太阳黑子预测太阳黑子变化规律预测matlab仿真

Posted fpga和matlab

tags:

篇首语:本文由小常识网(cha138.com)小编为大家整理,主要介绍了太阳黑子预测太阳黑子变化规律预测matlab仿真相关的知识,希望对你有一定的参考价值。

1.软件版本

matlab2013b

2.本算法理论知识

太阳黑子是人们最早发现也是人们最熟悉的一种太阳表面活动。因为太阳内部磁场发生变化,太阳黑子的数量并不是固定的,它会随着时间的变化而上下波动,每隔一定时间会达到一个最高点,这段时间就被称之为一个太阳黑子周期。太阳黑子的活动呈现周期性变化是由施瓦贝首次发现的。沃尔夫 (R.Wolfer)继而推算出11年的周期规律。实际上,太阳黑子的活动不仅呈11年的周期变化,还有海耳在研究太阳黑子磁场分布时发现的22年周期;格莱斯堡等人发现的80年周期以及蒙德极小期等。由于太阳黑子的活动规律极其复杂,时至今日科学家们仍在努力研究其内在的规律和特性。事实上,对太阳黑子活动规律的研究不仅具有理论意义,而且具有直接的应用需求。太阳黑子的活动呈现周期性变化的,沃尔夫(R.Wolfer)根据在过去的288 年(1700年~1987 年)间每年太阳黑子出现的数量和大小的观测数据推算出11 年的周期规律。我们利用Matlab强大的数据处理与仿真功能,对Wolfer数进行功率谱密度分析从而可以得到对太阳黑子活动周期的结论。

使用的线性模型为

 这个部分的MATLAB代码为:

 

 现象模型的预测结构如下:

将上面的图放大之后,得到的局部估计效果如下图所示:

然后通过多变量的最小二乘法进行模型预测。引入多个变量作为参数估计,这里,将最小二乘法的估计函数为:

    由于从历年的数据可知,虽然总体上数据呈现出周期波形,但是对于每个周期中的波形,其中的局部图中会出现部分高频周期量,所以在估计的时候,这里加上更高频率的分量。使用和上面所讲的最小二乘法进行上述参数的估计。

 

 这个步骤,得到的仿真结果如下图所示:

3.部分源码

clc;
clear;
close all;
warning off;

load Sunspot.txt
%YEAR MON  SSN   DEV


%画出导入的活动数据
YEAR = Sunspot(:,1);
MON  = Sunspot(:,2);
SSN  = Sunspot(:,3); %sun spot number 
DEV  = Sunspot(:,4); %标准偏差表

figure;
subplot(211);plot(SSN,'b.');
title('SSN');

subplot(212);plot(DEV,'b.');
title('DEV');

addpath 'funcs\\'

%step1:Devise and/or employ methods to ?nd the best frequency for the sunspot cycle.
%step1:Devise and/or employ methods to ?nd the best frequency for the sunspot cycle.
%step1:Devise and/or employ methods to ?nd the best frequency for the sunspot cycle.

%找到一种较好的方法计算周期
K     = 20;%前22年数据去除
Start = 12*K+1;
mainPeriod = func_cycle_cal(SSN(Start:end));
mainPeriod

%Step2:Predict the time of the next solar maximum and minimum.
%Step2:Predict the time of the next solar maximum and minimum.
%Step2:Predict the time of the next solar maximum and minimum.
%构建预测模型,预测后面的最大值和最小值对应的时间
%构建预测模型,预测后面的最大值和最小值对应的时间
c0  = [1 1 1 1 1 1 1 1]';%直接给出被辨识参数的初始值,即一个充分小的实向量 
p0  = 10^6*eye(8,8);       %直接给出初始状态P0,即一个充分大的实数单位矩阵 
t   = 1/(12):1/(12):length(SSN)/(12);
yc  = cos(2*pi*t/mainPeriod);
ys  = sin(2*pi*t/mainPeriod);
yc2 = cos(2*pi*t/(2*mainPeriod));
ys2 = sin(2*pi*t/(2*mainPeriod));
yc3 = cos(2*pi*t/(3*mainPeriod));
ys3 = sin(2*pi*t/(3*mainPeriod));

