1、�𝐢𝟎相关性自相关反应了图像纹理的致性。如果图像中有水平方向纹理，则水平方向矩阵的自相关值大于其余矩阵的自相关值。天津大学届本科生毕业论文𝐂𝐎𝐑𝐑𝐄𝐋𝐀𝐓𝐈𝐎𝐍𝐢𝐏𝐢,𝐣−𝛍𝐱𝛔𝐲𝐆−𝟏𝐣𝟎𝐆−𝟏𝐢𝟎其中𝝁𝒙𝑷𝒊,𝒋𝑮−𝟏𝒋𝟎𝑮−𝟏𝒊𝟎𝝁𝒚𝑷𝒊,𝒋𝑮−𝟏𝒊𝟎𝑮−𝟏𝒋𝟎𝝈𝒙𝟏𝒏𝒊−𝝁𝒙𝟐𝑮−𝟏𝒊𝟎𝑷𝒊,𝒋𝑮−𝟏𝒋𝟎𝝈𝒚𝟏𝒏𝒊−𝝁𝒚𝟐𝑮−𝟏𝒋𝟎𝑷𝒊,𝒋𝑮−𝟏𝒊𝟎按照如图的四个方向构造个灰度共生矩阵，再分别计算四个共生矩阵的二阶距，对比度，熵，逆差距，相关性这五个参数，之后用四。
2、。在太阳活动中，耀斑发生在太阳黑子附近，通常沿着磁场的极性分界线区域中性线，所以在该区域，提取中性线的长度和正负磁极的面积也就是对区域中黑它们所占的像素点进行统计，作为三个特征。天津大学届本科生毕业论文图水平集方法的轮廓选取图正极部分提取图负极部分提取特征评价在提取到足够的特征之后，并不知道每个特征对最后的结果所带来的影响，所以有必要对提取出的特征做出评估，适当的特征选择评估有利于去除不相关的冗余特征，提高算法的效率，在这里，选择评估的组合特征选择算法。是从每个样本选出个最近邻样本,求平均值得到每个特征权值,从而得到每个样本实例中各个特征与类的相关性。把特征按照权值由大到小进行排序,然后可设定门限来判定特征是有效或无效。的算法描述如下输入训练实例的特征向。
3、角线对结构化的图像，值集中在偏离对角线的位置，则有较大值，中的值分布较均匀如噪声严重的图像，则有较小的值。的公式为𝐀𝐒𝐌𝐏𝐢,𝐣𝟐𝐆−𝟏𝐣𝟎𝐆−𝟏𝐢𝟎对比度如果偏离对角线的元素有较大值，即图像亮度值变化很快，则对比度会有较大取值，这也符合对比度的定义。其中。反映了图像的清晰度和纹理沟纹深浅的程度。纹理沟纹越深，其对比度越大，视觉效果越清晰反之，对比度小，则沟纹浅，效果模糊。灰度差即对比度大的象素对越多，这个值越大。灰度公生矩阵中远离对角线的元素值越大，对比度越大。𝐂𝐎𝐍𝐒𝐓𝐑𝐀𝐂𝐓𝐢−𝐣𝟐𝐆−𝟏𝐣𝟎𝐆−𝟏𝐢𝟎𝐏𝐢,𝐣熵若灰度共生矩阵值分布均匀，也即图像近于随机或噪声很大，熵会有较。
4、个方向上的特征的均值和方差作为纹理特征中的各个分量，之后进行归化处理。分形，具有以非整数维形式充填空间的形态特征。维数是刻画分形几何特征的又个重要参数，由于维数是不容易直接计算的，这里采用计盒维数法来估计维数的值，计盒维数也称为盒维数，是种测量距离空间,特别是空间比如欧氏空间中分形维数的计算方法。要计算分形的维数，可以想象下把这个分形放在个均匀分割的网格上，数数最小需要几个格子来覆盖这个分形。通过对网格的逐步精化，查看所需覆盖数目的变化，从而计算出计盒维数。假设当格子的边长是ε时，总共把空间分成个格子，那么计盒维数也就是维数为𝐇𝐃𝐥𝐨𝐠𝑵𝐥𝐨𝐠𝑵𝒔之后用水平集方法来对图进行处理，选取黑子区域的边界，结果如图所示，该图是经过次迭代的结。
