结合支持向量机和近邻法的太阳耀斑预报方法

3606 2009,30 (15)
计算机工程与设计 Computer Engineering and Design
模 型 使 用 了 太 阳 黑 子 数 据 ，射 电 流 量 和 磁 场 位 型 等 预 报 因 子 ， 预报未来 48 小时 M，X 级耀斑发生的概率 。 [3]
为 了 进 一 步 提 高 太 阳 耀 斑 预 报 精 度 ，需 要 提 出 新 的 预 报 方 法 。 由 于 预 报 问 题 本 质 上 是 一 个 模 式 识 别 问 题 ，可 以 使 用 模 式 识 别 和 机 器 学 习 方 法 解 决 该 问 题 。神 经 网 络 是 一 种 常 用 的 机 器 学 习 方 法 ，已 被 应 用 到 预 报 地 磁 活 动 和 质 子 事 件 ，取 得 了较好的效果 。 [4] 由于神经网络采用经验风险最小化作为学 习 算 法 的 基 础 ，在 实 际 应 有 中 存 在 一 些 问 题 ，例 如 过 学 习 现 象 (对特定训练集学习过度而对测试数据的性能下降)和对高维 大样本数据训练时间过长。支持向量机(support vector machine， SVM) 是 一 种 具 有 较 强 泛 化 能 力 的 机 器 学 习 方 法 ，由 于 在 不 同 领 域 的 成 功 应 用 已 受 到 越 来 越 广 泛 的 关 注 。在 空 间 天 气 预 报 中，首次使用 SVM 预报地磁暴和子暴 。 [5] 尽管和其它机器学 习方法相比，SVM 具有良好的性能，它也有一些不足之处，例 如 对 复 杂 的 问 题 分 类 能 力 较 低 ，核 函 数 参 数 选 择 困 难 。 为 了 解决这些问题，我们结合 SVM 和近邻法构造了一种新的分类 方法，经测试该方法比 SVM 方法具有更高的分类精度[6]。
分界面附近的样本信息以提高分类性能。由 SVM 的分类原 理可知 SVM 是每类只有一个代表点的最近邻 (nearest neigh-
bor，NN) 分类器 。 [6] 在此基础上，我们改进 SVM 分类算法，对
于位于分界面附近的样本使用 KNN 分类算法。由于分界面
附近的样本基本上都是支持向量，此时 KNN 算法为选择每个
李蓉，崔延美：结合支持向量计机算和近机邻工法程的与太设阳计耀斑C预om报pu方te法r Engineering and Design
2009,30 (15) 3605
人工智能
结合支持向量机和近邻法的太阳耀斑预报方法
李 蓉 1， 崔延美 2 (1. 北京物资学院 信息学院，北京 101149；2. 中国科学院 空间科学与应用研究中心，北京 100190)
收稿日期：2009-03-15；修订日期：2009-05-19。 基金项目：国家自然科学基金重点项目 (10673017)；北京市属高等学校人才强教计划基金项目 (PHR200906210)；北京市教育委员会科研基地建 设基金项目 (WYJD200902)；北京市教育委员会科技计划基金项目 (KM200810037001)。 作者简介：李蓉 (1973－)，女，山东人，博士，讲师，研究方向为机器学习、神经网络、太阳活动预报技术； 崔延美 (1980－)，女，山东人， 博士，助理研究员，研究方向为太阳物理、太阳预报。E-mail：lirong@
0引言
太阳活动是空间天气的主要驱动源，对日地空间环境具有 举足轻重的影响。太阳耀斑定义为发生在太阳表面局部区域 中突然和大规模的能量释放过程 [1]，是最剧烈的太阳活动现象 之一。由于耀斑事件引起的 X 光辐射增强将破坏地球电离层 的正常状态，对人类的航天活动、无线电通讯，以及天气和水文 领域产生影响。因而预报太阳耀斑的发生具有实际应用的价值。
在技 术上 SVM 采 用 核化 技术 ，用内 积核 函数 k (x, x') = (∮(x),∮(x'))替代点积(x,x')映射原始特征空间的样本 x 到一个 高维特征空间的∮(x)，在这个空间构造最优分类超平面，即寻 求 一 个 特 征 空 间 的 平 面 不 仅 能 把 样 本 分 开 ，还 是 分 界 面 的 间 隔 最 大 。求 解 最 优 分 类 超 平 面 可 以 变 换 为 一 个 不 等 式 约 束 下
在本研究中，应用 SVM-KNN 方法建立耀斑预报模型。训 练 集 以 太 阳 活 动 区 为 样 本 单 位 ，选 用 描 述 太 阳 活 动 区 黑 子 形 态和磁场结构的参量作为预报因子。在预报时使用 SVM-KNN 方 法 。 预 报 时 首 先 判 断 活 动 区 样 本 在 分 界 面 的 位 置 ，根 据 位 置距离分界面的远近决定使用 SVM 还是 KNN 分类算法。对 该模型进行了模拟预报检测，结果验证了 SVM-KNN 方法是 一种有效的太阳活动预报方法。
支 持 向 量 作 为 代 表 点 的 近 邻 分 类 算 法 。对 于 离 分 界 面 较 远 的
1 方法描述
1.1 SVM 分 类方 法 SVM 结 合结构风 险最小化 (structural risk minimization，
