日韩有码亚洲专区|国产探花在线播放|亚洲色图双飞成人|不卡 二区 视频|东京热av网一区|玖玖视频在线播放|AV人人爽人人片|安全无毒成人网站|久久高清免费视频|人人人人人超碰在线

首頁 > 文章中心 > 太陽黑子

太陽黑子

前言:想要寫出一篇令人眼前一亮的文章嗎?我們特意為您整理了5篇太陽黑子范文,相信會(huì)為您的寫作帶來幫助,發(fā)現(xiàn)更多的寫作思路和靈感。

太陽黑子范文第1篇

太陽是地球上光和熱的源泉,它的一舉一動(dòng),都會(huì)對(duì)地球產(chǎn)生各種各樣的影響。黑子既然是太陽上物質(zhì)的一種激烈的活動(dòng)現(xiàn)象,所以對(duì)地球的影響很明顯。

當(dāng)太陽上有大群黑子出現(xiàn)的時(shí)候,會(huì)出現(xiàn)磁暴現(xiàn)象使指南針會(huì)亂抖動(dòng),不能正確地指示方向;平時(shí)很善于識(shí)別方向的信鴿會(huì)迷路;無線電通訊也會(huì)受到嚴(yán)重阻礙,甚至?xí)蝗恢袛嘁欢螘r(shí)間,這些反?,F(xiàn)象將會(huì)對(duì)飛機(jī)、輪船和人造衛(wèi)星的安全航行、還有電視傳真等等方面造成很大的威脅。

同時(shí),太陽黑子產(chǎn)生的帶電離子,可以破壞地球高空的電離層,使大氣發(fā)生異常,還會(huì)干擾地球磁場,從而使電訊中斷。黑子群對(duì)地球的磁場和電離層會(huì)造成干擾,并在地球的兩極地區(qū)引發(fā)極光。

黑子還會(huì)引起地球上氣候的變化。100多年以前,一位瑞士的天文學(xué)家就發(fā)現(xiàn),黑子多的時(shí)候地球上氣候干燥,農(nóng)業(yè)豐收;黑子少的時(shí)候氣候潮濕,暴雨成災(zāi)。我國的著名科學(xué)家竺可楨也研究出來,凡是中國古代書上對(duì)黑子記載得多的世紀(jì),也是中國范圍內(nèi)特別寒冷的冬天出現(xiàn)得多的世紀(jì)。還有人統(tǒng)計(jì)了些地區(qū)降雨量的變化情況,發(fā)現(xiàn)這種變化也是每過11年重復(fù)一遍,很可能也跟黑子數(shù)目的增減有關(guān)系。

研究地震的科學(xué)工作者發(fā)現(xiàn),太陽黑子數(shù)目增多的時(shí)候,地球上的地震也多。地震次數(shù)的多少,也有大約11年左右的周期性。

植物學(xué)家也發(fā)現(xiàn),樹木的生長情況也隨太陽活動(dòng)的11年周期而變化。黑子多的年份樹木生長得快;黑子少的年份就生長得慢。

更有趣的是,黑子數(shù)目的變化甚至還會(huì)影響到我們的身體,人體血液中白血球數(shù)目的變化也有11年的周期性。而且_般的人在太陽黑子少的年份,感到肚子餓的較快,小麥的產(chǎn)量較高,小麥的蚜蟲也較少;

太陽黑子活動(dòng)高峰時(shí),心肌梗死的病人數(shù)量也激劇增加。為什么太陽黑子活動(dòng)高峰時(shí),患病人數(shù)會(huì)增加呢?原來黑子活動(dòng)高峰時(shí),太陽會(huì)發(fā)射出大量的高能粒子流與X射線,并引起地球磁暴現(xiàn)象。它們破壞地球上空的大氣層,使氣候出現(xiàn)異常,致使地球上的微生物大量繁殖,為疾病流行創(chuàng)造了條件。另一個(gè)方面,太陽黑子頻繁活動(dòng)會(huì)引起生物體內(nèi)物質(zhì)發(fā)生強(qiáng)烈電離。例如紫外線劇增,會(huì)引起感冒病毒細(xì)胞中遺傳因子變異,并發(fā)生突變性的遺傳,產(chǎn)生一種感染力很強(qiáng)而人體對(duì)它卻有免疫力的亞型流感病毒。這種病毒一但通過空氣或水等媒介傳播開去,就會(huì)釀成來勢(shì)兇猛的流行性感冒。

