本研究利用深度学习算法（CNN和LSTM）预测太阳耀斑，特别关注高纬度耀斑。通过训练全盘磁图像，模型在24小时内成功预测≥M级耀斑，表现出较高的准确性，并提出了一种新型特征排序方法，提升了模型的可解释性和预测能力。

本研究提出EXCON方法，旨在解决太阳耀斑预测中的类别不平衡问题。通过优化类间分离性和减少类内变异性，显著提升了分类性能。实验结果表明，EXCON在多个数据集上表现优异，具有广泛应用潜力。

本研究利用深度学习方法，特别是长短时记忆网络（LSTM）和卷积神经网络（CNN），对太阳耀斑进行预测。通过分析太阳活动区的磁参数和耀斑历史数据，模型能够有效预测未来24小时内的耀斑发生概率。研究表明，结合历史数据和特征提取技术显著提高了预测准确性，尤其在近边区域的耀斑事件预测中具有重要意义。

本研究利用深度学习方法，特别是长短时记忆网络（LSTM）和卷积神经网络（CNN），对太阳耀斑进行预测。通过分析太阳活动区的磁参数和耀斑历史数据，模型能够有效预测未来24小时内的耀斑发生，尤其是在高纬度区域。研究还提出了新的数据增强方法和分类器，显著提高了预测准确性，为空间天气预报提供了重要工具。

本研究利用长短时记忆网络（LSTM）对太阳耀斑进行预测，通过分析太阳活动区的磁参数和耀斑历史数据，成功预测24小时内的耀斑发生，准确性较高。研究还比较了不同深度学习模型的性能，发现AlexNet表现最佳，并提出了新型特征排序方法，提升了预测能力，为太阳耀斑的实时预测提供了重要支持。

本文探讨了利用深度学习模型（如DDPM和CNN）进行太阳耀斑预测的研究，强调历史磁光图数据在提高预测准确性方面的重要性。研究表明，结合时间信息和历史数据能够有效提升模型性能，展示了机器学习在太阳活动分析中的潜力。

本研究利用机器学习技术和太阳观测数据，评估预测太阳耀斑及高能粒子事件的潜力。通过支持向量机和回归模型，预测准确率达到0.7，显示出机器学习在太阳物理学中的应用前景。同时，研究探讨了地磁扰动和日冕物质抛射的预测方法，强调历史数据和物理信息对提高预测准确性的重要性。

本研究利用机器学习技术预测太阳耀斑，分析多个太阳周期的磁光图数据。通过卷积神经网络提取特征，结合历史数据提高预测准确性。模型在近边区域的耀斑预测中表现优异，准确率超过90%。

太阳活动增加，太阳耀斑等级刷新记录。2025年将达到第25个活动周期的极大期。太阳活动对航空、电力、无线电造成干扰，但也会在地球两级形成极光。国际空间站宇航员拍摄了地球南极极光照片。

最近太阳活动频繁，出现了X2.8和X3.3级太阳耀斑，破了记录。太阳进入了一个活跃的新周期，可能导致地磁暴和增强极光。

该研究使用深度学习方法预测太阳耀斑，特别关注纬度较高的耀斑。研究发现，模型能够有效预测纬度较高的太阳耀斑，并利用全盘磁图图像中与活跃区相关的形状和纹理特征进行预测。

最近太阳活动频繁，导致中低纬度地区出现极光。美国NASA检测到强烈太阳耀斑，等级最高为X2.8，是自2017年以来最严重的。耀斑导致无线电干扰，航空通信中断。科学家继续监视太阳活动，可能引发地磁风暴，对无线电通信、电网、导航系统和空间站等造成风险。

本研究使用迁移学习训练深度学习模型，评估其在预测太阳耀斑方面的性能。研究发现AlexNet模型表现最佳，对近边区域的耀斑事件有较高的预测灵敏度。结果表明模型能够从全盘磁图识别空间模式，并对太阳耀斑进行预测。

该研究使用深度学习预测太阳耀斑，特别关注纬度较高的耀斑，并提供对模型预测的后续解释。研究发现，模型利用全盘磁图图像中与活跃区相关的形状和纹理特征进行预测，能够有效预测纬度较高的太阳耀斑。

该研究使用深度学习方法预测太阳耀斑，特别关注纬度较高的耀斑，并使用解释方法提供对模型预测的后续定性解释。研究发现，深度学习模型能够有效预测纬度较高的太阳耀斑，取得了平均TSS=0.51和HSS=0.35的结果。模型解释的定性分析表明，模型利用全盘磁图图像中与活跃区相关的形状和纹理特征进行预测，对于运营预测具有重大意义。

本文利用机器学习预测太阳耀斑，使用历史磁光图数据进行预测。通过卷积神经网络提取特征，并结合逻辑回归模型融合磁光图和耀斑历史的标量特征，生成24小时内M级或更强耀斑的校准概率预测。结果显示历史数据提高了预测准确性和可靠性，耀斑历史的预测能力大于从CNN中提取的特征，表明时间信息在耀斑预测模型中的重要性。

本研究使用机器学习预测太阳耀斑，通过卷积神经网络提取特征，使用超过4个太阳周期的历史磁光图数据。结果显示，包含历史数据可以提高预测准确性和可靠性，耀斑历史的预测能力大于从磁光图中提取的特征，时间信息在耀斑预测中很重要。