学习矢量量化网络在太阳耀斑预报中的应用  

Application of Learning Vector Quantity Network in Solar Flare Forecasting

作　　者：李蓉[1] 崔延美[2] 贺晗[3] 

机构地区：[1]北京物资学院信息学院,北京101149 [2]中国科学院空间科学与应用研究中心,北京100190 [3]中国科学院国家天文台,北京100012

出　　处：《计算机仿真》2009年第8期173-175,187,共4页Computer Simulation

基　　金：高等学校人才强教计划资助项目(PHR200906210);北京市教育委员会科研基地建设项目(WYJD200902);北京市教育委员会科技计划项目(KM200810037001);国家自然科学基金重点项目(10673017)资助

摘　　要：为了提高太阳耀斑预报的预报精度,主要是提高识别性能,提出了应用学习矢量量化(Learning Vector Quantity,LVQ)网络建立耀斑预报模型。LVQ是一种基于竞争学习规则的神经网络,采用有监督学习模式。算法每次修改连接获胜输出单元的权向量。更新规则是获胜单元的类别与输入向量的类别相匹配,它的权向量将向模式移近,否则将距离拉开。应用LVQ的耀斑预报模型是两层神经网络结构,输入层单元为预报因子的特征值,输出单元是耀斑预报的类别。仿真预报结果证明预报模型具有较高的预报精度,说明LVQ是有效的预报方法。In order to improve the prediction accuracy, Learning Vector Quantity （LVQ） was applied to construct flare prediction model. LVQ is a neutral network based on competitive learning rule, which adopts a supervised learning model. The weight vector connecting the winner output units are modified in each step of algorithm. Weight rule is when the class label of the winner unit is matched to that of the input vector, the weight vector moves toward the input vector; otherwise, the weight vector moves away from the input vector. The LVQ is a two layer neutral network. The input unit is the predictor and the output unit is the class of flare in this model. Forecasting result shows that the prediction model has higher forecast accuracy and the LVQ method is a valid prediction method.

关 键 词：耀斑 预报因子 参考点 权值向量 竞争学习 

分 类 号：TP183[自动化与计算机技术—控制理论与控制工程]