摘要 | 第5-7页 |
abstract | 第7-8页 |
第1章 引言 | 第14-18页 |
1.1 研究背景与意义 | 第14-16页 |
1.2 高能电子通量的预报现状 | 第16页 |
1.3 本文的研究内容和结构 | 第16-18页 |
第2章 高能电子预报模型 | 第18-37页 |
2.1 建模相关物理背景 | 第18-22页 |
2.1.1 高能电子的观测特征 | 第18-19页 |
2.1.2 高能电子的来源观点 | 第19页 |
2.1.3 高能电子的加速及损失机制 | 第19-22页 |
2.2 模型结果评价指标 | 第22页 |
2.3 线性滤波法 | 第22-24页 |
2.3.1 早期的线性预测滤波模型 | 第22-23页 |
2.3.2 改进的REFM模型 | 第23-24页 |
2.4 多元非线性拟合方法 | 第24-27页 |
2.4.1 低能电子预报模型 | 第24-27页 |
2.4.2 地磁脉动预报模型 | 第27页 |
2.5 基于物理方程的方法 | 第27-30页 |
2.6 机器学习方法 | 第30-36页 |
2.6.1 基于传统神经网络的预报模型 | 第30-35页 |
2.6.2 基于支持向量机的预报模型 | 第35-36页 |
2.7 小结 | 第36-37页 |
第3章 深度学习建模方法 | 第37-44页 |
3.1 深度学习背景 | 第37页 |
3.2 时间序列建模 | 第37-38页 |
3.3 深度学习方法 | 第38-42页 |
3.3.1 标准的循环神经网络 | 第38-40页 |
3.3.2 长短时记忆网络 | 第40-42页 |
3.4 安装及调试环境 | 第42-43页 |
3.5 小结 | 第43-44页 |
第4章 基于长短时记忆网络的高能电子积分通量预报模型 | 第44-73页 |
4.1 数据 | 第44-47页 |
4.1.1 数据来源 | 第44-46页 |
4.1.2 数据标定 | 第46-47页 |
4.2 统计分析 | 第47-48页 |
4.3 相关性分析 | 第48-50页 |
4.4 运用LSTM循环神经网络预报高能电子通量 | 第50-72页 |
4.4.1 基于日积分通量的预报模型结果分析 | 第50-58页 |
4.4.2 基于小时积分通量的预报模型结果分析 | 第58-72页 |
4.5 小结 | 第72-73页 |
第5章 结论和展望 | 第73-76页 |
5.1 本研究的主要结论 | 第73-74页 |
5.2 未来工作的展望 | 第74-76页 |
参考文献 | 第76-80页 |
致谢 | 第80-81页 |