太陽黑子范文第2篇

假如所有的小河都干涸了,外面是一副慘不忍睹的景象——往日的高樓大廈不在輝煌,往日繁華的街道不在人山人海,往日歡聲笑語的人們只能靜靜地在家等待著死神的降臨。

假如所有的小河都干涸了,高樓大廈里的人們沒有水喝,躺在地上瘦骨嶙峋那往日高度非凡的大老板趴在地上痛苦的著。

假如所有的小河都干涸了,人們痛苦的聲將傳遍整個(gè)地球,人類將滅亡!

太陽黑子范文第3篇

地質(zhì)學(xué)家告訴我們,地球的磁場會(huì)逆轉(zhuǎn),南極變成北極,北極變成南極。如今,研究太陽的專家也告訴我們,太陽的磁場也會(huì)逆轉(zhuǎn)。

地球磁場的逆轉(zhuǎn)沒有固定的時(shí)間間隔,一般在10萬年到幾百萬年的時(shí)間內(nèi)會(huì)逆轉(zhuǎn)一次,逆轉(zhuǎn)過程需要大約1千年到1萬年的時(shí)間。而太陽磁場的逆轉(zhuǎn)卻要頻繁得多,11年逆轉(zhuǎn)一次,正好與太陽黑子變化的周期相符合,而且太陽磁場逆轉(zhuǎn)過程正好發(fā)生在太陽黑子最多的時(shí)候。太陽專家告訴我們,2012年是太陽黑子最多的一年,也正是太陽磁場發(fā)生逆轉(zhuǎn)的時(shí)候。有意思的是,太陽磁場的逆轉(zhuǎn)非常準(zhǔn)時(shí),就像時(shí)鐘一樣,每11年就會(huì)逆轉(zhuǎn)一次。

這會(huì)不會(huì)與太陽黑子有關(guān)系呢?

太陽磁場為何逆轉(zhuǎn)

對(duì)于太陽磁場,與地球磁場同樣存在的問題之一就是,太陽的磁場為什么會(huì)發(fā)生逆轉(zhuǎn)呢?

科學(xué)家發(fā)現(xiàn),恒星都有自己的磁場,恒星的磁場一般都會(huì)發(fā)生逆轉(zhuǎn),只不過逆轉(zhuǎn)周期各不相同。恒星磁場的產(chǎn)生,據(jù)科學(xué)家推測(cè)類似于發(fā)電機(jī)原理,恒星本身就是由各種帶電的離子組成的,恒星的自轉(zhuǎn)會(huì)導(dǎo)致體內(nèi)的離子出現(xiàn)渦流,帶電離子的渦流就相當(dāng)于我們熟悉的導(dǎo)線里的電流。我們知道,電場的變化就會(huì)產(chǎn)生一個(gè)個(gè)磁場,帶電離子渦流也會(huì)產(chǎn)生磁場,一個(gè)個(gè)磁場疊加起來,導(dǎo)致太陽對(duì)外呈現(xiàn)出總體的磁場。

至于恒星的磁場為何會(huì)逆轉(zhuǎn),可能與恒星體內(nèi)的離子渦流方向經(jīng)常變化有關(guān),也就是恒星體內(nèi)的渦流方向經(jīng)常發(fā)生變化,從而導(dǎo)致磁場的變化。

磁場逆轉(zhuǎn)的影響

地質(zhì)專家告訴我們,地球磁場的逆轉(zhuǎn)一般會(huì)給地球帶來巨大的變化,那么太陽磁場逆轉(zhuǎn)那么頻繁,為什么我們卻沒有什么感覺呢?

