Помощь в написании студенческих работ
Антистрессовый сервис

Разработка нейросетевых алгоритмов анализа многомерных временных рядов и их применение при исследовании солнечно-земных связей

Диссертация: Разработка нейросетевых алгоритмов анализа многомерных временных рядов и их применение при исследовании солнечно-земных связей
ДиссертацияПомощь в написанииУзнать стоимостьмоей работы

Разработан оригинальный алгоритм построения нейросетевого комплекса, предназначенный для анализа многомерных временных рядов. Нейросетевой комплекс использовался как для решения собственно задачи прогнозирования, так и для поиска временного диапазона, в котором следует рассматривать значения входных признаков для осуществления наиболее эффективного прогнозирования. Создано программное… Читать ещё >

Разработка нейросетевых алгоритмов анализа многомерных временных рядов и их применение при исследовании солнечно-земных связей (реферат, курсовая, диплом, контрольная)

Содержание

  • Актуальность
  • Цель работы
  • Основные задачи
  • Научная новизна
  • Научная и практическая значимость работы
  • Основные положения, выносимые на защиту
  • Апробация
  • Краткое содержание диссертации
  • Раздел 1. Обзор литературы по искусственным нейронным сетям Подраздел 1.1 Многослойный персептрон (МСП)
  • Подраздел 1.2 Нейросетевые комплексы
  • Раздел 2. Иерархический нейросетевой комплекс для анализа многомерных временных рядов
  • Подраздел 2.1 Описание построения иерархического нейросетевого комплекса
  • Подраздел 2.2 Результаты применения разработанного нейросетевого комплекса для анализа модельных временных рядов
  • Подраздел 2.3 Методики определения значимых переменных при нейросетевом прогнозировании
  • Раздел 3. Обзор литературы по исследованию солнечно-земных связей
  • Подраздел 3.1 Исследования солнечно-земных связей Подраздел 3.2 Космофизические данные, используемые для исследования солнечно-земных связей
  • Подраздел 3.3 Алгоритм обработки изображений Солнца для представления информации о геоэффективных объектах в
  • Раздел 4. Рекуррентные потоки высокоскоростного солнечного ветра (СВ) и их зависимость от размеров и местоположения корональных дыр (КД)
  • Подраздел 4.1 Сравнение размеров КД, рассчитанных по изображениям Солнца, полученным в различных диапазонах длин волн
  • Подраздел 4.2 Однопараметрическое представление зависимости среднесуточной скорости СВ от размера низкоширотных КД, на различных фазах 11-летнего солнечного цикла
  • Подраздел 4.3 Среднесрочное прогнозирование скорости СВ и радиального магнитного поля в период спада 11-летнего солнечного цикла по нескольким кэррингтоновским оборотам
  • Раздел 5. Результаты применения разработанного иерархического нейросетевого комплекса для исследования солнечно-земных связей
  • Подраздел 5.1 Нейросетевое прогнозирование среднесуточной скорости рекуррентных потоков СВ на околоземной орбите компактном виде
  • Подраздел 5.2 Сравнение полученных в диссертации результатов прогнозирования скорости СВ с данными, полученными другими методами
  • Подраздел 5.3 Краткий обзор результатов прогнозирования геомагнитного DST индекса

Подраздел 5.4 Применение разработанного нейросетевого комплекса для прогнозирования геомагнитного DST индекса 115 Подраздел 5.5 Определение значимых переменных при нейросетевом прогнозировании геомагнитного DST индекса

Актуальность.

Задача анализа временных рядов представляет собой весьма актуальную проблему в различных областях науки и техники. В частности, задачей такого типа является прогнозирование бинарных событий или непрерывных значений временного ряда. Существенным условием во многих случаях является фиксированная и заданная задержка между прогнозируемым событием (или значением) и «явлением» — комбинацией признаков, вызывающем событие. В таких случаях проблему поиска корреляционных связей между явлением и событием можно считать уже решенной. Помимо этого, иногда существует возможность проводить «активное» исследование зависимостей (диагностику объекта), т. е. варьировать входные условия и регистрировать соответствующий отклик, что упрощает решение задачи. В то же время, во многих задачах заданы лишь допустимые интервалы задержки. Тем самым, необходим поиск корреляционных связей, причём он должен вестись в достаточно широком временном диапазоне. Другим осложняющим обстоятельством является невозможность воздействовать на объект исследования, т. е. варьировать входные условия и регистрировать соответствующий отклик («пассивное наблюдение»). В качестве примера можно назвать задачу прогнозирования космической погоды и связанный с ней анализ влияния разных солнечных явлений на развитие геомагнитных бурь. Одной из задач этого ряда является прогнозирование параметров солнечного ветра (СВ) на околоземной орбите путем поиска тех явлений на Солнце, которые могут влиять на формирование потоков СВ. В настоящее время для прогнозирования параметров СВ в основном используются эмпирические модели, которые основаны на частичном понимании физических процессов, происходящих на Солнце. Детали формирования потоков СВ весьма сложны и являются предметом многих современных исследований. До сих пор не существует точной математической модели физических процессов, влияющих на формирование потоков СВ. Однако за многолетнюю историю наблюдений Солнца накоплено большое количество фактических данных, полученных со спутников и из наземных обсерваторий. Количество фактического материала о Солнце и о параметрах СВ все время увеличивается, кроме того, улучшается его качество.

