【技术实现步骤摘要】
本专利技术涉及一种太阳f10.7指数预测方法及系统，属于太阳活动监测预报。
技术介绍
1、太阳f10.7指数是度量太阳辐射强度的指数，是许多电离层模式和中高层大气模式的驱动参数。f10.7指数的高精度预报，对于精确计算低轨卫星受到的大气阻力大小，确定卫星的轨道，从而实现目标跟踪、陨落预报等航天任务具有重要意义。f10.7指数的大小反映了太阳活动的强弱水平，现有的预报方法，主要根据太阳活动的周期性，采用自回归、小波分析等方法，利用f10.7指数的历史观测值拟合未来值。但是f10.7指数除了具有11年和27天等跟随太阳周期的变化外，其每天的具体值还受到太阳黑子活动区变化，耀斑爆发、日冕物质抛射等活动的影响和调制。现有预报方法由于没有充分考虑到太阳活动短期波动对太阳辐射水平的影响，虽然能预报f10.7指数长周期的大体变化趋势，但具体到每一天的短期预报精度不足。
技术实现思路
1、有鉴于此，本专利技术提出一种太阳f10.7指数预测方法及系统，能够在f10.7指数预报中充分利用多波段观测图像所蕴含的太阳活动水平变化信息，计及了太阳活动引起的辐射变化的影响，从而更精确地预报f10.7指数。
2、一种太阳f10.7指数的预测方法，包括如下步骤：
3、步骤1、训练太阳辐射强度信息提取模块，所述提取模块基于一个太阳活动周内多个波段太阳历史观测图像数据以及f10.7历史指数观测值训练所得；
4、步骤2、将太阳在f10.7指数相关波段的观测影像数据序列输入到太阳辐射强
5、步骤3、f10.7指数的嵌入向量模块构建太阳f10.7指数的嵌入向量，将对f10.7指数有重要贡献的太阳辐射特征信息向量和太阳f10.7指数的嵌入向量进行融合，生成特征向量序列；
6、步骤4、训练预测生成模块，并输入特征向量序列，生成未来f10.7指数的预报值。进一步地，所述太阳辐射强度信息提取模块，包括：n路并行的图像特征压缩提取模块与一个多波段特征融合模块串联构成太阳辐射强度信息提取模块，n为设定值。
7、进一步地，所述n路并行的图像特征压缩提取模块为多层神经网络模型，每一路都依次串联：二维卷积层、第一全连接层、一维卷积层及第二全连接层；
8、二维卷积层和第一全连接层，用于将太阳的观测影像数据转换成太阳在f10.7指数相关波段中一个波段的一维特征向量，将所述一维特征向量按照观测时间顺序堆叠成二维特征矩阵；
9、一维卷积层和第二全连接层，将所述二维特征矩阵转换成对应波段的特征向量。
10、进一步地，所述多波段特征融合模块为多层神经网络模型，依次串联第一拼接层、第一隐含层、第二隐含层和第一输出层；
11、第一拼接层，将所述对应波段的特征向量拼接成一个特征向量；
12、第一隐含层及第二隐含层，提取拼接层输出的特征向量中对f10.7指数有重要贡献的太阳辐射特征信息向量，输出给f10.7指数的嵌入向量模块；
13、第一输出层，将对f10.7指数有重要贡献的太阳辐射特征信息向量变换为f10.7指数。
14、进一步地，所述训练太阳辐射强度信息提取模块，包括如下步骤：
15、步骤101、将一个太阳活动周内太阳历史观测图像数据以及f10.7历史指数观测值作为训练数据，输入太阳辐射强度信息提取模块，从模块中提取出f10.7指数；
16、步骤102、设定损失阈值，将提取的f10.7指数与f10.7历史指数观测值比较得到交叉熵损失，若交叉熵损失不小于损失阈值则进行梯度反向传播并重复步骤101～102，若交叉熵损失低于损失阈值则停止迭代，完成太阳辐射强度信息提取模块的训练。
17、进一步地，所述构建太阳f10.7指数的嵌入向量，包括如下步骤：
18、步骤301、对f10.7指数有重要贡献的太阳辐射特征信息向量中的元素剔除重复元素后进行排序和编号，形成一个有序字典集合ω，用来索引f10.7指数，集合ω的大小为r，r等于f10.7指数所有可能值的数量；
19、步骤302、定义f10.7指数的两个嵌入矩阵分别为左嵌入矩阵u和右嵌入矩阵v，维度都为r×n，n为设定值，代表f10.7指数嵌入向量的维度，u和v的第j行向量和分别表示在有序字典集合中索引为j的f10.7指数的左嵌入向量和右嵌入向量，用[0,1]均匀分布随机初始化嵌入矩阵u和v；
20、步骤303、由f10.7指数组成的序列记为：x1,x2,……,xi-1,xi,xi+1,……，以大小为m的滑动窗口沿着序列从头到尾滑动，构造用于训练u和v的输入和输出样本对，若选取滑动窗口中心的值为输入，则所述中心的值左右两边所有值都为输出，训练样本对的形式为：(xi,xi-m),(xi,xi-m+1).....(xi,xi+m-1),(xi,xi+m)；
