基于李雅谱诺夫指数和余弦相似度的Kp指数预报方法技术

本发明专利技术公开了一种基于李雅谱诺夫指数和余弦相似度的Kp指数预报方法，该方法包括如下步骤：首先构建Kp指数时间序列，然后进行Kp指数时间序列的混沌特性分析，包括时间延迟、嵌入维数和最大李雅谱诺夫指数的计算，最后基于李雅谱诺夫指数和余弦相似度的预报方法来预报Kp指数。相比于现有技术中通过神经网络和一阶局域预测法来预报Kp指数而言，本发明专利技术更加简便性、可操作性强，且对Kp指数的中长期的预测精度更高。

Kp exponent prediction method based on Lyapunov exponent and cosine similarity

The invention discloses a prediction method of Kp index based on Lyapunov index and cosine similarity. The method comprises the following steps: first, the time series of Kp index is constructed, then the chaotic characteristics of the time series of Kp index are analyzed, including the calculation of time delay, embedding dimension and maximum Lyapunov index, and finally, the chaotic characteristics of the time series of Kp index are calculated. Based on Lyapunov exponent and cosine similarity, the Kp exponent is predicted. Compared with the existing technology, the invention is more convenient and operable, and has higher medium and long-term prediction accuracy for Kp index by using neural network and first-order local prediction method.

【技术实现步骤摘要】
基于李雅谱诺夫指数和余弦相似度的Kp指数预报方法
本专利技术涉及一种基于李雅谱诺夫指数和余弦相似度的Kp指数预报方法。
技术介绍
Kp指数即“行星际小时磁情指数”，通过计算磁纬在48度和63度之间的全球13个地磁台站k指数的加权平均值得到。它与3小时时段内地磁扰动有近似对数关系，是衡量近地空间全球磁扰动强度的重要指标之一。Kp指数在空间环境监测中可以为地磁暴的发生提供预警，避免空间和地面技术系统遭到灾害性事件的影响。因此，对于Kp指数的准确预报有着重要意义。然而由于行星际向磁层电离层能力输入的复杂性，磁层电离层对扰动响应的不确定性以及磁层内部的动力学过程等原因，使得预报Kp指数的难度更大。一些机构发展了短期预报模型，如Gehred、Takahashi的Kp预报模型。利用太阳风数据和现报Kp值作为输入参数，借助人工神经网络方法构建的预报模型主要有Costello模型、Wing等建立的APL模型，Boberg模型和Bala模型。刘杨等充分利用ACE卫星积累的上游行星际条件的数据，以开磁通生成速率函数dΦMP/dt和太阳风磁层粘滞作用项n1/2v2为主要输入参数，应用神经网络方法，构建了三本文档来自技高网...

【技术保护点】
1.基于李雅谱诺夫指数和余弦相似度的Kp指数预报方法，其特征在于，包括如下步骤：s1.构建Kp指数时间序列Kp指数数据每隔3小时预报一次，并且在1‑3小时之内的数据是相同的，因此，将相同的数据滤除，得到每3小时为间隔的Kp指数时间序列x＝{xi,i＝1,2,…,N}；其中，N为Kp指数时间序列的数据个数；s2.Kp指数时间序列的混沌特性分析s2.1.计算时间延迟τ；其中，时间延迟τ表示相空间中相矢量的各分量在时间序列中时间间隔的大小；s2.2.计算嵌入维数m；s2.3.计算最大李雅谱诺夫指数λ；其中，李雅谱诺夫指数是定量描述混沌运动对初值条件的敏感性的吸引子特征量；将Kp指数时间序列重构相空间...

【技术特征摘要】
1.基于李雅谱诺夫指数和余弦相似度的Kp指数预报方法，其特征在于，包括如下步骤：s1.构建Kp指数时间序列Kp指数数据每隔3小时预报一次，并且在1-3小时之内的数据是相同的，因此，将相同的数据滤除，得到每3小时为间隔的Kp指数时间序列x＝{xi,i＝1,2,…,N}；其中，N为Kp指数时间序列的数据个数；s2.Kp指数时间序列的混沌特性分析s2.1.计算时间延迟τ；其中，时间延迟τ表示相空间中相矢量的各分量在时间序列中时间间隔的大小；s2.2.计算嵌入维数m；s2.3.计算最大李雅谱诺夫指数λ；其中，李雅谱诺夫指数是定量描述混沌运动对初值条件的敏感性的吸引子特征量；将Kp指数时间序列重构相空间X＝{Xj}，Xj为第j个m维相空间中的相点：Xj＝[xj,xj+τ,…,xj+(m-1)τ],j＝1,2,…,M；其中，M＝N-(m-1)τ，为m维相空间中嵌入点数目；最大李雅谱诺夫指数可定义为：其中，dj＝||Xj+1-Xj||∞，∞为范数，dj表示相空间Xj+1与Xj这两个相点之间的范数；s3.Kp指数时间序列的预测基于李雅谱诺夫指数和余弦相似度的预报方法来预报Kp指数：以相空间轨迹的最后一点作为中心点，把与中心点的修正后余弦相似度最小的若干轨迹点作为相关点，以Xj+1＝a+bXj来拟合中心点周围的小邻域；其中，a、b表示拟合参数；将分量的权值设定成与时间序列的时间和李雅谱诺夫指数成正比，将分量对预测的贡献通过加权的方法体现在余弦相似度这个度量中，则修正后的余弦相似度公式为：依据修正后的公式计算出余弦相似度，用余弦相似度来计算每个邻近点对应的权值；以Kp指数时间序列重构的相空间X＝{Xj}轨迹的最后一点作为中心点；把离中心点最近的若干轨迹点作为...

【专利技术属性】
技术研发人员：孙佳龙，秦思远，龙冰心，郭淑艳，
申请(专利权)人：淮海工学院，
类型：发明
国别省市：江苏,32