Одним из подходов для решения задач такого рода является применение искусственных нейронных сетей (ИНС). Важным свойством ИНС является их способность настраиваться, обучаясь на примерах. Такое свойство нейронных сетей позволяет применять их, когда построение строгой математической модели невозможно, но существует достаточно представительный набор примеров (желательных решений в каждой ситуации). Другим важным свойством нейронных сетей является способность обобщать полученную информацию, т. е. давать правильные ответы при предъявлении «незнакомых» данных. При решении сложных задач прогнозирования и анализа многомерных временных рядов зачастую оказывается намного эффективнее использовать нейросетевые комплексы, в которых каждая нейронная сеть решает отдельную подзадачу, чем использовать одиночную нейронную сеть. Такой подход разбивает процесс решения всей задачи на последовательность более простых этапов, что позволяет повысить качество прогнозирования и упростить интерпретацию результатов.

Таким образом, представляется перспективной задача разработки специализированного алгоритма построения нейросетевого комплекса для анализа многомерных временных рядов и его применения при исследовании солнечно-земных связей, в частности для решения задачи прогнозирования параметров СВ на околоземной орбите на основе данных, полученных с космических аппаратов и из наземных обсерваторий.

Целью диссертационной работы были.

• Разработка алгоритма построения нейросетевого комплекса для решения фундаментальной проблемы анализа многомерных временных рядов, связанной с прогнозированием тех или иных событий или непрерывных значений и определением временного диапазона, в котором следует рассматривать значения входных признаков для осуществления наиболее эффективного прогнозирования.

• Решение задач прогнозирования при исследовании солнечно-земных связей с помощью разработанной методики.

Для достижения поставленной цели были решены следующие основные задачи:

1) Разработан алгоритм построения нейросетевого комплекса для анализа временных рядов с целью прогнозирования событий и непрерывных значений. На первом уровне используется комитет искусственных нейронных сетей, обучаемых на различных участках временного ряда. На втором уровне используется обобщающая нейронная сеть, которая обучается прогнозировать итоговую вероятность события или непрерывное значение на основе локальных оценок, полученных специализированным комитетом искусственных нейронных сетей. Такой подход позволил прогнозировать событие или непрерывную величину, а также автоматически определять и учитывать задержку между явлением и событием.

2) Разработан алгоритм анализа изображений Солнца, получаемых со спутников и космических аппаратов, с целью определения характеристик объектов на изображениях Солнца, которые могут оказать влияние на формирование высокоскоростных потоков СВ.

3) Разработанные алгоритмы применены для прогнозирования среднесуточной скорости потоков СВ на основе информации о размерах низкоширотных корональных дыр.

4) Нейросетевой комплекс применен для прогнозирования Dst-индекса геомагнитной активности на основе параметров СВ и межпланетного магнитного поля, измеряемых на околоземной орбите. Для установления логической взаимосвязи между входными параметрами и прогнозируемой величиной Dst-индекса (или событием начала сильной геомагнитной бури) применен анализ весовых коэффициентов нейронной сети.

Научная новизна.

1) Предложен нейросетевой подход как для решения собственно задачи прогнозирования, так и для определения наиболее вероятного временного диапазона, в котором следует рассматривать значения входных признаков для осуществления наиболее эффективного прогнозирования.

2) Проанализированы изображения Солнца, полученные на длинах волн 28.4 нм и 19.5 нм инструментом EIT/SOHO за период с 1997 по 2005 год. Построена эмпирическая зависимость среднесуточной скорости СВ от суммы размеров корональных дыр, рассчитанных по изображениям Солнца.

