，其特征在于：該神經網絡模型主要由輸入層、隱含層和輸出層構成，相鄰各層之間神經元節(jié)點單方向連接，首先根據擬合非線性函數的特點建立神經網絡模型，選取太陽耀斑爆發(fā)時間、路徑長度和甚低頻傳播相位變化偏移量作為預報地磁暴神經網絡的三個參數，即神經網絡模型的輸入層神經元節(jié)點，神經網絡模型的輸出層為地磁暴發(fā)生時的地磁指數；然后進入神經網絡的訓練和學習階段，選取n組已知特定地磁暴信息的參數作為輸入的訓練樣本，通過訓練學習使神經網絡建立特定地磁暴發(fā)生時的地磁指數與輸入參數之間的關系；最后進入神經網絡的預測和仿真結果分析階段，選取m組已知特定地磁暴信息的參數作為測試樣本輸入到已受訓練的神經網絡中進行驗證，檢驗測試神經網絡訓練和學習結果的可行性和準確性，并對訓練結果進行仿真，在預測結果出來后用函數進行反歸一化處理得到所需的預測結果，將輸出數據與驗證數據對比，使該神經網絡模型的訓練結果得到驗證，最終建立具有可靠性和可行性的地磁暴發(fā)生時的地磁指數與輸入參數之間的關系，再通過輸入參數的改變來預報地磁暴。

本發(fā)明與現有技術相比具有以下有益效果：本發(fā)明采用神經網絡算法能夠綜合考慮到其它方面的干擾因素，克服了現有技術的局限性，具有客觀性、時效性和準確性。

附圖說明

圖1是本發(fā)明中神經網絡模型的模塊連接圖；

圖2是本發(fā)明中神經網絡模型的構建流程圖。

圖中：1、輸入層，2、隱含層，3、輸出層，4、神經網絡構建，5、神經網絡訓練，6、神經網絡預測，7、神經網絡仿真結果分析。

具體實施方式

結合附圖詳細描述本發(fā)明的具體內容。如圖1-2所示，基于神經網絡模型預報地磁暴的方法，所述神經網絡模型主要由輸入層1、隱含層2和輸出層3構成，相鄰各層之間神經元節(jié)點單方向連接，神經網絡算法主要由神經網絡構建4、神經網絡訓練5、神經網絡預測6和神經網絡仿真結果分析7四部分構成；首先根據擬合非線性函數的特點建立神經網絡模型，選取太陽耀斑爆發(fā)時間、路徑長度和甚低頻傳播相位變化偏移量作為預報地磁暴神經網絡的三個參數，即神經網絡模型的輸入層神經元節(jié)點，神經網絡模型的輸出層為地磁暴發(fā)生時的地磁指數；然后進入神經網絡的訓練和學習階段，選取50組已知特定地磁暴信息的參數作為輸入的訓練樣本，通過訓練學習使神經網絡建立特定地磁暴發(fā)生時的地磁指數與輸入參數之間的關系；最后進入神經網絡的預測和仿真結果分析階段，選取10組已知特定地磁暴信息的參數作為測試樣本輸入到已受訓練的神經網絡中進行驗證，檢驗測試神經網絡訓練和學習結果的可行性和準確性，并對訓練結果進行仿真，在預測結果出來后用函數進行反歸一化處理得到所需的預測結果，將輸出數據與驗證數據對比，使該神經網絡模型的訓練結果得到驗證，最終建立具有可靠性和可行性的地磁暴發(fā)生時的地磁指數與輸入參數之間的關系，再通過輸入參數的改變來預報地磁暴。

以上顯示和描述了本發(fā)明的基本原理，主要特征和優(yōu)點，在不脫離本發(fā)明精神和范圍的前提下，本發(fā)明還有各種變化和改進，這些變化和改進都落入要求保護的本發(fā)明的范圍。

技術特征：

技術總結
本發(fā)明公開了一種基于神經網絡模型預報地磁暴的方法，該神經網絡模型主要由輸入層、隱含層和輸出層構成，相鄰各層之間神經元節(jié)點單方向連接，首先根據擬合非線性函數的特點建立神經網絡模型，然后進入神經網絡的訓練和學習階段，最后進入神經網絡的預測和仿真結果分析階段，最終建立具有可靠性和可行性的地磁暴發(fā)生時的地磁指數與輸入參數之間的關系，再通過輸入參數的改變來預報地磁暴。本發(fā)明采用神經網絡算法能夠綜合考慮到其它方面的干擾因素，克服了現有技術的局限性，具有客觀性、時效性和準確性。

技術研發(fā)人員：牛有田;蘇艷芳;樸金龍;張藝萌;王超凡;董麗艷
受保護的技術使用者：河南師范大學
技術研發(fā)日：2017.03.16
技術公布日：2017.07.21