[发明专利]基于卷积神经网络模型的太阳耀斑预报方法

权利要求书

1.一种基于卷积神经网络模型的太阳耀斑预报方法，其特征在于，该预报方 法包括：

A、活动区原始观测数据的准备步骤；

B、建立深度预报模型，采用卷积神经网络从观测数据中提取特征，并预报 该活动区是否产生太阳耀斑。

2.根据权利要求1所述的基于卷积神经网络模型的太阳耀斑预报方法，其特 征在于，步骤A之前进一步包括提取活动区的参量以刻画活动区的特性的步骤。

3.根据权利要求1所述的基于卷积神经网络模型的太阳耀斑预报方法，其特 征在于，所述步骤A具体包括：

A1、获取太阳活动区的原始数据，即SOHO/MDI全日面纵向磁图；

A2、获取太阳耀斑样本的步骤；

A3、确定太阳耀斑强度的步骤；

A4、将所述数据按照时间分为训练数据和测试数据，并将活动区的观测数 据转化为取值在0～1之间相同大小的图像；

A5、保留训练数据中所有的耀斑样本，并从非耀斑样本中随机选择与耀斑 样本数量相同的非耀斑样本，组成新的两类平衡的训练数据集。

4.根据权利要求3所述的基于卷积神经网络模型的太阳耀斑预报方法，其特 征在于，所述确定太阳耀斑强度，具体为：

A31、太阳耀斑强度由指定时间段内发生的太阳耀斑的加权和确定，其表达 式为：

I_tot＝∑c+10∑m+100∑x

其中：c，m和x分别代表C级，M级和X级耀斑的系数。

5.根据权利要求1所述的基于卷积神经网络模型的太阳耀斑预报方法，其特 征在于，步骤B所述卷积神经网络由6层组成，具体为：

第1层为输入层，输入层为100×100的光球磁场观测数据；

第2层为卷积层，卷积层共包括100个滤波器，滤波器尺寸为7，步长为5； 卷积层的输出为100组19×19的特征图；

第3层为池化层，池化层滤波器尺寸为3，步长为2，池化方法为取滤波器 内的最大值；池化层的输出为100组9×9的图；

第4层为第一全联接层，节点数目为200；

第5层为第二全联接层，节点数目为20；

第6层为输出层，节点数目为2，分别对应模型的两种输出状态，所述两种 输出状态为：未来将产生太阳耀斑和不产生太阳耀斑；

在上述模型训练过程中，学习率设为0.01，动量设为0.9，最大循环数设为 45000。

6.根据权利要求5所述的基于卷积神经网络模型的太阳耀斑预报方法，其特 征在于，所述从观测数据中提取特征，并预报该活动区是否产生太阳耀斑，具 体为：

所述活动区是否产生大于一定阈值的太阳耀斑的预报，为一个典型的二值 预报问题，对于一个二值预报系统，其预报结果为如下四种可能的结果：

本身是正类又被正确地预测为正类的样本被称为正确的肯定；本身是负类 又被正确地预测为负类的样本被称为正确的否定；本身是正类又被错误地预测 为负类的样本被称为错误的否定；本身是负类又被错误地预测为正类的样本被 称为错误的肯定。