CN1437732A - 太空气象预测系统和方法 - Google Patents

Abstract

根据识别太阳、星际或地球物理数据的复杂的模式预报太空气象的系统和方法(在地球或其他位置)。这些数据包括当前的(103，104)或历史的(105)测量值和/或模型的数据(107)(预测的或仿真的)。数据模式(非事件和事件有关的)被识别(即使当在另一个事件出现时)。这样的模式可随太阳(例如，太阳最大值/最小值)、星际、或地球物理活动性的最近的/周期的变化而变化。实施例是围绕以下系统构建的：模板(200)，专家系统，神经网络，包括这些项目的组合的混合系统，以及多模态智能系统。在新的数据出现时和当系统被动态地修正(例如，通过在系统部件之间的反馈)时，预报被定制和/或被更新。数字的或其他的索引被产生来代表预报、相关的置信度水平、等等。

Description

太空气象预测系统和方法

                      发明领域

本发明涉及用于预测太空气象的系统和方法，具体地，用于预测靠近地球空间的环境的太阳引起的扰动，诸如地磁暴的系统和方法。更具体地，本发明涉及根据太阳、星际和地球物理数据中复杂的模式的分析来预测太空气象。

                      发明背景

当在太阳上发生太阳爆发、消失的暗斑和其他的太阳事件时，它们在接近太阳的太空区域中产生很大的骚动和扰动。这些扰动常常是极其严重的，以致于它们产生冲击波，穿过太空，最后到达地球和感兴趣的其他位置(例如，宇宙飞船位置，彗星，或行星)，在那里它们造成严重的问题，诸如宇宙飞船丢失，宇宙飞船异常(诸如电子部件中的比特触发)，表面带电问题，机载计算机存储器的打扰，和甚至损坏半导体微电子结构和太阳电池。与这些扰动有关的带电粒子，包括具有能量的电子和正电子，在一次扰动中可以对太阳电池和其他硬件造成和几年暴露在无扰动的环境下一样大的破坏。例如，具有能量的电子可以使得在宇宙飞船深处的绝缘体中造成大的静电荷，某些测量到高达19000伏，它可能引起电弧，损坏敏感的电子元件。另外，在宇宙飞船、空间站或太空机里面和外面的宇航员在这些扰动期间会受到危险的剂量的电子和其他类型的辐射的损害。

这些扰动也会引起在所有的频率上的通信中断，不单包括与宇宙飞船，也包括与高空飞行的飞机和与地面目标的通信。高频(HF)无线电波通信更经常受到影响，因为它依赖于从电离层的反射来载送信号到很远的距离。由太阳扰动造成的电离层异常引起信号吸收、衰落、和在非常严重的扰动条件期间甚至完全丢失。电离层异常也影响由电信公司使用的、穿透电离层的更高的频率的无线电波，它通过卫星中继到其他位置。电离层异常甚至会禁止关键的通信，诸如搜索和救助工作以及军事运作。

严重的太空气象有关的通信故障的一个例子发生在1980年代初期，当里根总统在他的空军一号去中国的路程上，与飞机的所有的通信中断两个多小时。里根先生和他的顾问团非常不安和受到关注；他们后来被告知，故障是源于太阳上的扰动以及最终传播到靠近地球的环境。

除了通信系统以外，使用非常低的频率的信号的海军导航系统，诸如LORAN和OMEGA，依赖于电离层底部高度的精确的信息。在环境扰动期间，在这个边界上出现快速的垂直改变，在确定位置时引入高达几公里的重大的误差。

全球定位系统(GPS)也对太空气象扰动很敏感。这些系统具有广泛的应用，包括飞机导航和空中交通控制系统。然而，因为它们通过从卫星发送无线电波到地面的、飞机的、或其他卫星上的接收机而运行，它们对电离层扰动是非常敏感的。当信号被扰动的电离层条件反射、折射和减慢时，会出现重大的错误。

电力公司也受到太空气象扰动影响，因为它们的长的电力线易受到在地磁暴期间出现的高的高度的电离层电流的很大的改变引起的电流的影响。由于地面感应电流(GIC)引起电力线上的浪涌会造成很大的网络故障和对昂贵的设备的永久的损坏。据估计，由太空气象扰动引起的、1989年魁北克水力发电站故障造成几百万人民电力中断。

通过精确的早期警告，宇宙飞船操作者可采取有效的补救行动，诸如分阶段关闭部件，其中最敏感的单元首先被关断，其他部件在接近于事件的预测的开始时间时关断。其他的补救行动包括把宇宙飞船存储器的内容下载到基于地面的存储器；关断所有的宇宙飞船系统，除了实时跟踪所必须的那些系统以外；增加实时检测卫星运行查找异常现象；延迟由接通/关断敏感的部件造成的车辆电位的主要的改变；以及计算对于阻力调节低的地球轨道的最佳时间。对于军事通信，可以安排冗余的传输，连同实时的人的监视作为通信整体性的检验。对于太空站和穿梭机，额外的车辆的活动可被减小，发射可被延迟，或提早着陆，以避免扰动。

