Support Vector Machine combined with K-Nearest Neighbors for Solar Flare Forecasting
Support Vector Machine combined with K-Nearest Neighbors for Solar Flare Forecasting
复制标题
支持向量机结合 K 最近邻进行太阳耀斑预测
DOI：
10.1088/1009-9271/7/3/15
复制
发表时间：
2007-06
期刊：
影响因子：
--
通讯作者：
中科院分区：
文献类型：
--
作者：
将支持向量机（SVM）与K近邻（KNN）相结合，建立了太阳耀斑预报模型。SVM-KNN方法在证明了SVM与KNN之间关系的基础上，根据测试样本在特征空间中的分布情况，利用KNN算法的优点，对SVM分类算法进行了改进。在我们的耀斑预报研究中，太阳黑子和10厘米射电流量在太阳活动周23期间的观测数据作为预测因子，并预测是否会发生一个M级耀斑的活动区在两天内。将SVM-KNN方法与基于SVM和神经网络的方法进行了比较。测试结果表明，SVM-KNN方法的预测正确率高于其他两种方法。该方法有望成为一种实用的未来预测模型。
A method combining the support vector machine (SVM) the K-Nearest Neighbors (KNN), labelled the SVM-KNN method, is used to construct a solar flare forecasting model. Based on a proven relationship between SVM and KNN, the SVM-KNN method improves the SVM algorithm of classification by taking advantage of the KNN algorithm according to the distribution of test samples in a feature space. In our flare forecast study, sunspots and 10 cm radio flux data observed during Solar Cycle 23 are taken as predictors, and whether an M class flare will occur for each active region within two days will be predicted. The SVM-KNN method is compared with the SVM and Neural networks-based method. The test results indicate that the rate of correct predictions from the SVM-KNN method is higher than that from the other two methods. This method shows promise as a practicable future forecasting model.
登录
查看更多内容
影响因子：
--
作者：
V. Gavrishchaka;S. B. Ganguli
通讯作者：
V. Gavrishchaka;S. B. Ganguli
DOI：
10.1086/421261
发表时间：
2004-03
期刊：
The Astrophysical Journal
影响因子：
--
作者：
M. Wheatland
通讯作者：
M. Wheatland
影响因子：
2.8
作者：
P. McIntosh
通讯作者：
P. McIntosh
影响因子：
--
作者：
Cherkassky, V
通讯作者：
Cherkassky, V
影响因子：
--
作者：
Jia-long Wang
通讯作者：
Jia-long Wang