5、粒子流与地球高层大气作用，产生极光，并干扰地球磁场而引起磁暴。此外，耀斑对气象和水文等方面也有着不同程度的直接或间接影响。因此预测耀斑的发生又有很大实际应用价值。二国内外发展状况在太阳耀斑预报技术研究中,建立耀斑和太阳活动区特征参量的关系十分重要研究表明黑子和耀斑发生有着紧密的联系,已有的些太阳耀斑预报模型采用黑子参量作为预报因子空间环境实验室和大学联合开发了个专家系统来预报太阳耀斑选择黑子群的分类作为主要的知识基,对耀斑和黑子的联系进行了编码,建立了个强大的耀斑及分类的数据库和个通过知识推理机的附加预测规则美国大熊湖天文台的等人根据第太阳活动周开始以来大约年的资料,发展了种太阳耀斑的预报方法,根据分类的三个参量进行预报,对每个活动区产生级级或级的射线耀。
6、，因此，需要机器学习的方法来对数据进行处理。数据挖掘其实是个逐渐演变的过程,在数据挖掘技术发展的初期,人们希望机器能够替代人类做出决策,当时机器学习问题成为这其中的焦点。机器学习的过程就是将些已知的并已被成功解决的问题作为范例输入计算机,机器通过学习这些范例总结并生成相应的规则,这些规则具有通用性,使用它们可以解决类的问题。年代人们又在新的神经网络理论的指导下，重新回到机器学习的方法上，并将其成果应用于处理大型商业数据库。随着在年代末个新的术语，它就是数据库中的知识发现，简称它泛指所有从源数据中发掘模式或联系的方法，人们接受了这个术语，并用来描述整个数据发掘的过程，包括最开始的制定业务目标到最终的结果分析，而用数据挖掘来描述使用挖掘算法进行数据挖掘的子过。
7、使用，得到了大量的观测数据。所以基于现有数据利用数据挖掘技术对太阳耀斑的发生进行预测是本课题的主要研究内容。在建模理论的指导下，确定模型的动态特性。本文给出的耀斑预报模型能够反映活动区观测的动态信息对耀斑的影响，是个动态模型。考虑到活动区的演化信息，耀斑预报的建模问题可以看成是机器学习中的监督学习问题。提取特征量统计学特征纹理特征分形特征建立耀斑预报的模型。基于多核的方法。四研究方法针对上述研究内容，本课题的研究方法包括学习数据挖掘与数据处理的相关方法。学习数据挖掘与数据处理的相关原理及方法，熟悉编程语言数据处理操作，编码实现太阳数据的处理。研究并实现适用于太阳耀斑预测算法。比较和改进现有算法，争取实现更加准确的预报模型。五可行性分析对于本课题的研究已经。
8、特征排名在前的特征图所示的是特征权值排名靠前的特征的散点矩阵图，图中的两种点之间有定的距离，比较适合做分类学习，体现了特征权值高的特点，在图中，再与低排名的权值特征的散点图做对比。图特征排名在后的特征图所示的是特征权值排名靠前的特征的散点矩阵图，相比高排名的散点图，这张图中点更加密集，也就是在分类过程中更难区分两类，也就本研究中的耀斑是不是发生，在这些特征中是较难分辨的。天津大学届本科生毕业论文第三章数据挖掘技术方法数据挖掘与机器学习数据挖掘的发展现在，已经成功的从图像中获得了想要的数据，但是卫星每秒就会对太阳进行次拍摄，获得的数据量非常巨大，同样提取出的图像特征组成的新数据集也是非常庞大的，不可能对每条数据进行人工标记，这样的速度要远低于对数据的获取速。
9、斑的可能性进行预报悉尼大学的提出了用贝叶斯方法进行耀斑预报这个方法使用个活动区的耀斑发生记录和耀斑统计的现象规则对大耀斑在子序列时间段的发生情况产生个最初的预测这个初始的预测再通过个现存的耀斑预报方法来评价和提出了应用机器学习方法建立了短期太阳耀斑预报模型,模型采用黑子群的分类的三个参数和黑子数作为输入参量并比较了几种机器学习方法的耀斑预报准确率此外,国家天文台太阳活动预报中心在太阳耀斑预报中做了系列研究工作早期包括张桂清老师对太阳黑子数据与耀斑关系进行分区间统计,应用多元判别的方法建立了太阳耀斑预报模型,该模型已应用于太阳活动预报中心的每日太阳耀斑预报工作。三研究内容由于太阳耀斑爆发物理机制的不确定性，太阳耀斑物理模型建立比较困难。但是随着各种观测设备。