由于太空气象扰动预备的通常很短的提前时间(大约一小时)和严重的不精确性(超过80％的虚假警报)，这样的补救行动当前是不实际的。如果操作者在太空气象事件事先至少几小时被给予精确的警告，则他们在发展和实施用于保护他们的宇宙飞船，系统和/或宇航员的策略方面有更大的灵活性。另外，电力公司可例如减小传输电路上的负荷，有信心地复位电力网的触发保护继电器，选择地接地电容器库，防止大的电位降，和延迟电力站维修和设备替换。电信公司可以查找替换的频率用于传输和实施计划使得通信停机最小化。

由国家海洋和大气层管理局(NOAA)的太空环境中心(SEC)(负责太空气象预报的民用机构)提供的太空气象预报证明有改进的需要，这正是本发明要解决的。直至几年以前，这些预报还完全用“眼睛”作出的。操作者检查原始数据(主要是太阳磁场，X射线，和光学数据)，然后根据直觉和经验发出预报。按照SEC自己的统计，他们预报的风暴中只有30％实际上发生。还有许多假阴性预报(即，在他们没有预报有风暴的时间，出现了风暴)，以及总的概略的预报水平常常不能提供足够的、用于采取有效的补救行动的时间。

最近，其他人试图至少部分地基于从先进组成探测者(ACE)和WIND(风)宇宙飞船得到的太阳风和星际磁场数据，产生更“客观的”预报。这两个宇宙飞船非常接近于地球(比起在地球与太阳之间的距离)，所以，基于它们对太阳风和IMF的测量的预报具有非常短的提前时间。典型地，这些系统产生的预报具有一小时或更小的提前时间以及常常是事后的(即，它们在事件已开始扰动地球物理环境以后才产生“预测”)。

另一些预测方法依赖于来自太阳事件观察的数据，把这些数据输入到各种理论模型，试图预测太阳事件和它们相关的冲击波如何传播到太空和影响太空气象。Wang-Sheeley模型，星际冲击传播模型(ISPM)(见Dryer，M.1998，”Multidimensional simulation ofsolar-generated disturbances：Space weather forecasting ofgeomagnetic storms(太阳产生的扰动的多维模拟：地磁暴的太空气象预报)”，AIAA Journal， 36，365-370)，以及冲击波到达时间(STOA)模型(见Smart，D.F.和Shea，M.A.1985，“A simplified model fortiming the arrival of solar flare-initiated shock(用于太阳耀斑发起的冲击波到达的简化的模型)”，Journal of GeophysicalResearch，90，183-190)，是各种理论模型的例子。这些方法部分由于太阳事件在太空的传播的精确的建模的困难和常常是部分由于缺乏太阳事件本身的完全的数据，而只能获得有限的成功。

已经看到，在SEP事件和用户的地磁暴之间有一种联系。当在太阳上出现大的扰动时以及随着扰动传播到太空，产生SEP。某些这样的粒子向着远方的位置(例如地球，宇宙飞船等等)行进比起造成许多太空气象事件的星际冲击波快得多。因此，它们比风暴提前几小时潜在地扩展到太空气象预报水平线以及在时间上甚至提前一天或更多。

过去在使用用于太空气象预报的SEP方面的尝试是有限的。例如，J.Joselyn描述了用于预报地磁活动性的最简单的技术。她只在一个能量通道上把SEP活动性的单个测量值与一组门限值进行比较。具体地，她观察SEP事件，其中至少在30分钟内出现能量超过10MeV(百万电子伏)的、每秒每平方米的大于10个正电子的通量；即，参阅J.Joselyn，J.1995.“Geomagnetic Activity Forecasting：The Stateof the Art(地磁活动性预报：现有技术水平)”，Review of Geophysics(地球物理学评论)，33，3。根据这个准则，她确定在1976与1989年之间，这样的事件62％的时间在地磁暴(Ap＞30，其中Ap是熟知的总的地磁索引)之前2-3天内出现。Joselyn也发现，具有超过100通量单位的峰值能量粒子通量的事件在75％的时间在地磁暴之前出现。Joselyn没有讨论基于这样的事件的预报没有预报出的地磁暴的数目或百分数。Joselyn只将SEP通量与简单的门限值相比较，即单个SEP数据值。这个简单的单点的比较太简单而不能用于有用的预测。