3) Для нейросетевого прогнозирования среднесуточной скорости рекуррентных высокоскоростных потоков СВ на несколько суток вперед впервые использованы размеры геоэффективных объектов корональных дыр и активных областей), рассчитанные по ежедневным снимкам Солнца, получаемым с КА SOHO на длине волны 28.4 нм.

4) Значимые переменные для нейросетевого прогнозирования значения Dst-индекса оценивались в зависимости от временного интервала, на котором обучалась нейронная сеть, с помощью анализа весовых коэффициентов нейронной сети.

Научная и практическая значимость работы.

1) Предлагаемый подход к решению задачи анализа многомерных временных рядов является универсальным и может быть применен в различных областях — в космической физике, сейсмологии, медицине, финансах и других;

2) Проведены численные эксперименты по применению разработанной методики для анализа модельных одномерных и многомерных временных рядов. Разработанный метод построения нейросетевого комплекса продемонстрировал высокую эффективность и качество прогнозирования, а также возможность определять временной диапазон, в котором следует рассматривать значения входных признаков для осуществления наиболее эффективного прогнозирования;

3) Разработанные алгоритмы были успешно применены для решения ряда практических задач: прогнозирования среднесуточных значений скорости рекуррентных потоков СВ, среднечасовых значений геомагнитного Dst-индекса, а также определения входных переменных, наиболее сильно влияющих на прогнозирование геомагнитного Dst-индекса;

4) Данные, полученные с помощью алгоритма анализа изображений с целью определения размеров и местоположения корональных дыр и активных областей, были использованы.

• для нахождения эмпирической формулы, описывающей зависимость среднесуточной скорости СВ от суммарной площади низкоширотных корональных дыр на видимой стороне Солнца в виде ряда Тейлора первого и второго порядка;

• Для нейросетевого прогнозирования среднесуточной скорости СВ на околоземной орбите.

Основные положения, выносимые на защиту.

1) Предложенная методика построения нейросетевого комплекса для решения задач анализа многомерных временных рядов, которая позволяет значительно упростить решение задачи, улучшить результат прогнозирования, а также автоматически определять временной диапазон, в котором следует рассматривать значения входных признаков для осуществления наиболее эффективного прогнозирования.

2) Анализ данных наблюдений за 1997;2005 годы, полученных с КА SOHO, с целью выделения корональных дыр на изображениях Солнца и изучения влияния площади корональных дыр на скорость СВ на околоземной орбите.

3) Результаты применения нейросетевого комплекса для решения задачи прогнозирования среднесуточной скорости СВ на околоземной орбите.

4) Результаты анализа весовых коэффициентов нейронной сети для выявления параметров СВ и межпланетного магнитного поля, наиболее значимых для прогнозирования геомагнитного Dst-индекса.

Апробация работы.

Результаты, полученные в настоящей диссертации, доложены на 11 всероссийских и международных конференциях:

1) VIII International Workshop on Advanced Computing and Analysis Techniques in Physics Research (ACAT 2002), Moscow, Russia, 24−28 June, 2002.

2) 7th International conference on Pattern Recognition and Image Analysis (PRIA-6−2002), Velikiy Novgorog, Russia, October 21−26, 2002.

3) 7th International conference on Pattern Recognition and Image Analysis (PRIA-7−2004), St. Petersburgh, Russia, October 18−23, 2004.

4) Международная конференция «Интеллектуализация обработки информации» (ИОИ'2004), г. Алушта, Крым, Украина, 14−19 июня.

2004.

5) Artificial Neural Networks: Formal Models and Their ApplicationsICANN 2005, 15th International Conference, Warsaw, Poland, September 11−15,2005.

6) IX-я Пулковская международная конференция «Солнечная активность как фактор космической погоды», ГАО РАН, Пулково, Санкт-Петербург, 4−9 июня 2005.

7) Всероссийская конференция «Экспериментальные и теоретические исследования основ прогнозирования гелиогеофизической активности», Троицк, 10−15 окт. 2005.

8) 12-я Всероссийская конференция «Математические методы распознавания образов» (ММРО-12), Москва, Россия, 20−26 ноября.

2005.

9) VIII всероссийская научно-техническая конференция «Нейроинформатика-2006» Москва, Россия, 24 — 27 янв. 2006.

10) Научная сессия МИФИ-2006, Секция «Астрофизика и космофизика», Москва, Россия, 23 — 27 янв. 2006.