10、值。熵是图像所具有的信息量的度量，纹理信息也属于图像的信息，是个随机性的度量，当共生矩阵中所有元素有最大的随机性空间共生矩阵中所有值几乎相等时，共生矩阵中元素分散分布时，熵较大。它表示了图像中纹理的非均匀程度或复杂程度。𝐄𝐍𝐓𝐑𝐎𝐏𝐘−𝐏𝐢𝐥𝐨𝐠𝐏𝐢,𝐣𝐆−𝟏𝐣𝟎𝐆−𝟏𝐢𝟎逆差距也叫同质度，如果灰度共生矩阵对角元素有较大值，就会取较大的值。因此连续灰度的图像会有较大值。它度量空间灰度共生矩阵元素在行或列方向上的相似程度，因此，相关值大小反映了图像中局部灰度相关性。当矩阵元素值均匀相等时，相关值就大相反，如果矩阵像元值相差很大则相关值小。𝐈𝐃𝐌𝟏𝟏𝐢−𝐣𝟐𝐏𝐢,𝐣𝐆−𝟏𝐣𝟎𝐆−。
11、备以下条件具有定的概率以及统计数学基础对机器学习和数据挖掘有定了解具有定的编程和算法设计能力有使用经验，有模拟实验能力实验所需数据来源充足开发时间相对充裕因此我认为，本课题的研究具有可行性。六进度安排至了解耀斑的概念以耀斑识别的相关技术，阅读相关论文。至实现耀斑预报的相关算法至完成需求分析，概要设计和详细设计。至进行编码测试等相关的程序开发工作。至撰写毕业设计论文，完成外文文献翻译，准备毕业设计答辩。六主要参考文献黄鑫，基于序列数据的太阳耀斑预报方法研究，哈尔滨工业大学，年李蓉，崔延美应用数据挖掘技术的短期太阳耀斑预报模型中国科学物理学力学天文学张桂清，王家龙，李德清短期射线耀斑预报方案的详细介绍地球物理学进展,,值集中在块比如对连续灰度值图像，值集中在。
12、集合及类别标号天津大学届本科生毕业论文输出对应于特征向量各个分量的权值向量初始化权值向量为随机选择实例计算个最近邻样本对于每类≠从类中求得个近邻样本𝐖𝐀≔𝐖𝐀−𝐝𝐢𝐟𝐟𝐀𝐤𝐤𝐣𝟏𝐏𝐂𝟏−𝐏𝐜𝐥𝐚𝐬𝐬𝐑𝐢𝐝𝐢𝐟𝐟𝐀𝐤𝐤𝐣𝟏𝐂≠𝐜𝐥𝐚𝐬𝐬𝐑𝐢每次随机从训练样本集中取出个样本,然后从和同类的样本集中找出样本的个近邻样本,从每个的不同类的样本中找出个近邻样本,然后更新每个特征的权值。以上过程重复次。图特征评价如图所示，在所有特征中有四个特征的权值最高，可以认为他们在机器学习的过程中表现的更为重要，注意，在此图中所有特征是按照权值的高低排列，与特征的顺序无关。天津大学届本科生毕业论文。
参考资料：
1、该文档不包含其他附件(如表格、图纸)，本站只保证下载后内容跟在线阅读一样，不确保内容完整性，请务必认真阅读。
2、有的文档阅读时显示本站（www.woc88.com）水印的，下载后是没有本站水印的（仅在线阅读显示），请放心下载。
3、除PDF格式下载后需转换成word才能编辑，其他下载后均可以随意编辑、修改、打印。
4、有的标题标有”最新”、多篇，实质内容并不相符，下载内容以在线阅读为准，请认真阅读全文再下载。
5、该文档为会员上传，下载所得收益全部归上传者所有，若您对文档版权有异议，可联系客服认领，既往收入全部归您。
毕设论文--基于多核学习SVM的耀斑的预测方法研究