基于地磁水平分量序列的磁暴自动识别

应用小波包分析技术提取了地磁水平分量序列的能量特征,用Fisher方法进行识别,研究了磁暴与非磁暴的识别率在不同时间长度t下的变化规律.当t=1h时,对磁暴与非磁暴的平均识别率达到83.8%;在确定为磁暴的前提下,进一步将磁暴按强度分为强磁暴(磁情指数K≥8)和非强磁暴(K≤7),平均识别率为72.9%.在对地磁水平分量进行连续实时监测的情况下,用这种方法可实现对磁暴的自动识别.     

地磁变化场的MEEMD-样本熵-LSSVM预测模型

针对地磁变化场时间序列的混沌特性,提出了一种改进的集成经验模态分解(modified ensemble empirical mode decomposition,MEEMD)-样本熵-最小二乘支持向量机(least square support vector machine,LSSVM)的地磁变化场预测模型。首先,利用MEEMD-样本熵将非平稳的地磁变化场时间序列分解为一系列复杂度差异明显的地磁变化场子序列;然后,针对每一个子序列分别建立LSSVM模型,选择各自适合的最优模型参数;最后,以地磁台站实测的地磁变化场数据为例进行实验,并与基于单一LSSVM以及RBF径向基神经网络的两种预测模型进行比较。实验结果表明,MEEMD-样本熵-LSSVM模型的预测值能紧跟地磁变化场的变化趋势,相比另外两种模型,体现出更好的预测效果,在地磁Kp指数小于3时,预测3h平均绝对误差为1.63nT。     

变化地磁场预测的支持向量机建模

变化地磁场建模与预测是地磁导航、空间环境监测等领域的重要研究课题.由于变化地磁场属于日地系统中的一部分,受多种因素的制约影响,且其变化本身也具有较强的前后相关性.本文综合空间和地面监测数据,以变化地磁场地面观测数据、地方时、太阳射电流量和行星际磁场南向分量等为输入,采用支持向量机方法,建立了变化地磁场综合模型,并进行预测.结果表明,在地磁活动Kp指数小于4时,预测3 h平均绝对误差小于1.61 nT.