利用机器学习技术预测地磁扰动,采用适用于长时间序列分析的长短时记忆循环神经网络 (LSTM),通过对在 L$1$ 点获取的太阳风等离子体和磁场的现场测量数据进行研究,使用二元分类方式预测 SYM-H 地磁活动指数在 - 50 nT 的阈值以下一小时的降低,从而指示磁层的扰动。同时考虑到强烈的时间变化特征,采用适当的损失函数来解决类别不平衡的问题,并使用加权技能评分方法来评估预测结果。首次考虑太阳暴和磁旋的内容以及它们的能量特征,通过相关性驱动的特征选择方法对神经网络预测模型中最相关的特征进行排序,同时展示了所采用的神经网络在准确预测地磁风暴的发生时起到的关键性作用,这对于在实际操作环境中给出真实预警至关重要。
Mar, 2024
本文比较了四种最先进的算法在两个实际应用中的效果,其中之一是基于加速度计数据的手势识别,另一个是图像分类,结果证实了这些系统的可靠性和在微型存储器 MCUs 中部署的可行性。
Sep, 2022
利用机器学习的多种模型,如储备计算、时延前馈神经网络和随机森林,可以在复杂环境下检测地球的异常磁场,并提高导航精度。
Feb, 2024
2025 年太阳活动周期达到高峰时,单个地磁风暴对居住空间物体轨道的显著影响,大气密度预测技术对空间态势感知至关重要。本研究通过开发基于非线性转换器的架构,改进了以往用于大气密度预测的线性传播方法,通过从历史大气密度数据中学习多层权重,捕捉数据集中的长期依赖关系,实现了大气密度预测。同时,比较了以前使用的基于动态模式分解与控制(DMDc)和基于转换器的传播器的经验性 NRLMSISE-00 和 JB2008 以及基于物理的 TIEGCM 大气密度模型的预测效果。
Oct, 2023
通过将机器学习与传统物理模型相结合的混合建模方法,本研究探索了超出中期的天气预测潜力。基于 SPEEDY 模型,该混合模型在预测实验中使用了机器学习变量和简化参数化大气环流模型,并在预测 El Niño 循环和降水的赤道变异方面表现出与高分辨率传统物理模型相当的预测能力。
May, 2024
通过使用 Gledzer-Ohkitani-Yamada (GOY) shell 模型的强烈简化表示,我们构建了一个小尺度湍流模型进行研究,重点探讨了机器学习与物理学的相结合,以及在将机器学习与微分方程相结合时存在的问题。
Jan, 2022
本文提出了一种物理引导递归神经网络模型(PGRNN),它根据物理学模型和机器学习模型相结合,明确提出物理模型的局限性并提出了一种新的改进方法,该方法能够更好地预测实际现象。
Jan, 2020
通过开发物理信息的异构图神经网络来解决基于图的直流阻挡器部署问题,该方法结合了异构图神经网络和物理信息神经网络,以捕捉交流 / 直流网络中不同类型的节点和边,并融合电力网络的物理定律。经过案例研究验证,结果表明该方法能够有效而高效地支持 GIC 直流阻挡器的部署,确保持续供电以满足社会需求,对于抵御不断增长的 GMD 威胁的可靠且弹性电力网络的发展具有潜力。
通过对模型设计的多次修改,引入了第三代物理信息神经网络重力模型(PINN-GM-III)来解决外推误差、对低空样本的偏见、高空数值不稳定性和符合边界条件等关键模型挑战。该模型经过对已知异质密度小行星进行建模,通过七个核心指标对其性能进行评估,展示了其对前任模型和其他解析和数值重力模型的优势。
Dec, 2023
使用实时检测行程海域重建大气不稳定性(TIDs)的方法提升海啸预警系统并实时检测海啸引发的内部重力波。
Aug, 2023