11) Всероссийской конференции «Многоволновые исследования.

Солнца и современные проблемы солнечной активности", п.

Нижний Архыз, САО РАН, 28 сентября — 2 октября 2006.

Публикации.

Основные результаты диссертации опубликованы в 17 статьях [2430, 47, 59, 78, 81−86, 98], в том числе в 8 журнальных публикациях и материалах 9 всероссийских и международных конференций.

Краткое содержание диссертации.

Диссертация состоит из 5 разделов, а также введения и заключения.

Во введении сформулирована цель работы, обосновывается ее актуальностьописывается структура и приводится краткое содержание диссертацииприводятся основные положения, выносимые на защиту. В разделе 1 излагаются общие сведения об искусственных нейронных сетях. В разделе 2 описывается методика построения нейросетевого комплекса для анализа многомерных временных рядов, а также приводятся результаты проверки его работоспособности на модельных задачах. Рассматриваются методы выделения значимых входных переменных при нейросетевом прогнозировании временных рядов. Раздел 3 посвящен краткому обзору литературы по исследованию солнечно-земных связей. В этом разделе описывается данные, которые использовались для прогнозирования скорости потоков солнечного ветра (СВ) и геомагнитного Dst-индекса, приведены методы обработки и анализа данных, получаемых со спутников и наземных обсерваторий. В разделе 4 исследуется зависимость скорости СВ от размеров и местоположения КД, рассчитанных по изображениям Солнца. Кроме того, проводится сравнение суммарных размеров корональных дыр (КД), рассчитанных по изображениям Солнца, получаемым в различных спектральных диапазонах электромагнитного излучения. Рассматривается возможность прогноза среднесуточных значений скорости СВ, основанного исключительно на хорошей рекуррентности потоков СВ и межпланетного магнитного поля (ММП), наблюдаемой в прошлом, связанной с прохождением больших низкоширотных КД по диску Солнца. В Разделе 5 описываются результаты прогнозирования среднесуточных значений скорости рекуррентных потоков СВ, среднечасовых значений геомагнитного Dst-индекса. Кроме того, приводятся результаты работы нейросетевого комплекса при прогнозировании событий. В отличие от предыдущей задачи прогнозирования непрерывного значения Dst-индекса решалась задача прогнозирования события начала сильной геомагнитной бури, когда значение Dst-индекса становится меньше -100 пТ. В разделе также приводятся результаты определения входных переменных, наиболее сильно влияющих на прогнозирование геомагнитного Dst-индекса.

Основные результаты и выводы работы.

1) Разработан оригинальный алгоритм построения нейросетевого комплекса, предназначенный для анализа многомерных временных рядов. Нейросетевой комплекс использовался как для решения собственно задачи прогнозирования, так и для поиска временного диапазона, в котором следует рассматривать значения входных признаков для осуществления наиболее эффективного прогнозирования. Создано программное обеспечение, позволяющее проводить анализ многомерных временных рядов с помощью разработанного алгоритма. Проведена отладка нейросетевого комплекса и исследованы его характеристики на модельных задачах различной сложности. Полученные результаты позволили сделать вывод о работоспособности алгоритма и перспективности его применения для решения разнообразных научных задач.

2) Разработан алгоритм обработки изображений Солнца в различных диапазонах электромагнитного излучения с целью выявления геоэффективных объектов и определения их параметров. По изображениям Солнца, полученным за период с 1997 года по 2005 год EIT/SOHO на длине волны 28.4 нм, создана база данных, содержащая ежедневные значения площади корональных дыр и активных областей. База данных охватывает фазы роста, максимума и спада 23-го цикла солнечной активности.

3) Проведено корреляционное исследование зависимости скорости СВ от размеров КД на изображении Солнца за период с 1997 года по 2005 год. Было найдено, что для описания зависимости среднесуточной скорости солнечного ветра от площади КД достаточно линейного приближения. Линейное однопараметрическое представление зависимости среднесуточной скорости СВ от площади КД удовлетворительно описывает всю совокупность наблюдаемых данных в 1999;2005 годах со среднеквадратичным отклонением 92 км/с. За период спада 23-го цикла солнечной активности (с 2003 по 2005 годы) было обнаружено 63 низкоширотных КД, которые можно связать с потоками высокоскоростного СВ. Для рассматриваемых случаев установлено, что значение КК между максимальной площадью КД и максимальной скоростью СВ равно 0.62.