for k=1:length(SSN); %开始求K 
    h1     =[1,k,yc(k),ys(k),yc2(k),ys2(k),yc3(k),ys3(k)]'; 
    x      = h1'*p0*h1 + 99; 
    x1     = inv(x);                  %开始求K(k) 
    k1     = p0*h1*x1;                %求出K的值 
    d1     = SSN(k)-h1'*c0; 
    c1     = c0+k1*d1;                %求被辨识参数c 
    e1     = c1-c0;                   %求参数当前值与上一次的值的差值 
    e2     = e1./c0;                  %求参数的相对变化 
    e(:,k) = e2;                      %把当前相对变化的列向量加入误差矩阵的最后一列        
    c0     = c1;                      %新获得的参数作为下一次递推的旧参数 
    c(:,k) = c1;                      %把辨识参数c 列向量加入辨识参数矩阵的最后一列  
    p1     = p0-k1*k1'*[h1'*p0*h1+1]; %求出 p(k)的值 
    p0     = p1;                      %给下次用 
end
%估计得到的太阳黑子活动曲线
for k=1:length(SSN); %开始求K 
    Y_predict2(k) = c(1,k) + c(2,k)*k + c(3,k)*yc(k) + c(4,k)*ys(k) + c(5,k)*yc2(k) + c(6,k)*ys2(k) + c(7,k)*yc3(k) + c(8,k)*ys3(k); 
end
figure;
plot(Y_predict2,'b','LineWidth',2);hold on;
plot(SSN,'r');hold off;
legend('预测SSN','实际SSN');
 
Predict_Len = 100;%定义预测时间长度

t   = 1/(12):1/(12):(length(SSN)+Predict_Len)/(12);
yc  = cos(2*pi*t/mainPeriod);
ys  = sin(2*pi*t/mainPeriod);
yc2 = cos(2*pi*t/(2*mainPeriod));
ys2 = sin(2*pi*t/(2*mainPeriod));
yc3 = cos(2*pi*t/(3*mainPeriod));
ys3 = sin(2*pi*t/(3*mainPeriod));
ind = 0;

for k=1:length(SSN)+Predict_Len; %开始求K 
    if k <= length(SSN)
       Y_predict3(k) = c(1,k) + c(2,k)*k + c(3,k)*yc(k) + c(4,k)*ys(k) + c(5,k)*yc2(k) + c(6,k)*ys2(k) + c(7,k)*yc3(k) + c(8,k)*ys3(k); 
    else    
       %Y_predict3(k) = c(1,end) + c(2,end)*k + c(3,end)*yc(k) + c(4,end)*ys(k) + c(5,end)*yc2(k) + c(6,end)*ys2(k) + c(7,end)*yc3(k) + c(8,end)*ys3(k); 
       
       c0 = mean(c(1,end:end));
       c1 = mean(c(2,end:end));
       c2 = mean(c(3,end:end));
       c3 = mean(c(4,end:end));
       c4 = mean(c(5,end:end));
       c5 = mean(c(6,end:end));
       c6 = mean(c(7,end:end));
       c7 = mean(c(8,end:end));

       Y_predict3(k) = c0  + c1*k + c2*yc(k) + c3*ys(k) + c4*yc2(k) + c5*ys2(k) + c6*yc3(k) + c7*ys3(k); 
       ind           = ind + 1;
       Ys(ind)       = Y_predict3(k);
    end
end
figure;
plot(Y_predict3,'b','LineWidth',2);hold on;
plot(SSN,'r');hold off;
legend('预测SSN','实际SSN');
grid on;

%根据预测结果得到下次太阳黑子活动高峰和低峰的时间
%前一次高峰日期为
 XX           = 59;
[Vmax1,Imax1] = max(Ys);
[Vmax2,Imax2] = max(SSN(length(SSN)-XX:length(SSN)));%3100~3160

if Vmax1 > Vmax2
   II   =  Imax1;
   MM   =  Vmax1; 
   time = (length(SSN) + II-3019);%原数据的最后一个月份+预测后的最大值 - 前一个高峰日期
else
   II   =  Imax2;
   MM   =  Vmax2; 
   time = (length(SSN) + (XX-II)-3019);%原数据的最后一个月份+预测后的最大值 - 前一个高峰日期
end
Years=time/12;

fprintf('下次高峰期日期为:%d',round(2000 + Years));
fprintf('年\\n\\n');
fprintf('最大值为:%2.2f\\n\\n\\n\\n',MM);



%计算下一次低谷值
[Vmin,Imin] = min(Ys);
fprintf('下次低峰期日期为:%d',round(2012 + Imin/12));
fprintf('年\\n\\n');
fprintf('最小值为:%2.2f\\n\\n',Vmin);


A16-13

以上是关于太阳黑子预测太阳黑子变化规律预测matlab仿真的主要内容,如果未能解决你的问题,请参考以下文章

时间序列深度学习:状态 LSTM 模型预测太阳黑子

时间序列深度学习:状态 LSTM 模型预测太阳黑子(上)

LSTM模型(基于Keras框架)预测特定城市或者区域的太阳光照量实战

机器学习算法:绕开所有物理规律,直接从数据给出精确的预测

绕开物理规律的机器学习,从数据到数据就能预测行星轨道!

如何从检查点使用 tf.estimator.Estimator 进行预测?