[發(fā)明專利]一種基于神經(jīng)網(wǎng)絡(luò)的太陽耀斑二分類預測方法

在審

• 申請?zhí)枺?/td>: 202111057268.5
• 申請日: 2021-09-09
• 公開（公告）號: CN113887570A
• 公開（公告）日: 2022-01-04
• 發(fā)明（設(shè)計）人: 鄭艷芳;秦偉舒;李雪寶;田會峰;周瑜;劉乾;趙麗;秦海亭
• 申請（專利權(quán)）人: 江蘇科技大學
• 主分類號: G06K9/62
• 分類號: G06K9/62;G06N3/04;G06N3/08
• 代理公司: 南京創(chuàng)略知識產(chǎn)權(quán)代理事務所(普通合伙) 32358
• 代理人: 劉文艷

1.一種基于神經(jīng)網(wǎng)絡(luò)的太陽耀斑二分類預測方法，其特征在于：包括以下步驟，

步驟(A)，推導出皮爾森相關(guān)系數(shù)計算公式；

步驟(B)，推導出斯皮爾曼相關(guān)系數(shù)計算公式；

步驟(C)，求得出斯皮爾曼相關(guān)系數(shù)的優(yōu)勢；

步驟(D)，對數(shù)據(jù)進行特征選擇；

步驟(E)，構(gòu)建感知機；

步驟(F)，引入多層神經(jīng)網(wǎng)絡(luò)；

步驟(G)，依據(jù)神經(jīng)網(wǎng)絡(luò)設(shè)計反向傳播算法進行預測，并產(chǎn)生預測結(jié)果。

2.根據(jù)權(quán)利要求1所述的一種基于神經(jīng)網(wǎng)絡(luò)的太陽耀斑二分類預測方法，其特征在于：步驟(A)，推導出皮爾森相關(guān)系數(shù)計算公式，其具體步驟如下，

步驟(A1)，皮爾森相關(guān)系數(shù)由計算兩個變量X，Y的標準差與協(xié)方差的商得到總體相關(guān)系數(shù)ρ，如公式(1)所示，

步驟(A2)，計算樣本點的協(xié)方差和標準差，可得到皮爾森相關(guān)系數(shù)r，如公式(2)所示，

其中，是X_i的樣本均值，是Y_i的樣本均值；

步驟(A3)，計算樣本點的標準分數(shù)均值，可得到與公式(2)等價的表達式，如公式(3)所示，

其中，是X_i的標準分數(shù)，σ_x是X_i的樣本標準差；是Y_i的標準分數(shù)，σ_y是Y_i的樣本標準差。

3.根據(jù)權(quán)利要求1所述的一種基于神經(jīng)網(wǎng)絡(luò)的太陽耀斑二分類預測方法，其特征在于：步驟(B)，推導出斯皮爾曼相關(guān)系數(shù)計算公式，斯皮爾曼相關(guān)系數(shù)通過單調(diào)函數(shù)來表示變量間的相關(guān)性，相關(guān)性以ρ表示，具體步驟如下，

步驟(B1)，設(shè)存在兩個變量分別為X、Y，元素個數(shù)均為N，兩個變量的第i個元素并分別用X_i、Y_i表示；X、Y的排序集合為x、y，元素x_i、y_i分別為X_i在X中的排名以及Y_i在Y中的排名；x_i與y_i對應相減得到一個排序差分集合d；即變量X、Y之間的斯皮爾曼等級相關(guān)系數(shù)由x、y計算得到，由排序差分集合d計算而得，如公式(4)所示，

步驟(B2)，再由排序集合x、y計算而得公式(5)，

4.根據(jù)權(quán)利要求3所述的一種基于神經(jīng)網(wǎng)絡(luò)的太陽耀斑二分類預測方法，其特征在于：步驟(C)，求得出斯皮爾曼相關(guān)系數(shù)的優(yōu)勢，其具體方法有兩種一種是分層排列測試檢驗，另一種是在皮爾森積矩中使用費雪交換，具體步驟如下

步驟(C1)，分層排列測試檢驗，對于被觀測數(shù)據(jù)的ρ值，設(shè)ρ不為零，并計算它大于r的概率，且r范圍是1≥r≥-1，使用分層排列測試檢驗；

步驟(C2)，在皮爾森積矩中使用費雪交換，具體步驟如下，

步驟(C21)，通過費雪變換獲得ρ的置信區(qū)間和零檢驗，如公式(6)所示，

步驟(C22)，設(shè)F(r)中r是Fisher變換，則如公式(7)所示，

其中，z是零檢驗，n為自由度；

步驟(C23)，r服從并依賴在零假設(shè)下的標準正態(tài)分布，顯著性t如公式(8)所示，