4) Разработанный алгоритм построения нейросетевого комплекса был успешно применен при исследовании солнечно-земных связей. a. В первой задаче прогнозировались среднесуточные значения скорости квазистационарных потоков СВ на несколько дней вперед по площади КД. Показана способность предлагаемого подхода автоматически определять задержку между прохождением геоэффективных объектов по диску Солнца и наблюдением квазистационарных высокоскоростных потоков солнечного ветра на околоземной орбите. Было получено, что задержка, соответствующая максимальным значениям коэффициента корреляции, лежит в диапазоне от 7 суток до 2 суток. На независимых данных за 2005 год значение КК между реальными значениями скорости СВ и прогнозируемыми равно 0.46. Установлено, что добавление в нейросетевую модель информации о площади активных областей, а также о ежедневных значениях усредненного магнитного поля на фотосфере, позволяет увеличить значение КК до 0.60. b. Во второй задаче нейросетевой комплекс был применен для прогнозирования непрерывных значений геомагнитного Dst-индекса по параметрам солнечного ветра и межпланетного магнитного поля. На независимых данных за 2003 год получено, что среднемесячная величина коэффициента корреляции между прогнозом Dst-индекса и измеренными значениями меняется при изменении уровня возмущения геомагнитного поля Земли и лежит в интервале от 0.70 до 0.92. 5) При помощи метода анализа весовых коэффициентов нейронной сети были исследованы взаимосвязи между входными переменными и прогнозируемой величиной Dst-индекса. a. При определении значимых переменных при нейросетевом прогнозировании непрерывного значения Dst-индекса для всех нейронных сетей из комитета выявлено, что в число наиболее значимых переменных всегда входят два значения Bz-компоненты ММП, первое и последние во временном окне, на котором обучалась нейронная сеть из комитета. b. При прогнозировании события начала сильного геомагнитного возмущения, когда значение Dst-индекса становится меньше -100 пТ, для нейронной сети из комитета, давшей наилучший прогноз, наиболее значимыми переменными являются значения В2-компоненты ММП, задержанные на 3−5 часов от момента прогнозирования, значения Ву-компоненты ММП, задержанные на 10−12 часов, значение плотности, задержанное на 9 часов, и значение скорости СВ, задержанное на 14 часов.

Полученные результаты являются предметом дальнейших исследований, хотя в целом не противоречат общим физическими представлениями о связи параметров солнечного ветра и геомагнитной активности.

Заключение

.

