高分辨率磁暴环电流指数的神经网络预测模型

改进由行星际参数预测暴时SYM-H指数的神经网络预测模型，包括综合Elman网络和NARX网络的优点建立新的带隐含层反馈输入变换的递归神经网络，以及通过多时间尺度分析优化和简约化输入参数，实现提高预测精度，增强预测模型实用性；同时利用建立的神经网络预测模式，分析CIR磁暴和CME磁暴中太阳风和行星际磁场参数与SYM-H指数之间的关系，探索不同类型磁暴期间地磁指数随太阳风和行星际磁场参数变化的规律。本课题的工作及成果对深入认识行星际中的太阳风和IMF状况与地球空间环境变化之间的关系,以及建立灾害性空间天气短期预报系统都具有重要的意义。

本课题的相关工作基本按照计划完成，并在原计划的基础上增加了利用神经网络由IMF和太阳风参数预测AE指数变化的工作。本课题的工作和研究成果分为以下6个方面：（1）对前期研究中建立的NARX神经网络SYM-H指数预测模型进行了进一步的优化，通过对比不同的输入参数组合、不同输入时延长度和不同的隐含层神经元个数的预测结果，得到以100分钟的{Bz, N, V}作为输入，包含10个隐含层神经元的NARX网络为相对最优的预测模型。（2）建立了增加反馈时延的Elman神经网络预测模型，测试结果表明，该模型预测的精度接近NARX模型；对隐含层时延反馈输入进行了分段平均处理后，得到简化了的隐含层反馈网络预测模型，测试表明简化后的模型预测精度并没有降低，但依然达不到NARX网络的预测精度；在上述模型基础上加入输出时延反馈，建立了双时延反馈网络，该模型预测精度明显提高。（3）在双时延反馈网络基础上，对100分钟的时延输入进行分段平均处理，以简化输入，尝试了10-10-15-15-20-30、10-10-20-30-30和20-20-30-30三种分段方法，测试结果表明对输入进行了简化的预测模型能够保持预测精度，并有效去除预测SYM-H曲线中的高频噪声。（4）针对双时延反馈网络，尝试了提前60至300分钟预测SYM-H指数，结果表明在提前180分钟的情况下，依然能够得到较准确的预测结果，说明该模型具有180分钟提前时间的预测能力。（5）使用不同反馈时延长度的双时延反馈网络，对54个CIR磁暴和29个CME强磁暴进行了训练，训练后的网络误差结果表明，对两种磁暴，误差都随反馈时延长度减小，但对CME磁暴减小更明显，表明CME磁暴中IMF和太阳风参数对SYM-H的变化影响更显著。（6）分别使用BP、Elman和NARX网络建立了AE指数预测模型，并尝试了不同的参数组合、不同的输入时延长度和不同的反馈时延长度，对NARX预测模型进行了优化选择，测试结果表明NARX网络预测精度与Elman网络相当，反馈时延长度对AE预测影响很小，现有神经网络模型无法预测AE指数的快速变化。以上工作中，第（1）部分已经整理完成，准备投稿，第（2）（3）（4）部分正在深入研究中，期望得到更好的结果在国外高水平期刊发表，（5）（6）部分的工作还在进一步的进行中。