最近，Q.Fan和J.Tian使用从两个SEP数值(例如SEP通量随时间的上升速率)得出的测量值作为加到神经网络的输入值，试图部分地基于SEP数据把地磁暴的强度分类。见，Fan，Q.和Tian，J.1998，“Prediction of Geomagnetic Storms Following Solar Proton Events(SPE)with a back-propagation neural network(利用反向传播神经网络的跟随太阳正电子事件的对地磁暴的预测)，“predicationof Geomagnetic Storms Following Solar Proton Events(SPE)witha BP Neural metwork(利用BP神经网络的跟随太阳正电子事件的电磁风暴的预测)，AI Applications in Solar-Terrestrial Physics.Proceedings of ESA Workshop(WPP-148)(由I.Sandahl和E.Jonsson编辑，第163-166页)。每个SEP(正电子和电子)通量上升速率只根据两个SEP通量值，即，背景通量值和高峰通量值。虽然Fan和Tian开始识别SEP数据中的时间变化值，但他们和Joselyn不能获取太阳能量粒子的电位作为太空气象预测工具。

以前的、在太空气象预测方面使用SEP的尝试由于许多原因只得到有限的成功。首先，先前的工作把预测只基于一个SEP数据点(门限值或峰值)和/或从两个SEP数据点得出的测量值(诸如上升速率)。所以，它们不能识别与太空气象事件有关的、SEP数据中的复杂的模式，它需要考虑三个或更多个数据点。第二，先前的工作只是基于太空气象事件之前的SEP数据的分析，但没有基于非事件之前的SEP数据；没有考虑非事件的任何系统易于受到假警报的影响，不能给出所有的清晰的信号。第三，先前的工作没有识别SEP数据中(和太阳、星际和地球物理活动性)最近的和/或周期的变化，诸如在太阳周期的不同的阶段出现的变化。第四，先前的工作在预报中没有提供置信度水平的任何指示，诸如数字的可信度索引。第五，先前的工作在另一个事件正在进行时不能提供预报。第六，先前的工作在新的数据来到时，不能有意义地更新预报。

另外，在本发明之前的几乎所有的工作集中在根据一个(或至多几个)法则或方程创建预测或识别系统。因为太空气象现象的高的复杂的性质，这样的简单的系统不能精确地对于太空气象的许多最重要的方面建模。而且，与太空气象有关的许多变量交互作用，相互修正(或约束)。简单的系统不能利用这种潜在地有用的互相之间的连接性。因为这些和其他原因，这样的系统证明，在产生太空气象相关的预报方面相当差。所以需要一种太空气象预报系统，它能协同地组合分开的预报系统和技术。

另外，需要对于太空气象事件的改进的通知系统。即使当前“最好的”太空气象预报系统在空间(例如，北美，阿拉斯加，或瑞典)或时间(例如，在以后的三天中有时宇宙飞船反常)方面也只能产生宽的预测。这样的宽的预测对于大多数终端用户是几乎无用的。当前，唯一更具体的预报是基于ACE数据的那些预报(因此，具有最好45分钟的超前时间)。先前的工作因此不能发布预报和/或发起被定做来满足终端用户需要的动作序列。

                      发明概要

所以，本发明的一个目的是提供基于实时的SEP数据和太阳、星际和地球物理数据的、改进的和及时的太空气象预报。

本发明的再一个目的是提供基于需要考虑三个或更多个不同的SEP数据值的、SEP数据中复杂的模式的识别的太空气象预报。

本发明的另一个目的是提供能识别与太空气象的非事件有关的、SEP数据和太阳、星际和地球物理数据的、太空气象预报系统。

本发明的又一个目的是提供考虑在SEP数据和太阳、星际和地球物理数据中最近的和/或周期的变化，诸如由于太阳周期的位相的变化的太空气象预报。

本发明的又一个目的是提供当新的数据被做成可提供时和当系统被动态地修正时(例如，通过数据反馈等等)，能够有意义地被更新的太空气象预报。

本发明的又一个目的是提供在另一个太空气象事件正在进行的时间间隔期间能够产生太空气象预报的系统。

本发明的又一个目的是提供能够产生代表与太空气象预报有关的置信度水平的数字索引的太空气象预报系统。

本发明的又一个目的是提供能够作为“混合系统”工作的太空气象预报系统，由此，系统的不同的部件对于不同的类型的预测进行专门化，因此总的系统精确度被改进。

本发明的又一个目的是提供能够根据当前的预报精确度/非精确度而被修正，以便提高将来的预报精确度的太空气象预报。

本发明的再一个目的是创建能够产生代表或与识别或预测有关的数字的或其他索引的系统。

本发明的又一个目的是提供能够作为“级联的混合系统”工作的太空气象预报系统，由此，多预测/识别系统协同地和迭代地工作，产生预测、识别或预报。

本发明的又一个目的是提供一种太空气象预测系统，它能够包括基于大量和变化的预测/识别系统和技术，并且使得这些系统和技术能够协同地互相交互以产生更好的太空天气相关的预测/识别。

本发明的再一个目的是提供能够与其他太空气象预测/识别系统接口和/或互动的太空气象预报系统。

本发明的再一个目的是提供能够识别事件、条件等等作为自然的或人造的太空气象预报系统。

本发明的又一个目的是提供一个能够产生结果(预测，识别等等)的系统，这些结果可被使用来得出、约束或改进物理的、生物的、化学的、或其他模型、方程、技术等等。

本发明的又一个目的是提供能够产生定做的(“定制的”)预报、预测或识别的太空气象预报系统。这样的结果可以在本发明的范围内根据多个终端用户约束、要求、敏感性、位置等等被定做。