Показать весь текст

Список литературы

  1. D.E. Rumelhart, G.E. Hinton, R.J. Williams. Learning Internal Representations by Error Propagation // Parallel Distributed Processing: Explorations in the Microstructures of Cognition. V. l: Foundations. MIT Press. 1986. P.318−362.
  2. R.P. Lippman. An Introduction to Computing with Neural Nets // IEEE Magazine on Acoustics, Signal, and Speech Processing. 1987. V.4. P.4−22.
  3. M.H. Hassoun. Fundamentals of Artificial Neural Networks // MIT Press. 1995.
  4. T. Samad. Back Propagation With Expected Source Values // Neural Networks. 1991. V.4. № 5. P.615−618.
  5. H. Hornik, M. Stinchcombe, H.White. Multilayer Feedforwardio Networks are Universal Approximators // Neural Networks. 1989. V.2. №.5. P.359−366.
  6. G. Mirchandani, W. Cao. On Hidden Nodes for Neural Net // IEEE Trans. Circuits and Systems. 1989. V.36. № 5. P.651−664.
  7. A.A. Ежов, C.A. Шумский. Нейрокомпьютинг и его применения в экономике и бизнесе // Москва. МИФИ. 1998.
  8. Y.S. Abu-Mostafa. Complexity of Random Problems // Complexity in Information Theory, ed. Y. Abu-Mostafa. Springer-Verlag. Berlin. 1986. P. l 15−131.
  9. G. Cybenko. Approximation by Superpositions of a Sigmoidal Function // Mathematical Control Signals Systems. 1989. V.2. P.303−314.
  10. R.0. Duda, P.E. Hart. Pattern Classification and Scene Analysis // John Wiley & Sons. 1973.
  11. R.A. Jacobs, M.I. Jordan, A.G. Barto. Task Decomposition Through Competition in a Modular Connectionist Architecture: The What and Where Vision Tasks // Cognitive Science. 1991. V.15. P.219−250.
  12. T.G. Dietterich. Ensemble Methods in Machine Learning // Proc. 1st Int. Workshop on Multiple Classifier Systems MCS2000. June 21−23 2000. Cagliari. Italy. Eds. J. Kittler and F. Roli. LNCS. Springer-Verlag. Berlin. Heidelberg 2000. V.1857. P. l-15.
  13. K. Turner and J. Ghosh. Error correlation and Error Reduction in Ensemble Classifiers // Connection Science. 1996. V.8., № 3−4. P.385−404.
  14. B. Parmanto, P.W. Munro, H.R. Doyle. Improving Committee Diagnosis with Resampling Technique // Advances in Neural Information Processing Systems, eds. D.S.Touretzky, M.C.Mozer, M.E.Hesselmo. MIT Press. 1996. V.8. P.882−888.
  15. M.D. Richard and R.P. Lippmann. Neural Network Classifiers Estimate Bayesian a posteriori probabilities // Neural Computation. 1991. V.3. P.461−483.
  16. D.S. Lee and S.N. Srihari. Handprinted Digit Recognition: A Comparison of Algorithms // Proc. 3rd Int. Workshop on Frontiers in Handwriting Recognition. Buffalo. USA. May 1993. P.153−162.
  17. S. Yang, K.-C. Chang. Multimodal Pattern Recognition by Modular Neural Networks // Optical Engineering. 1998. V.37. № 2. P.650−658.
  18. D. Wolpert. Stacked Generalization // Neural Networks. 1992. V.5. No.2. P.241−259.
  19. A.S. Weigend and N.A. Gershenfeld, eds. Time Series Prediction: Forecasting the Future and Understanding the Past // 1994. Addison-Wesley. Reading. MA. USA.
  20. А.В. Geva. ScaleNet Multiscale Neural Network Architecture for Time Series Prediction // IEEE Trans. Neural Networks. 1998. V.9. №.6. P. 14 711 482.
  21. J.V. Hansen and R.D. Nelson. Data Mining of Time Series Using Stacked Generalizers //Neurocomputing. 2002. V.43. P.173−184.
  22. S.A. Dolenko, Yu.V. Orlov, I.G. Persiantsev, Yu.S. Shugai. Discovering temporal correlations by neural networks // Pattern Recognition and Image Analysis. 2003. V.13. №.1. P. 17−20.
  23. S.A. Dolenko, Yu.V. Orlov, I.G. Persiantsev, Ju.S. Shugai. A search for correlations in time series by using neural networks // Pattern Recognition and Image Analysis. 2003. V.13. № 3. P.441−446.
  24. Ю.С. Шугай, C.A. Доленко, И. Г. Персианцев, Ю. В. Орлов. Нейросетевые алгоритмы прогнозирования событий и поискапредвестников в многомерных временных рядах // Искусственный Интеллект. Донецк. 2004. № 2. С.211−215.
  25. С.А. Доленко, Ю. В. Орлов, И. Г. Персианцев, Ю. С. Шугай. Нейросетевые алгоритмы прогнозирования событий и поиска предвестников в многомерных временных рядах // Нейрокомпьютеры: разработка, применение. 2005. № 1−2. С.21−28.
