提升太阳黑子预测精度：FELM-PNN与IELM-PNN算法比较

本文主要探讨了在提高太阳黑子预测预报精度方面的一种创新方法——基于固定型极限学习过程神经网络(Fixed ELM-PNN)和增量型极限学习过程神经网络(Incremental ELM-PNN)。这两种算法是在过程神经网络(PNN)的基础上发展而来，旨在解决太阳黑子数预测中的挑战。 固定型极限学习过程神经网络(FELM-PNN)的特点在于其隐层节点数是固定的。在这个模型中，隐层输出矩阵的Moore-Penrose广义逆是通过Singular Value Decomposition (SVD)方法求解的，这种方法确保了隐层权重的高效计算。通过最小二乘法，隐层的输出权重得以确定，这有助于优化模型的预测性能。 相比之下，增量型极限学习过程神经网络(IELM-PNN)则采取一种动态扩展策略。它在每次迭代中逐步增加隐层节点，新的节点权重根据当前的隐层输出矩阵和网络误差进行计算。这种自适应的方法在保持预测精度的同时，具有更好的训练收敛性，特别适合处理复杂且动态的数据模式。 为了验证这两种算法的有效性，研究者利用Henon时间序列数据进行了预测验证。实验结果显示，无论是FELM-PNN还是IELM-PNN，它们都成功提高了太阳黑子预测预报的准确性，相比于传统方法，它们在中长期预测上表现更优。然而，实验还表明，IELM-PNN在训练过程中的收敛速度和稳定性上超过了FELM-PNN，这使得它在实际应用中更具优势。 这篇文章提供了一种新颖且有效的太阳黑子数预测方法，利用了极限学习过程神经网络的特性来提升预测精度，并展示了在实际预测任务中的实用价值。对于那些关注太阳活动预测和过程神经网络技术的人来说，这一研究成果具有重要的参考价值。