本发明的再一个目的是提供能够以多种(和多种可规定的)方式发送、显示、或传送(例如，可听见地)定制的预报结果的太空气象预报系统。

本发明的再一个目的是提供能够发起(或使得要被发起)根据由太空气象预报系统产生的或发布的太空气象预报、识别、或预测要担负的多个(和多个可规定的)调节行动的太空气象预报系统。

本发明的又一个目的是提供可以用可能位于多个(可能远端的)计算机、系统等等中的不同的部件、子程序、数据库、显示器等等“被模块化”的太空气象预报系统。

以上的和其他的目的由本发明的系统和方法实现。概略地，本发明提供根据识别由在太阳、星际、或地球物理数据中三个或更多个SEP数据值和相关的模式规定的复杂的模式预报太空气象的系统和方法。本发明还识别与太空气象非事件有关的数据模式以及与事件有关的那些模式。另外，所识别的模式的改变可以依赖于在太阳、星际、或地球物理活动性方面的最近的或周期的变化，诸如，与太阳周期的位相有关的变化。

下面描述本发明的三个实施例：(1)基于模板的实施例，(2)基于专家系统的实施例，和(3)基于神经网络的实施例。基于模板的实施例根据当前的SEP数据(和感兴趣的其他太阳、星际、或地球物理数据)与历史上得到的“模板”的比较预测太空气象，每个包含与特定类型的太空气象事件的存在或不存在有关的三个或更多个SEP数据测量值(和感兴趣的其他数据)。在适当的场合下，提供分开的模板，用于在太阳、星际或地球物理活动性方面不同的最近和/或周期的变化，诸如，但不限于，与太阳周期的位相有关的变化。基于专家系统的实施例根据一组识别在包括三个或更多个数据点的SEP数据中的模式的法则预测太空气象。这样的模式包括，例如，(i)在SEP数据中的峰值和(ii)X射线中的陡峭的上升或峰值，后面跟随SEP中的陡峭的上升或峰值。再次地，在适当的场合下，提供分开的模板，用于在太阳、星际或地球物理活动性方面不同的最近和/或周期的变化。神经网络的实施例根据三个或更多个当前的SEP数据值的输入，可能连同太阳、星际或地球物理活动性数据值一起，以及在适当的场合下，关于在太阳、星际或地球物理活动性方面不同的最近和/或周期的变化的信息，预测太空气象。它用来自平静的气象状态以及风暴状态的数据进行训练，以及在适当的场合下，它用有关太阳、星际或地球物理活动性的最近的和/或周期的变化的信息进行训练。替换地，在适当的场合下，分开的神经网络可被使用于与活动性的最近的和/或周期的变化有关的不同的位相。

更特别地，在基于模板的实施例中，系统根据实时数据与历史上得到的“模板”的比较预报太空气象事件。这些模板包含与特定的类型的太空气象事件或与非事件有关的活动性的代表。例如，可以使用三个模板，每个代表在不同的强度的风暴之前的SEP活动性。每个这些模板可以包含对于太阳周期的特定的位相的多个具有能量＞1MeV的SEP的十小时的测量值。这个实施例然后寻找在最近十小时的实时SEP数据和与太阳周期的当前的位相有关的模板组之间的最好的匹配。最接近地匹配于新的数据的模板被使用来确定当前的预报。随着得到更多的数据(例如，经过接着的几小时)，作出新的比较，以及预报被更新。另外，模板可包括其他感兴趣的数据，正如下面表示的，诸如X射线数据。在本例中，系统然后寻找最接近地匹配于最近的SEP和X射线数据的模板。

在专家系统实施例中，太空气象预报是基于一组法则，它识别在包括三个或多个数据点和在太阳、星际或地球物理数据中相关的模式的SEP数据中的模式。例如，法则可包括根据太阳周期的当前的位相具有特定的特性的SEP数据中“峰值”(即“低-高-低”的模式)的检测(即，峰值的特定的特性是从先前的、与当前的位相相同的太阳周期的位相有关的数据得出的)。替换地，法则可包括在SEP与其他数据之间的关系，诸如X射线数据的峰值的检测后面出现SEP数据陡峭的上升或峰值。再者，法则可包括例如通过把SEP和其他数据“弄模糊”而滤除异常的或不重要的测量值来修改所述SEP和其他数据。

在神经网络实施例中，一个或多个神经网络用与太空气象事件有关的三个或更多个SEP数据项目，可能连同相关的太阳、星际或地球物理数据以及在适当的场合下的太阳周期位相数据，或标识数据中最近的或周期的变化的位相的其他数据一起进行训练。当没有出现太空气象事件和为了通知全部晴朗时，神经网络也可以对于更精确的预测时间用非事件数据进行训练。神经网络然后被使用来根据最近的SEP数据，以及在适当的场合下，根据太阳周期位相产生预报。替换地，神经网络可以附加地用其他感兴趣的太阳、星际或地球物理数据，诸如，但不限于，X射线数据进行训练。

