利用计算机视觉和 LSTM 网络分析和预测太阳冕空洞

本研究提出了一种基于量子计算的快速模糊 C 均值方法，用于快速检测太阳冠空洞。

结合图像处理和形态学运算，从分割图像中提取冠空洞区域，展现了可比较的性能。

利用长短时记忆循环神经网络 (LSTM) 预测地磁扰动，研究太阳风等离子体和磁场的现场测量数据。

采用二元分类方式预测 SYM-H 地磁活动指数的降低，指示磁层的扰动。

首次考虑太阳暴和磁旋的内容及其能量特征，通过相关性驱动的特征选择方法对神经网络预测模型进行优化。

利用声压密度变化的机器学习模型，可以提前 5 小时预测太阳表面特定区域的强度变化。

研究使用 CNN 和 LSTM 及其组合训练和评估太阳活动区参数和径向磁场线的数据产品。

建立了具有高准确度的卷积神经网络模型，证明磁谱图数据对空间天气预测的可行性。

介绍了如何利用深度学习技术处理 NASA Solar Dynamics Observatory 的数据，以提高观测能力。

基于视频的深度学习可用于操作性耀斑预测，描述了构建平衡活动区集的算法。

基于物理驱动的人工智能方法用于预测日冕物质抛射的行程时间，显著提高了预测准确性。

首次利用历史磁光图数据进行基于机器学习的耀斑预测，发现历史数据能提高预测的准确性和可靠性。

机器学习在太阳物理学中的应用有助于深入理解太阳大气中的复杂过程，提高研究效率。