其實(shí)太陽磁場的逆轉(zhuǎn)對(duì)于太陽本身的影響還是很大的。在磁場逆轉(zhuǎn)過程中,磁場處于變動(dòng)最大的時(shí)候,此時(shí)產(chǎn)生的太陽黑子最多。說白了,太陽黑子其實(shí)就是強(qiáng)烈的局部磁場,這局部磁場會(huì)把太陽內(nèi)部的很多物質(zhì)拋撒出來,釋放出比較強(qiáng)的離子流,也就是太陽風(fēng)。

太陽黑子范文第4篇

太陽引起地球上出現(xiàn)溫度差,然后有了壓力差,然后又風(fēng),水蒸發(fā)又會(huì)形成降水,再加上各地區(qū)地形等。

太陽黑子的活動(dòng)對(duì)地球上的溫度有直接影響。當(dāng)太陽黑子活動(dòng)低迷時(shí),地球大氣中的電磁場便會(huì)受到強(qiáng)烈干擾,太陽輻射會(huì)發(fā)生較大的變化。其結(jié)果是一段時(shí)期內(nèi)加劇了南北極地的寒冷空氣和赤道附近低緯度地區(qū)的暖濕空氣相互交換,使大多數(shù)人類聚居地區(qū)的氣溫下降。與此相反,假如太陽黑子活動(dòng)較為頻繁時(shí),冷暖空氣的南北交換量便相對(duì)減少,我們生活的地區(qū)氣溫就會(huì)相對(duì)較高,天氣的變化也顯得較為穩(wěn)定。

(來源:文章屋網(wǎng) )

太陽黑子范文第5篇

為了充分模擬生物神經(jīng)元的時(shí)間累積效果,以便提高傳統(tǒng)神經(jīng)網(wǎng)絡(luò)的逼近能力,本文提出一種基于序列輸入的神經(jīng)網(wǎng)絡(luò)模型(sequenceinput-basedneuralnetworks,SINN),該模型的每個(gè)輸入樣本為多維離散序列,可表述為一個(gè)矩陣?;贚-M算法設(shè)計(jì)了該模型的學(xué)習(xí)算法。以太陽黑子數(shù)年均值預(yù)測(cè)為例,仿真結(jié)果表明,當(dāng)輸入節(jié)點(diǎn)數(shù)和序列長度比較接近時(shí),該模型的逼近和預(yù)測(cè)能力明顯優(yōu)于普通神經(jīng)網(wǎng)絡(luò)。

基于序列輸入的神經(jīng)網(wǎng)絡(luò)模型

1基于序列輸入的神經(jīng)元模型

對(duì)于n×q矩陣式樣本,普通神經(jīng)元將每一列視為單個(gè)樣本,而將整個(gè)矩陣視為q個(gè)n維樣本。為實(shí)現(xiàn)對(duì)矩陣式樣本的整體映射,本文提出序列神經(jīng)元模型,如圖1所示。

2基于序列輸入的神經(jīng)網(wǎng)絡(luò)模型

本文提出的序列輸入神經(jīng)網(wǎng)絡(luò)模型為三層結(jié)構(gòu),隱層為序列神經(jīng)元,輸出層為普通神經(jīng)元,如圖3所示,圖中g(shù)為sigmoid函數(shù)。

基于序列輸入的神經(jīng)網(wǎng)絡(luò)算法

1算法原理

令輸入層n個(gè)節(jié)點(diǎn),隱層p個(gè)節(jié)點(diǎn),輸出層m個(gè)節(jié)點(diǎn)。給定L個(gè)學(xué)習(xí)樣本,其中第l(l=1,2,,L)個(gè)樣本可表示為若逼近誤差小于等于預(yù)先設(shè)定的限定誤差,或迭代步數(shù)帶到預(yù)先設(shè)定的最大步數(shù),則算法終止。