通常，本发明的这些实施例并不限于根据在特定的能量频段中、或具有特定的通量水平的SEP或太阳数据的太空气象预报。它们也不限于特定的种类的粒子(正电子、电子、α粒子、氧离子、铁离子)或波(X射线、无线电波、微波等等)。它们不限于实际的SEP或太阳、星际或地球物理数据的使用，--可以使用建模的或模拟的数据，或在许多情形下，先兆的信号，诸如微波突发，消失的暗斑，太阳黑子活动性，日震参量等等，可被用作为用于实际数据的代理。

而且，模板实施例不限于用于创建模板的特定的技术，也不限于模板的具体数目，也不限于用于比较新的数据与模板的特定的技术的使用。另外，专家系统不限于确定满足特定的准则组的数据的识别和/或分类是如何完成的任何特定的静态(或甚至动态)的法则组。最后，神经网络实施例不限于用于训练神经网络的特定的技术，也不限于特定的神经网络结构。

对于每个实施例，一个或多个输入可以来自于另一个预报系统、专家系统或神经网络的结果，或来自于这些系统的混合组合，或更一般地，来自于任何混合多峰智能系统。

按照本发明的另一个方面，预报的精确度可被增强，以及预报可以通过在“级联的混合”系统中安排预测/识别模块或方法(这里称为PIM)的集合而容易地被定做，其中PIM的输出被用作为加到同一个或其他的PIM的输入。每个PIM，或子系统，是基于或者(直接或间接)与太空气象预测有关的，或者(直接或间接)与可能影响或受到太空气象有关的变量、事件或现象影响的系统、业务或目标(包括人、化学、动物等等)有关的法则、系统、或技术的实施例。PIM可以是上述的模板、专家、神经网络或混合系统或用于预测太空气象或产生或预测在太空气象预测中(直接或间接)有用的数值或参量的任何其他技术。

级联的混合系统的结果(预测、识别等等)可以根据终端用户的需要被定制。这样的定制包括，但不限于，在特定的情形下要被执行的定制的报告、定制的警告、定制的警报和定制的行动(例如，系统修正，调节行动等)。

                      附图简述

图1显示按照本发明的优选实施例的基本硬件设置。

图2显示TEMPLATE(模板)单元的结构。

图3显示太阳事件锁定的和太空气象扰动锁定的模板的代表。

图4显示对于特定的准则组的三个模板的图形代表。

图5是产生历史上得出的、时间锁定到太阳事件的模板的软件的流程图。

图6是产生历史上得出的、时间锁定到太空气象扰动的模板的软件的流程图。

图7是根据进入的SEP和/或太阳数据与历史上得出的模板的比较结果预测太阳感应的事件的开始的软件的流程图。

图8显示当预测太阳感应的事件时可被使用的一种相似性测量(欧几里得距离计算)。

图9显示实施当预测太阳感应的事件时可被使用的一种相似性测量(欧几里得距离计算)的通用子程序。

图10显示一种混合太空气象预测系统，其中来自太阳锁定的和风暴锁定的模板的信息被组合，以便增加预报精确性。

图11是用于产生太空气象预测的专家系统的软件的流程图。

图12是由峰值寻找专家系统使用的GetCurrentValue(得到当前值)子程序的流程图。

图13显示被使用来存储用于峰值寻找专家系统的数据(SEP，太阳，等等)的数据数组。

图14显示按照本发明的专家系统通过使用不同的模糊量的预报结果。

图15显示三层神经网络。

图16显示通用预测/识别模块(PIM)。

图17是显示接入PIM组的流程图。

图18显示级联的混合系统

图19显示通用预报最佳化和通知单元(FONE)。

                      优选实施例描述

太阳能量粒子包括正电子、电子、α粒子、和各种物质种类，诸如3He，4He，Fe，O等等。SEP数据包括(i)物质种类比值，诸如正电子/α粒子，3He/4He，Fe/O等等，(ii)各种整体的和不同的能量范围(＞1Mev，在3和5Mev之间，等等)，(iii)通量，对数通量，通量比值，以及在各个能量范围中、与之间的通量的其他得出的参量和变化(例如，在最近的时间间隔内能量粒子计数)，(iv)谱形状，谱比值，以及其他得出的谱参量和变化，(v)在SEP事件的出现之间的时间，它们的持续时间或改变速率(例如，逐渐的，冲击的)，自从上一个SEP事件以来的小时数，等等。感兴趣的其他数据包括(i)太阳数据，诸如，但不限于，X射线，光线，γ射线，无线电波，微波，消失的暗斑，EUV，UV，太阳磁性，日震数据，(ii)地球物理数据，诸如，但不限于，Kp，Ap，地磁暴和Dst数据，(iii)星际数据，诸如，但不限于，波动，得出的参量(例如，冲击速度，方向，强度等等)和(iv)数据的其他变动和得出的参量，诸如在事件的出现之间的时间，事件的持续时间，自从上一个事件以来的小时数，自从上一个事件以前的事件以来的小时数，等等。

