Resumen

La máquina de aprendizaje extremo (ELM) es un algoritmo de aprendizaje rápido de redes neuronales feedforward de capa oculta única (SLFN). En comparación con las redes neuronales tradicionales, el algoritmo ELM tiene las ventajas de una velocidad de aprendizaje rápida y una buena generalización. Al mismo tiempo, la regresión logística ordinal (LR) es un método estadístico conceptualmente sencillo y algorítmicamente rápido. En este artículo, con el fin de mejorar el rendimiento en tiempo real, se introduce un método de predicción de llamaradas que es la combinación del modelo LR y el algoritmo ELM. Las variables predictivas son tres parámetros magnéticos fotosféricos, es decir, el flujo magnético total sin signo, la longitud de la línea de inversión de polaridad magnética de gradiente fuerte y la disipación total de energía magnética. El modelo LR se utiliza para mapear estos tres parámetros magnéticos de cada región activa en cuatro probabilidades. A continuación, el modelo ELM transforma las cuatro probabilidades en una etiqueta binaria, que es el resultado final. El modelo propuesto se utiliza para predecir la aparición de erupciones con un determinado nivel durante las 24 horas siguientes al momento en que se registra el magnetograma. Los resultados experimentales muestran que el algoritmo en cascada no sólo mejora la velocidad de aprendizaje para realizar una predicción oportuna, sino que también tiene una mayor precisión en la predicción de llamaradas de clase X en comparación con otros métodos.

• Materias:Análisis Matemático Álgebra Ingeniería Matemática aplicada Lógica matemática
• Subjects:Mathematical Analysis Algebra Engineering Applied Mathematics Mathematical logic
• Palabras claves:algoritmo elm, modelo lr, línea de inversión de polaridad magnética, disipación total de energía magnética, flujo magnético total sin signo, máquina de aprendizaje extremo, predicción de llamaradas de clase, velocidad de aprendizaje rápida, redes neuronales feedforward, método de previsión de llamaradas
• Keywords:elm algorithm, lr model, magnetic polarity inversion line, total magnetic energy dissipation, total unsigned magnetic flux, extreme learning machine, class flare prediction, fast learning speed, feedforward neural networks, flare forecasting method