| 摘要 | 第5-6页 |
| ABSTRACT | 第6页 |
| 第一章 绪论 | 第9-12页 |
| 1.1 研究背景与意义 | 第9-10页 |
| 1.2 主要研究内容 | 第10页 |
| 1.3 论文组织结构 | 第10-11页 |
| 1.4 本章小结 | 第11-12页 |
| 第二章 太阳耀斑预报相关技术综述 | 第12-26页 |
| 2.1 太阳耀斑的背景知识 | 第12-13页 |
| 2.1.1 太阳结构 | 第12页 |
| 2.1.2 太阳耀斑的演化 | 第12-13页 |
| 2.1.3 太阳耀斑的分类 | 第13页 |
| 2.2 耀斑预报国内外研究现状 | 第13-22页 |
| 2.2.1 耀斑预报特征的研究现状 | 第13-17页 |
| 2.2.1.1 活动区域的物理量特征 | 第13-17页 |
| 2.2.1.2 活动区域的图像特征 | 第17页 |
| 2.2.2 耀斑预报方法的研究现状 | 第17-22页 |
| 2.2.2.1 支持向量机 | 第19-20页 |
| 2.2.2.2 k近邻 | 第20-21页 |
| 2.2.2.3 决策树 | 第21-22页 |
| 2.3 深度学习概述 | 第22-24页 |
| 2.3.1 卷积神经网络 | 第23-24页 |
| 2.3.2 递归神经网络 | 第24页 |
| 2.4 本章小结 | 第24-26页 |
| 第三章 基于深度学习的太阳耀斑预报方法 | 第26-35页 |
| 3.1 整体概述 | 第26-27页 |
| 3.2 基于卷积神经网络的耀斑预报特征提取 | 第27-30页 |
| 3.2.1 卷积神经网络结构介绍 | 第27-29页 |
| 3.2.2 磁场记录图图像特征提取 | 第29-30页 |
| 3.3 基于递归神经网络的耀斑预报模型 | 第30-34页 |
| 3.3.1 长短时记忆网络结构介绍 | 第31-33页 |
| 3.3.2 联合时空信息的耀斑预报模型 | 第33-34页 |
| 3.4 本章小结 | 第34-35页 |
| 第四章 实验设计与算法验证 | 第35-47页 |
| 4.1 实验环境 | 第35-36页 |
| 4.1.1 软硬件环境概述 | 第35页 |
| 4.1.2 Keras介绍 | 第35-36页 |
| 4.1.3 TensorFlow介绍 | 第36页 |
| 4.2 数据集 | 第36-40页 |
| 4.2.1 数据源 | 第36-38页 |
| 4.2.2 正负样本划分 | 第38-40页 |
| 4.2.2.1 正样本生成方法 | 第38-39页 |
| 4.2.2.2 负样本生成方法 | 第39页 |
| 4.2.2.3 数据集大小 | 第39-40页 |
| 4.3 评价指标 | 第40-42页 |
| 4.3.1 准确率 | 第40页 |
| 4.3.2 精度 | 第40-41页 |
| 4.3.3 召回率 | 第41页 |
| 4.3.4 F1分数 | 第41页 |
| 4.3.5 Heidke得分 | 第41页 |
| 4.3.6 Peirce得分 | 第41-42页 |
| 4.4 实验结果与分析 | 第42-46页 |
| 4.4.1 网络参数设置 | 第42页 |
| 4.4.2 网络训练参数对模型性能影响实验 | 第42-43页 |
| 4.4.3 长短时记忆网络隐层单元数对模型性能影响实验 | 第43-44页 |
| 4.4.4 耀斑预报模型性能评估对比实验 | 第44-46页 |
| 4.5 本章小结 | 第46-47页 |
| 第五章 总结与展望 | 第47-49页 |
| 5.1 论文工作总结 | 第47-48页 |
| 5.2 未来展望 | 第48-49页 |
| 参考文献 | 第49-53页 |
| 致谢 | 第53-54页 |
| 攻读学位期间取得的研究成果 | 第54页 |