术语“太空气象扰动”被使用来指许多事件，包括，但不限于，以下出现的事件的任一个(或任何组合)：

(a)“突然开始”的出现，即，地磁场的水平分量的强度的突然增加。

(b)Kp水平的突然改变(上升或下降)，其中Kp是行星范围(全球)平均K索引。K索引是从在观察的地磁场与预期的平静磁场条件的最大偏离(以毫微泰斯拉计)的规定的3小时时间间隔期间的测量得出的、在0和9之间的准对数的数。K索引是对于在观察台址之间的预期的地球物理偏移值被调节的。

(c)A，AA，Ap或其他地球物理索引水平的突然改变(上升或下降)，

(d)本地地面感应电流(GIC)的出现。

(e)在高层大气层或地磁层中高辐射的区域的出现。

(f)在地磁层中辐射带的形成或毁灭。

(g)Dst水平的突然改变(上升或下降)，其中Dst是环流的行星范围(全球)索引，它是基于地磁场的水平(H)分量的变化的地面测量。

(h)在地球或靠近地球环境的太阳或星际冲击的出现，以及它的到达时间，强度，速度，冲击后太阳风速度，和地面有效的星际磁场分量，在冲击到达与日冕物质注入到达之间的最小时间，等等。

(i)地磁层的压缩或扩展。

(j)由于太阳冲击，能量粒子事件等等引起的宇宙飞船功能、通信和数据流的打扰。

(k)由于太阳冲击，能量粒子事件等等引起的宇宙飞船功能、通信和数据流的二次打扰，包括，但不限于，全球定位系统(GPS)的失效，空中交通控制系统的失效，蜂窝电话的失效，电视或无线电广播的中断，等等。

(1)极光椭圆形的赤道边缘的位置的改变，它的拖尾的位移，和南北极的冰帽的电位。

(m)强烈的和平静的SEP时间概况，峰值通量，能量，能量密度等等。

(n)对国际空间站，宇航员，高空飞行的飞行器等等的辐射伤害。

(o)在非地球位置处任何的以上的扰动。例如，以上的扰动也会发生在或靠近宇宙飞船(例如，Intriligator，D.S.1977，“Pioneer9 and Pioneer 10 observations of the solar wind associated withthe August 1972 events(与1972年事件有关的、先锋9号和先锋10号的太阳风的观察)”，Journal of Geophysical Research，82，603-617)，彗星(例如，Intriligator，D.S.与Dryer，M.1991，”A Kickfrom the Solar Wind as the Cause of Comet  Halley’s  FebruaryFlare(来自太阳风的反冲作为哈雷彗星的1991年2月的光斑的起因)”，Nature，353，407-409)，或其他行星(例如，Intriligator，D.S.与Smith，E.J.1979，“Mars in the Solar Wind(太阳风中的火星)”，Journal of Geophysical Research，84，8427；Intriligator，D.S.1985，”New Results on the Pioneer Venus Orbiter February10-12 1982 Events：A solar Wind Disturbance Not a Comet(先锋金星轨道器1982年2月10-12日事件的新的结果：太阳风扰动，而不是彗星)”，Geophysical Research  Letters，12，187-190)。

(p)在规定的位置(例如，地理，磁层，环境，星际，行星等等)处任何的以上的扰动，以及在该位置处它的开始，持续时间，猛烈程度，峰值通量，强度，等等。

图1显示本发明的实施例的基本硬件设置。计算机100和贮存装置101包含软件和数据，执行本发明的太空气象预测系统的功能。计算机100也可被连接到一个或多个数据源，诸如(但不限于)：

(a)直接或间接连接到来自测量能量粒子的仪器或宇宙飞船102，诸如GOES，STEREO，WIND或ACE，的数据流，

(b)网络103，诸如互联网，内部网，或其他高速度数据链路(例如，NOAA的太空环境中心，它提供能量粒子测量的经常更新的信息)，

(c)地面观察站104，

(d)历史档案105(例如，为了测试目的)，诸如在国家地球物理数据中心的档案，

(e)键盘106，使能由人类计算机操作者输入数据，

(f)模型产生的数据源107。

在优选实施例中，预报是基于SEP数据的复杂的模式和可任选地，与太空气象事件或与平静的条件(即，非事件)有关的太阳事件数据以及任选地是基于太阳周期的位相。能量粒子数据常常是在不同的能量范围内测量的。典型地，这些能量范围包括：＞1Mev，＞2Mev，＞4Mev，＞10Mev，＞30Mev，和＞60Mev。在每个能量范围内，进行能量粒子通量的测量，即，每秒每个立体弧度每个平方厘米到达的粒子的数目。下面描述的实施例可以运行在任何的或所有的这些能量范围，或替换地，运行在得出的能量范围的任何组合(例如，2-5Mev，1og(4-10Mev)，2-5Mev的傅立叶分量，或其他的测量的，仿真的，或得出的能量范围或扰动)。另外，也可以使用其他能量粒子数据，诸如物质种类(3He，4He，Fe，O，等等)或物质种类比(例如，3He/4He，等等)。