2實(shí)施方案

Step1模型初始化。包括:序列長度、各層節(jié)點(diǎn)數(shù),各層權(quán)值的迭代初值,限定誤差E,限定步數(shù)G。置當(dāng)前代數(shù)g=1。Step2按式(4-5)計(jì)算各層輸出,按式(6-15)調(diào)整網(wǎng)絡(luò)權(quán)值。Step3按式(16)計(jì)算逼近誤差maxE,若E>Emax或g<G,則g=g+1轉(zhuǎn)Step2,否則轉(zhuǎn)Step4。Step4保存各層權(quán)值,停機(jī)。

仿真對(duì)比

1Mackey-Glass時(shí)間序列逼近

本節(jié)以Mackey-Glass數(shù)據(jù)逼近作為仿真對(duì)象,并與普通三層ANN對(duì)比,驗(yàn)證SINN的優(yōu)越性。Mackey-Glass序列樣本可由下式產(chǎn)生為使對(duì)比公平,兩種算法采用相同的網(wǎng)絡(luò)結(jié)構(gòu),且均采用L-M算法調(diào)整權(quán)值。由上式生成序列仿真方案為用前面的m個(gè)數(shù)據(jù),預(yù)測(cè)緊鄰其后的1個(gè)(即第m+1個(gè))數(shù)據(jù)。因此兩種模型的輸出層均只有一個(gè)節(jié)點(diǎn)。為使對(duì)比充分,兩種模型隱層均取5,10,,20個(gè)節(jié)點(diǎn)。樣本歸一化后的限定誤差取0.05,限定步數(shù)取100。兩種模型的初始權(quán)值均在(-1,1)中隨機(jī)選取,L-M算法的控制參數(shù)=0.05tµ。ANN隱層和輸出層采用Sigmoid函數(shù)。

根據(jù)仿真方案,我們?nèi)☆A(yù)測(cè)長度m=24。令SINN輸入節(jié)點(diǎn)為n,序列長度為q,顯然,q反映在時(shí)間上的積累。為考察SINN的性能,即考察當(dāng)n和q滿足什么關(guān)系時(shí),SINN的性能最佳,我們將SINN輸入節(jié)點(diǎn)n和序列長度q分別取為表1所示的8種情況,顯然ANN的輸入節(jié)點(diǎn)只有m=24一種情形。為便于對(duì)比,首先定義收斂的概念。算法終止后,若逼近誤差小于限定誤差,稱算法收斂。

對(duì)于輸入節(jié)點(diǎn)和隱層節(jié)點(diǎn)的每種組合,分別用兩種模型仿真10次,并記錄每種模型的平均逼近誤差、平均迭代步數(shù)、平均收斂次數(shù)作為評(píng)價(jià)指標(biāo)。仿真結(jié)果表明,SINN3_8、SIQNN4_6、SIQNN6_4、SIQNN8_3這四種SINN的逼近能力明顯優(yōu)于ANN。兩種模型的訓(xùn)練結(jié)果對(duì)比如圖4-6所示。

2太陽黑子數(shù)年均值預(yù)測(cè)

太陽黑子是太陽活動(dòng)中最基本、最明顯的活動(dòng)現(xiàn)象。太陽黑子產(chǎn)生的帶電離子,可以破壞地球高空的電離層,使大氣發(fā)生異常,還會(huì)干擾地球磁場,從而使電訊中斷,因此研究太陽黑子的變換規(guī)律有著重要的現(xiàn)實(shí)意義。本節(jié)利用觀測(cè)數(shù)據(jù),采用SINN建立太陽黑子的預(yù)測(cè)模型,并通過與ANN和PNN對(duì)比,驗(yàn)證SINN的優(yōu)越性。

2.1構(gòu)造樣本數(shù)據(jù)