21、步骤304、给定输入xi，输出为xi-m,xi-m+1......xi+m-1,xi+m的概率分别为：
22、
23、
24、……
25、
26、
27、其中，为和vk的归一化系数；
28、步骤305、令输出的对数概率之和表示为：φ＝logp(xi-m|xi)+logp(xi-m+1|xi)+......+logp(xi+m-1|xi)+logp(xi+m|xi)；对φ求梯度并反向传播，从而更新嵌入矩阵u和v的元素值；
29、步骤306、设定变化阈值，循环遍历所有的训练样本对，对每个训练样本对，执行步骤304到305，更新修正u和v，若变化不小于变化阈值则重复步骤304到306，若变化小于变化阈值，则执行步骤307；
30、步骤307.令嵌入向量中每个元素的值：
31、
32、其中，ej为索引为j的f10.7指数的嵌入向量。
33、进一步地，所述训练预测生成模块，包括如下步骤：
34、步骤401、设定特征融合矩阵与生成模块结构参数并进行随机初始化；
35、步骤402、将特征向量序列输入生成模块获得f10.7指数的预测值，计算预测值与f10.7指数的真实观测值的误差；
36、步骤403、对特征融合矩阵和生成模块结构参数求偏导，根据预测值与f10.7指数的真实观测值的误差确定调整方向，沿着该方向对特征融合矩阵与生成模块结构参数进行调整；
37、步骤404、设定误差阈值，比较误差与误差阈值，若误差不小于误差阈值，则执行步骤402到404，若误差小于误差阈值则完成对生成模块的训练。
38、进一步地，所述f10.7指数相关波段，包括：可见光、紫外、极紫外和x射线波段。
39、所述对f10.7指数有重要贡献的太阳辐射特征信息向量，包括：太阳向外辐射出的可见光、紫外、极紫外和x射线波段的强度信息组本文档来自技高网...
【技术保护点】
1.一种太阳F10.7指数的预测方法，其特征在于，包括如下步骤：
2.如权利要求1所述的方法，其特征在于，所述太阳辐射强度信息提取模块，包括：N路并行的图像特征压缩提取模块与一个多波段特征融合模块串联构成太阳辐射强度信息提取模块，N为设定值。
3.如权利要求1所述的方法，其特征在于，所述N路并行的图像特征压缩提取模块为多层神经网络模型，每一路都依次串联：二维卷积层、第一全连接层、一维卷积层及第二全连接层；
4.如权利要求1所述的方法，其特征在于，所述多波段特征融合模块为多层神经网络模型，依次串联第一拼接层、第一隐含层、第二隐含层和第一输出层；
5.如权利要求1所述的方法，其特征在于，所述训练太阳辐射强度信息提取模块，包括如下步骤：
6.如权利要求1所述的方法，其特征在于，所述构建太阳F10.7指数的嵌入向量，包括如下步骤：
7.基于权利要求1-6任一所述的方法，其特征在于，所述训练预测生成模块，包括如下步骤：
8.如权利要求1所述的方法，其特征在于，所述F10.7指数相关波段，包括：可见光、紫外、
9.如权利要求1所述的方法，其特征在于，所述对F10.7指数有重要贡献的太阳辐射特征信息向量，包括：太阳向外辐射出的可见光、紫外、极紫外和X射线波段的强度信息组成的向量。
10.一种太阳F10.7指数的预测系统，其特征在于，包括：太阳辐射强度信息提取模块，F10.7指数的嵌入向量模块，预测生成模块；
...【技术特征摘要】
1.一种太阳f10.7指数的预测方法，其特征在于，包括如下步骤：
2.如权利要求1所述的方法，其特征在于，所述太阳辐射强度信息提取模块，包括：n路并行的图像特征压缩提取模块与一个多波段特征融合模块串联构成太阳辐射强度信息提取模块，n为设定值。
3.如权利要求1所述的方法，其特征在于，所述n路并行的图像特征压缩提取模块为多层神经网络模型，每一路都依次串联：二维卷积层、第一全连接层、一维卷积层及第二全连接层；
4.如权利要求1所述的方法，其特征在于，所述多波段特征融合模块为多层神经网络模型，依次串联第一拼接层、第一隐含层、第二隐含层和第一输出层；
5.如权利要求1所述的方法，其特征在于，所述训练太阳辐射强度信息提取模块...
【专利技术属性】
技术研发人员：魏展基，尹云霞，穆遥，丛佃伟，康丽华，王帅，刘磊，万刚，
申请(专利权)人：中国人民解放军战略支援部队航天工程大学，
类型：发明
国别省市：
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。