太陽(yáng)黑子

前言：想要寫(xiě)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(yáng)黑子范文，相信會(huì)為您的寫(xiě)作帶來(lái)幫助，發(fā)現(xiàn)更多的寫(xiě)作思路和靈感。

太陽(yáng)黑子范文第1篇

太陽(yáng)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(yáng)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(yáng)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(wú)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，這些反常現(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(yáng)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(chǎng)，從而使電訊中斷。黑子群對(duì)地球的磁場(chǎng)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(guó)的著名科學(xué)家竺可楨也研究出來(lái)，凡是中國(guó)古代書(shū)上對(duì)黑子記載得多的世紀(jì)，也是中國(guó)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(guò)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(yáng)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(shù)木的生長(zhǎng)情況也隨太陽(yáng)活動(dòng)的11年周期而變化。黑子多的年份樹(shù)木生長(zhǎng)得快；黑子少的年份就生長(zhǎng)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(yáng)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(chóng)也較少；

太陽(yáng)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(yáng)黑子活動(dòng)高峰時(shí)，患病人數(shù)會(huì)增加呢?原來(lái)黑子活動(dòng)高峰時(shí)，太陽(yáng)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(yáng)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(guò)空氣或水等媒介傳播開(kāi)去，就會(huì)釀成來(lái)勢(shì)兇猛的流行性感冒。

太陽(yáng)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(yǔ)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(méi)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(lèi)將滅亡！

太陽(yáng)黑子范文第3篇

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

地球磁場(chǎng)的逆轉(zhuǎn)沒(méi)有固定的時(shí)間間隔，一般在10萬(wàn)年到幾百萬(wàn)年的時(shí)間內(nèi)會(huì)逆轉(zhuǎn)一次，逆轉(zhuǎn)過(guò)程需要大約1千年到1萬(wàn)年的時(shí)間。而太陽(yáng)磁場(chǎng)的逆轉(zhuǎn)卻要頻繁得多，11年逆轉(zhuǎn)一次，正好與太陽(yáng)黑子變化的周期相符合，而且太陽(yáng)磁場(chǎng)逆轉(zhuǎn)過(guò)程正好發(fā)生在太陽(yáng)黑子最多的時(shí)候。太陽(yáng)專(zhuān)家告訴我們，2012年是太陽(yáng)黑子最多的一年，也正是太陽(yáng)磁場(chǎng)發(fā)生逆轉(zhuǎn)的時(shí)候。有意思的是，太陽(yáng)磁場(chǎng)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(yáng)黑子有關(guān)系呢？

太陽(yáng)磁場(chǎng)為何逆轉(zhuǎn)

對(duì)于太陽(yáng)磁場(chǎng)，與地球磁場(chǎng)同樣存在的問(wèn)題之一就是，太陽(yáng)的磁場(chǎng)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(chǎng)，恒星的磁場(chǎng)一般都會(huì)發(fā)生逆轉(zhuǎn)，只不過(guò)逆轉(zhuǎn)周期各不相同。恒星磁場(chǎng)的產(chǎn)生，據(jù)科學(xué)家推測(cè)類(lèi)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(chǎng)的變化就會(huì)產(chǎn)生一個(gè)個(gè)磁場(chǎng)，帶電離子渦流也會(huì)產(chǎn)生磁場(chǎng)，一個(gè)個(gè)磁場(chǎng)疊加起來(lái)，導(dǎo)致太陽(yáng)對(duì)外呈現(xiàn)出總體的磁場(chǎng)。

至于恒星的磁場(chǎng)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(chǎng)的變化。

磁場(chǎng)逆轉(zhuǎn)的影響

地質(zhì)專(zhuān)家告訴我們，地球磁場(chǎng)的逆轉(zhuǎn)一般會(huì)給地球帶來(lái)巨大的變化，那么太陽(yáng)磁場(chǎng)逆轉(zhuǎn)那么頻繁，為什么我們卻沒(méi)有什么感覺(jué)呢？

其實(shí)太陽(yáng)磁場(chǎng)的逆轉(zhuǎn)對(duì)于太陽(yáng)本身的影響還是很大的。在磁場(chǎng)逆轉(zhuǎn)過(guò)程中，磁場(chǎng)處于變動(dòng)最大的時(shí)候，此時(shí)產(chǎn)生的太陽(yáng)黑子最多。說(shuō)白了，太陽(yáng)黑子其實(shí)就是強(qiáng)烈的局部磁場(chǎng)，這局部磁場(chǎng)會(huì)把太陽(yáng)內(nèi)部的很多物質(zhì)拋撒出來(lái)，釋放出比較強(qiáng)的離子流，也就是太陽(yáng)風(fēng)。

太陽(yáng)黑子范文第4篇

太陽(yáng)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(yáng)黑子的活動(dòng)對(duì)地球上的溫度有直接影響。當(dāng)太陽(yáng)黑子活動(dòng)低迷時(shí)，地球大氣中的電磁場(chǎng)便會(huì)受到強(qiáng)烈干擾，太陽(yáng)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(lèi)聚居地區(qū)的氣溫下降。與此相反，假如太陽(yáng)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(lái)源：文章屋網(wǎng) ）

太陽(yáng)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。基于L-M算法設(shè)計(jì)了該模型的學(xué)習(xí)算法。以太陽(yáng)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(zhǎng)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(zhǎng)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(zhǎng)度m=24。令SINN輸入節(jié)點(diǎn)為n，序列長(zhǎng)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(mǎn)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(zhǎng)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(chēng)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(yáng)黑子數(shù)年均值預(yù)測(cè)

太陽(yáng)黑子是太陽(yáng)活動(dòng)中最基本、最明顯的活動(dòng)現(xiàn)象。太陽(yáng)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(chǎng)，從而使電訊中斷，因此研究太陽(yáng)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(yáng)黑子的預(yù)測(cè)模型，并通過(guò)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(yáng)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(yáng)黑子數(shù)。例如用1749-1773年數(shù)據(jù)預(yù)測(cè)1774年的太陽(yáng)黑子數(shù)，以此類(lèi)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(zhǎng)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(guò)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(zhǎng)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(kāi)帶來(lái)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(guò)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。