SRM)原则和核技术[7]。SRM 决定学习机器的期望风险由两部 分 组 成 ，第 一 部 分 是 经 验 风 险 ，它 由 训 练 集 的 均 方 误 差 决 定 。 第二部分是函数集的 VC (Vapnik-Chervonenkis) 维，VC 维是学 习机器容量的测度。基于 SRM 原则，SVM 根据有限的样本信 息在模型的复杂性(即对特定训练样本的学习精度)和学习能 力(即无错误地识别任意样本的能力)之间寻求最佳折衷，以期 获得最好的推广能力 。 [8]
的 二 次 优 化 问 题 [7]
=
1 2
(1)
=1
, =1
基于最优超平面的分类规则就是下面的指示函数
= sห้องสมุดไป่ตู้n
,
(3)
1.2 SVM 和 近邻 法 相 结 合 的 分 类方 法 在 SVM 的应用中发现 SVM 分类时的出错测试样本大都
在 分 界 面 附 近 ，为 提 高 对 这 类 样 本 的 分 类 精 度 ，我 们 需 要 利 用
摘 要：为了 提高太阳耀斑 预报模型的预报 精度，提出了一种结合 支持向量机和近 邻法 (SVM-KNN 方法) 的太阳耀斑预 报方 法。 将太阳耀斑预报 问题看作一个 模式识别问题，在此基 础上建立新的 预报方法。选择 太阳活动区的特 征参量作为预 报因 子，如果活 动 区 未来 48 小 时 发 生 大 于 等于 M 级耀 斑 标 识 为 正 例 样本 ，未 发 生 耀 斑 为反 例 样 本 ，由 这 些 样本 组 成 训 练 集 代 入 SVM 训 练 算 法 构 造了 耀 斑 预 报 模 型 。通 过 输 入活 动 区 的 特 征 参 量值 ，预 报 模 型 使用 SVM-KNN 分 类 算法 预 报 该 活 动 区 未 来 2 天 内 是 否 发生 太 阳 耀 斑 。 模 拟 预报 结 果 表 明 ，新 方 法 比 使 用 SVM 方法 具 有 较 高 的 报 准率 ，可 以 应用 到 其 它 太 阳 活 动预报领域。 关键 词：支持向量机 ; 核函数; 最优 分类超平面; 预 报因子; 代表 点 中图 法分类号：TP183 文献标 识码：A 文章编号：1000-7024 (2009) 15-3605-03
Solar flare forecasting method of combining support vector machine
with nearest neighbors
LI Rong1, CUI Yan-mei2 (1. Institution of Information, Beijing Wuzi University, Beijing 101149, China; 2. Center for Space Science and Applied Research, Chinese Academy of Sciences, Beijing 100190, China)
Abstract：A prediction method of combining support vector machine (SVM) and nearest neighbors principle (called SVM-KNN method) is proposed in order to improve the prediction accuracy. Firstly, the solar flare prediction is taken as a pattern recognition problem, based on which the new classifying method is applied. The feature parameters of solar active region are selected as predictor. The sample is labeled positive sample if a solar flare of large and equal than M class is busted in it in the future 48 hours. Otherwise, it is taken as negative sample. The training set composed using these samples is put into SVM training algorithm to construct prediction model. After inputting the parameters value of active region, the SVM-KNN method is applied to predict whether a solar flare will burst in the coming two days. The prediction results show that the new method has higher forecast accuracy than that of SVM method has. This promising method is expected to play an important role in other solar flare forecasting fields. Key words：support vector machine; kernel function; optimal separating hyperplane; predictor; representative point