本實(shí)驗(yàn)采用太陽黑子的年度平均值序列作為仿真對(duì)象,從1749年至2007年,共計(jì)259個(gè)數(shù)據(jù)。該數(shù)據(jù)呈現(xiàn)高度非線性,致使常規(guī)預(yù)測(cè)模型很難湊效。其分布特征如圖7所示。樣本數(shù)據(jù)的構(gòu)造方法是:用連續(xù)24年的數(shù)據(jù)預(yù)測(cè)其后1年的太陽黑子數(shù)。例如用1749-1773年數(shù)據(jù)預(yù)測(cè)1774年的太陽黑子數(shù),以此類推。用1749-1948共200年的數(shù)據(jù)構(gòu)造訓(xùn)練樣本集,完成模型訓(xùn)練。用余下的59個(gè)樣本作為測(cè)試集,以檢驗(yàn)?zāi)P偷念A(yù)測(cè)能力。

2.2模型參數(shù)設(shè)置

本仿真將SINN與采用L-M算法的ANN和PNN對(duì)比。隱層均分別取10,11,,25個(gè)節(jié)點(diǎn)。根據(jù)上節(jié)結(jié)果,我們僅考察SINN3_8、SINN4_6、SINN6_4、SINN8_3四種模型。限定誤差取0.05,限定步數(shù)取1000。PNN輸入輸出均為一個(gè)節(jié)點(diǎn),正交基采用24個(gè)Fourier基函數(shù)。

4.2.3訓(xùn)練結(jié)果對(duì)比

對(duì)于隱層節(jié)點(diǎn)的每種取值,分別用ANN、PNN和四種SINN訓(xùn)練10次,并統(tǒng)計(jì)平均逼近誤差、平均迭代步數(shù)、收斂次數(shù),作為評(píng)價(jià)指標(biāo)。訓(xùn)練結(jié)果對(duì)比如圖8-10所示。

2.4預(yù)測(cè)結(jié)果對(duì)比

下面考察SINN和PNN、ANN的預(yù)測(cè)性能對(duì)比。以隱層20個(gè)節(jié)點(diǎn)為例,將ANN、PNN和4種SINN分別用訓(xùn)練集訓(xùn)練10次,每次訓(xùn)練之后,不論是否收斂,立即用測(cè)試集預(yù)測(cè),然后統(tǒng)計(jì)最大誤差maxE、誤差均值avgE、誤差方差varE這三項(xiàng)指標(biāo)的10次預(yù)測(cè)平均值,對(duì)比結(jié)果如表2所示,以SINN4_6為例,對(duì)比曲線如圖11所示。

3對(duì)仿真結(jié)果的分析

綜合以上兩個(gè)仿真結(jié)果可知,當(dāng)輸入節(jié)點(diǎn)n和序列長q比較接近時(shí),SINN的逼近及預(yù)測(cè)能力明顯好于PNN和ANN。對(duì)此可作如下分析。SINN直接接收離散序列,通過兩次映射將輸入序列循環(huán)地映射為隱層序列神經(jīng)元的輸出,由于序列神經(jīng)元采用了更多可調(diào)的權(quán)值,所以SINN有更強(qiáng)的逼近能力。從SINN算法可以看出,輸入節(jié)點(diǎn)可以視為模式記憶的寬度,而序列長度可以視為模式記憶的深度,當(dāng)寬度和深度適當(dāng)匹配時(shí),SINN呈現(xiàn)出明顯優(yōu)于PNN和ANN的性能。對(duì)于PNN由于只能以深度方式獲取樣本信息,加之正交基展開帶來的截?cái)嗾`差,必然導(dǎo)致逼近能力下降。對(duì)于ANN,由于只能接收幾何點(diǎn)式的向量輸入,即只能以寬度方式而不能以深度方式獲取樣本信息,因此在ANN的信息處理過程中,不可避免地存在樣本信息的丟失,從而使逼近能力受到影響。