  26. М. Gevrey, I. Dimopoulos, S. Lek. Review and comparison of methods to study the contribution of variables in artificial neural network models // Ecological Modelling. 2003. V.160. P.249−264.
  27. Y. Yoon, T. Guimaraes, G. Swales. Integrating artificial neural networks with rule-based expert systems // Decision Support Systems. 1994. V.ll. P.497−507.33.http://alexbar.narod.ru/mgk/index.htm34.http://alexbar.narod.ru/factor/index.htm
  28. А.Г. Ивахненко. Индуктивный метод самоорганизации моделей сложных систем // Киев. Наукова думка. 1982.
  29. W.D. Gonzalez, В.Т. Tsurutani and A.L. Clua de Conzalez. Interplanetary origin of geomagnetic storms // Space Science Reviews. 1999. V.88. P.529−562.
  30. K.G. Ivanov. Solar sources of interplanetary plasma streams at the Earth’s orbit // International Journal of Geomagnetism and Aeronimy. 1998. V.l. № 1, P. l-8.
  31. V. Bothmer and R. Schwenn. The structure and origin of magnetic clouds in the solar wind // Annales Geophysicae. 1998. V. l6. P. 1−24.
  32. N.R. Sheeley, J.W. Harvey and W.C. Feldman. Coronal holes, solar wind streams and recurrent geomagnetic disturbances 1973−1976 // Solar Physics. 1976. V.49. P.271−278.
  33. Y.-M. Wang, S.H. Howley, N.S. Sheeley. The magnetic nature of coronal hole // Science. 1996. V.271. P.464−469.
  34. A. Belenko. Longitudinal distribution of coronal holes during 1976−2002 // Solar Physics. 2004. V.221. P.261−282.
  35. J.G. Luhmann, Y. Li, C.N. Arge, P.R. Gazis and R Ulrich. Solar cycle changes in coronal holes and space weather cycles // Journal of Geophysical Research. 2002. V.107. A8. P. 1029.
  36. B. A. Lindblad. Coronal sources of high-speed plasma streams in solar wind during the declining phase of solar cycle 20 // Astrophysics and Space Science. 1990. V.170. P.55−61.
  37. A.J. Hundhausen. An introduction, in coronal mass ejections // N. Crooker, J.A. Joselyn and Feynman (eds.). Geophys. Monograph. AGU. 1997. P. 1−7.
  38. V. Bothmer and R. Schwenn. The interplanetary and solar causes of major geomagnetic storms // J. Geomag. Geolectr. 1995. V.47. P. l 127−1132.
  39. M.D. Altschuler and N. Jr. Newkirk. Magnetic field and the structure of the solar corona // Solar Physics. 1969. V.9. P. l31−149.
  40. R.H. Levine, M.D. Altschuler, J.W. Harvey, B.V. Jackson. Open magnetic structure on the sun // The Astrophysical Journal. 1977. V.215. P.636−651.
  41. Y.M. Wang, N.R. Sheeley. Solar wind speed and coronal flux-tube expansion // Astrophys. J. 1990. V.335. № 1. P.726−732.
  42. Y.M. Wang, N.R. Sheeley. On potential field models of the solar corona // Astrophys. J. 1992. V.392. № 1. P.310−319.
  43. C.N. Arge, V.J. Pizzo. Improvement in the prediction of solar wind conditions using near-real time solar magnetic field updates // Journal of Geophysical Research. 2000. V.105. A5. P. 10 465−10 479.
  44. I.G. Persiantsev, A.Yu. Ryazanov, Ju.S. Shugai. Automatic processing and analysis of sequential images of the sun // Pattern Recognition and Image Analysis. 2006. V.16. No.l. P.29−32.
  45. J.D. Zirker (ed.). Coronal holes and high-speed wind streams // 1977. Colorado Association University Press. Boilder.
  46. J.T. Nolte et al. Coronal hole as sources of Solar wind // Solar Physics. 1975. V.46. P.303−322.
  47. S. Watari, Y. Kozuka, M. Ohyama and T. Watanabe. Soft X-ray coronal hole observed by Yohkon SXT // J. Geomag. Geoelectr. 1995. V.47. P. l 063−1071.
  48. V. Malashenko and H. P. Jones. Differentiating coronal holes from the quiet Sun by He 1083 nm imaging spectroscopy // Solar Physics. 2005. V.226. P.3−16.
  49. S.W.Kahler, J.M. Davis and J.W. Harley. Comparison of coronal holes observed in soft X-ray and HeI 10 830 A spectroheliograms // Solar Physics. 1983. V.87. P.47−56.
  50. A.S. Kriege, A.F. Timothy and E.C. Roelof. A coronal hole and its identification as the source of a high velocity solar wind stream // Solar Physics. 1973. V.29. P.505−525.
  51. W.M. Neupert and V. Pizzo. Solar coronal holes as sources of recurrent geomagnetic disturbances // Journal of Geophysical Research. 1974. V.79. P.3701−3709.
  52. B.R. Durney and G. W. Pneuman. Solar-interplanetary modeling: 3-D solar wind solutions in prescribed non-radial magnetic field geometries // Solar Physics. 1975. V.40. P.461−486.