除了SEP数据以外，有许多种类的、可被使用的太阳数据，或者用于它们本身，诸如用于SEP数据的代理，或者补充SEP数据。这些附加的数据种类可包括，但不限于，太阳表面磁场结构的强度、频率、极性、位置和/或方向的改变，日冕空穴结构，X射线或无线电波，日震参量，丝状或拱形结构，等等。另外，可以使用星际的代表(诸如，由过渡时的冲击产生的波或其他现象)。

                       基于模板的实施例

基于模板的实施例具有两个阶段。在第一阶段，创建模板，例如，通过图5所示的处理过程，或图6所示的类似的处理过程。在第二阶段，本发明通过把新的数据与模板进行比较而产生预测，如图7所示。

如图2所示，每个模板200是一系列排序的数值202(例如矢量或数组)。(除非提出，在图上和这里的描述中提供的数据只是说明性的，不反映实际的数据测量值。)数值202可以是在特定的能量范围中的SEP的通量。每个模板200可包括3和300个单元之间。单元的数目可以特别随被使用来产生预测的变量和被使用来产生模板的准则而变化，正如下面讨论的。

在优选实施例中，每个模板可被用有关在模板中的数据被收集时的太阳周期的位相的信息标记。

模板可以根据到太阳事件的时间锁定(例如，光耀斑或X射线突发的时间被取为时间零)或到太空气象扰动的时间锁定(例如，Ap值第一次超过30的时间被取为时间零)被创建。模板产生的过程在这两种情形下几乎是相同的。主要的不同点是被包括在模板中的数据，以及如何进行以后的太空气象预测。如果时间锁定是基于太阳事件，则太阳事件附近(即，之前，期间，和/或之后)的SEP或其他数据被包括在模板中。另一方面，如果时间锁定是基于太空气象扰动，则虽然太空气象扰动附近的数据仍旧可被包括在模板中，但特别是在扰动之前的SEP或其他数据被包括在其中。

图3上显示这些时间锁定方法。在中心块301，显示在太阳周期的特定的位相的时间间隔上假设的粒子数据。显示的数据完全是假设的，只是用于说明性目的。图例302标识图3上使用的两种类型的标记，方形代表太阳事件，例如，耀斑；圆形代表太空气象扰动，例如，突然的开始。在本图上，太空气象扰动310和311是大的风暴，以及太空气象扰动312是小的风暴。上部块303显示被时间锁定到太空气象扰动的两个模板，取在扰动之前的数据用于包括在模板中。在本图上，第一模板301代表通过在310和311之前的数据(即在方块305和306中的数据)而得出的、在大的风暴之前的平均粒子活动性。第二模板307代表在小的风暴之前的平均粒子活动性，在这种情形下，是在扰动312之前的数据。在优选的实施方案中，模板典型地是基于大量的样本，因此将更好地表征特定的类型的太空气象事件的数据代表或特定的太阳周期位相的非事件。

下部块309表示根据时间锁定到太阳事件以及取以后的数据被包括在模板中被创建的三个模板。在这种情形下，三个模板是与特定的太阳周期的位相的“太空气象扰动的时间”有关的，再次为了说明性目的。再次地，在优选的实施方案中，模板是基于大量样本的。

                       创建太阳事件锁定的模板

图5显示处理过程，通过这个过程，可变数目的模板是基于时间锁定到太阳事件被创建的。在步骤500，选择一组准则。这组准则确定在每个模板中将被代表的信息，以及它可以以任何的多种方式被选择。例如，一组准则可以是根据相关的太空风暴的强度把风暴分类成三个类别(例如，温和、中间、或严重)。不同的准则组可以是根据它们的起源点的经度分类太阳事件(例如，东部，中心，西部)。不同的准则组可以是根据风暴持续时间把风暴分类成三个类别(例如，短的、中间、或长的持续时间)。再一个准则组可以是根据风暴的到达速度把风暴分类(例如，快速到达，中等到达和缓慢到达，其中快速到达的风暴在引起该风暴的太阳事件的40小时内到达，中等到达的风暴在41与80小时之间到达，以及缓慢到达的风暴在大于80小时后到达)。准则组可被创建来记录太空气象扰动的任何的特性，包括开始时间，持续时间，强度，位置，和与上述的太空气象扰动有关的许多其他参量。例如，另一个准则组可以被创建来预测不同的尺寸的极光椭圆形或其他地球物理区域(例如，第三辐射带，在国际空间站处的粒子的流量，等等)。另外，多个(或甚至时变的)组的准则和模板可被选择和被并行使用。

