PMO OpenIR  > PMO中文期刊
基于深度学习的太阳10.7 cm射电流量日值的中期预报
王歆
2017
发表期刊飞行器测控学报
期号2页码:118-122
摘要针对太阳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。
关键词太阳活动 F10.7流量 预报 深度学习 神经网络
语种中文
文献类型期刊论文
条目标识符http://libir.pmo.ac.cn/handle/332002/17513
专题PMO中文期刊
推荐引用方式
GB/T 7714
王歆. 基于深度学习的太阳10.7 cm射电流量日值的中期预报[J]. 飞行器测控学报,2017(2):118-122.
APA 王歆.(2017).基于深度学习的太阳10.7 cm射电流量日值的中期预报.飞行器测控学报(2),118-122.
MLA 王歆."基于深度学习的太阳10.7 cm射电流量日值的中期预报".飞行器测控学报 .2(2017):118-122.
条目包含的文件 下载所有文件
文件名称/大小 文献类型 版本类型 开放类型 使用许可
2017014.pdf(605KB)期刊论文作者接受稿开放获取Apache License浏览 下载
个性服务
推荐该条目
保存到收藏夹
查看访问统计
导出为Endnote文件
谷歌学术
谷歌学术中相似的文章
[王歆]的文章
百度学术
百度学术中相似的文章
[王歆]的文章
必应学术
必应学术中相似的文章
[王歆]的文章
相关权益政策
暂无数据
收藏/分享
文件名: 2017014.pdf
格式: Adobe PDF
所有评论 (0)
暂无评论
 

除非特别说明,本系统中所有内容都受版权保护,并保留所有权利。