  53. B.H. Обридко, Б. Д. Шельтинг, А. Ф. Харшиладзе. Многопараметрические расчеты характеристик солнечного ветра в околоземном пространстве по данным о солнечном магнитном поле // Астрон. вестн. 2004. Т.38. № 3. С.261−272.
  54. J.V. Hollweg. Origin of the fast solar wind: from an electron-driven wind to cyclotron resonances // Solar Wind Ten: Proc. of the Tenth Intern. Solar Wind Conf. AIP CP 679. Mellville. New York. 2003. P. 14−20.
  55. R. Schwenn. Large-scale structure of the interplanetary medium // Physics of the Inner Heliosphere I: Large Scale Phenomena, Springer-Verlag, Berlin, 1990, P. 99−181.
  56. И.С. Веселовский и др. Глобальные изменения и асимметрия Солнца в период экстремально высокой активности в октябре-ноябре 2003 года // Астрон. вестн. 2005. Т. 39. № 2. С. 1−7.
  57. J.T. Hoeksema, J.M. Wilcox, P.H. Scherrer. Structure of the heliospheric current sheet in early portion of sunspot cycle 21 // J. Geophys. Res. 1982. V.87. A12. P.10 331−10 338.
  58. S. Veselovsky. Magnetic Domains in the Heliosphere During Solar
  59. Maximum Years // Space Sci. Rev. 2001 a.V. 97. № 1−4. P.109−112. 76.P. Ambroz. Long-Term Dynamics of the Large-Scale Magnetic Structures //
  60. Solar Physics. 2004. V.224. P.61−68. 77.I.S. Veselovsky. Turbulence and Waves in the Solar Wind Formation Region and the Heliosphere // Astrophys. and Space Sci. 2001b V.277. № 12. P.219−224.
  61. И.С.Веселовский, Ю. С. Шугай, О. С. Яковчук. Влияние активных областей внутри корональных дыр на скорости солнечного ветра и структуру межпланетного магнитного поля // Труды конференции МИФИ-2006. Москва. 2006. Т.7. С. 18−19.
  62. R.H. Levine. Open magnetic field and the solar cycle // Solar Physics. 1982. V.79. P.203−230.
  63. S. Bravo, J.A.L. Cruz-Abeyro, D. Rojas. The spatial relationship between active regions and coronal holes and of intense geomagnetic storms throughout the solar activity cycle // Ann. Geophysicae. 1998. V. l6. P.46−54.
  64. И.С. Веселовский, И. Г. Персианцев, А. Ю. Рязанов, Ю. С. Шугай. Однопараметрическое представление среднесуточной скорости солнечного ветра // Астрономический вестник. 2006. Т.40. № 5. С.465−469.
  65. И.С. Веселовский, Ю. С. Шугай. Исследование корональных дыр в различных диапазонах длин волн // Всероссийская конференция «Многоволновые исследования Солнца и современные проблемы солнечной активности». Тезисы докладов. САО РАН. Н. Архыз. 2006. С. 31.
  66. P.Wintoft, H.Lundstedt. Neural network study of mapping from solar magnetic fields to the daily average solar wind velocity // Journal of Geophysical Research. 1999. V.104. A4. P.6729−6736.
  67. H.Gleisner, H. Lundstedt, P. Wintoft Predicting geomagnetic storms from solar-wind data using time-delay neural networks // Annales Geophysicae. 1996. V.14. P.679−686.
  68. C.N. Arge, V.J. Pizzo Improvement in the prediction of solar wind conditions using near-real time solar magnetic field updates, Journal of Geophysical Research // 2000. V.105. A5. P. 10 465−10 479.
  69. S.J. Robbins, C.J. Henney, J.W.Harvey Solar Wind Forecasting with Coronal Holes // Solar Physics. 2006. V.233. № 2. P.265−276.
  70. R. К Burton, R. L. McPherron, and С. T. Russell. An empiricalrelationship between interplanetary conditions and Dst // J. Geophys. Res. 1975. V. 80. P.4204.
  71. M. Temerin and X. Li. A new model for the prediction of Dst on the basis of the solar wind // J. Geophys. Res. 2002. V.107. A12. P.1472.
  72. M. Temerin and X. Li. Dst model for 1995−2002 // J. Geophys. Res. 2006. V.lll. A04. P.221−232.
  73. H.Gleisner, H. Lundstedt, P.Wintoft. Predicting geomagnetic storms from solar-wind data using time-delay neural networks // Annales Geophysicae. 1996. V.14. P.679−686.
  74. J.-G. Wu, H.Lundstedt. Geomagnetic storm predictions from solar wind data with the use of dynamic neural networks // J. Geophys. Res. 1997. V.102. A7. P.14 255.
  75. M.V. Stepanova, E.E. Antonova, O. Troshichev Forecasting of DST variations from polar cap indices using neural networks // Advances in Space Research. 2005. V.36. P.2451−2454.
Заполнить форму текущей работой

Сессия? Спокойно!