准则组确定模板的总数(全部模板)。优选地，分开的模板是对于在用于太阳周期的每个位相的准则组中的每个类别被创建的，即，模板包含与用于太阳周期的特定的位相的类别有关的数据的代表。在一个实施例中，准则组规定，三个模板是对于太阳周期的每个位相被创建的(如图4所示)：模板一(401)代表接近于在太阳的东部经度处发生太阳事件的时间的能量粒子和/或太阳活动性(“东部”事件)，模板二(402)代表接近于在太阳的中心经度处发生太阳事件的时间的能量粒子和/或太阳活动性(“中心”事件)，以及模板三(403)代表接近于在太阳的西部经度处发生太阳事件的时间的能量粒子和/或太阳活动性(“西部”事件)。

另一个替代的准则组对于太阳周期的每个位相需要九个模板：例如，上述的“慢的”，“中等的”，和“快速的”准则，但每个这些准则再被划分成三个基于经度的模板(例如，一个代表快速事件的模板起源于太阳的东部区域，一个代表快速事件的模板起源于太阳的中心区域，等等)。

替换地，模板可包括多个子模板，每个与不同的类型的数据和/或具有与其他的模板中的数据的预定的时间关系的数据有关。例如，一个子模板可以包含在太阳事件之前和/或期间的太阳数据，正如X射线，γ射线，微波，紫外线，等等数据，以及另一个子模板可代表在太阳事件期间和/或之后的能量粒子数据。在一个实施例中，X射线和SEP数据在子模板中被使用来预报到达速度和地磁暴的强度，包括峰值粒子通量。

下面描述的流程图可以容易地适合于处理任何以上类型的模板。

在步骤501，计数器变量N被设置为1，以及TEMPLATES 510(它被使用来存储数值的运行和)被清除为零，COUNTS(它被使用来跟踪在每个TEMPLATE内的样本的数目)也被清除为零。

步骤502从包含这样的历史信息的数据存储器503中检索有关第N个太阳事件的信息(诸如，它的开始时间TSTART，它的太阳的位置EVENTPOSITION(即，它在太阳上发生的地方)和当它发生时太阳周期的位相)。

通过检索在步骤502识别的数据，例如，在接近时间TSTART的时间间隔内的数据，步骤504填充临时数据数组，TEMPDATA(它具有类似于图2所示的TEMPLATES的格式)。在一个实施例中，程序取200小时的SEP数据，后面跟随太阳事件，也就是它从包含这样的历史信息的数据库505中检索在小时TSTART到(TSTART+200)内的数据。替换地，程序取事件之前的100小时和事件后的另外100小时。在一个优选实施例中，200个数据值被取出，以使得(i)头100个样本是在事件后的100小时内从一个SEP能量范围(例如，通量＞10Mev)每小时一个地被取出，以及(ii)下一个100样本是在事件后的100小时内从不同的能量范围(例如，通量＞100Mev)每小时一个地被取出。然而，本发明不限于特定的数目的TEMPLATE单元，既不是通过一小时采样，也不是通过包括任何组数的粒子测量(例如，能量范围，粒子物质种类，等等)，也不是通过包括一组数目或类型的太阳测量，也不是通过选择的时间窗口(数据是从这个窗口被收集的)，等等。

步骤506通过查找包含地面有效的事件数据的数据库而确定在时间TSTART以后最立即的地面有效的事件的时间TDELAY。典型地，由于合理的事件速度的考虑，只有大于20小时的和小于120小时的数据被取为可看见的候选者用于“最快”的事件。取决于在步骤500选择的CRITERIA(准则)组，步骤506可以是任选的(例如，如果CRITERIA不使用TDELAY作为用于事件分类和TEMPLATE的产生的基础)。

步骤508把CRITERIA条件应用到相关的变量(例如，TDELAY，EVENTPOSITION，太阳周期位相，等等)，以及设置变量WHICHONE，表示TEMPDATA应当被加到的模板。

在步骤509，TEMPDATA被按一个小时一个小时的基础加到TEMPLATE[WHICHONE]即，TEMPDATA的小时1被加到TEMPLATE[WHICHONE]的小时1，TEMPDATA的小时2被加到TEMPLATE[WHICHONE]的小时2，等等。在数据被相加后，在步骤S511，COUNT[WHICHONE]被加增量1。在一个优选实施例中，COUNT[WHICHONE]具有附加的维，这样，计数值在每个TEMPLATE中在每个小时内被保持。这个附加的维不改变算法的逻辑，但它确实允许程序处理数据间隙(在这种情形下，没有东西加到TEMPLATE的该特定的单元，以及COUNT[WHICHONE][HOUR]不加增量)。而且，附加的维允许操作者(或者通过眼睛或者通过算法)分配以一个“置信度”度量给TEMPDATA的每个单元，以及随之调节COUNT[WHICHONE][HOUR]。例如，如果在太阳事件后面的头21小时的数据被先前的风暴(或机器错误)明显地污染，则这些数据可被保持在TEMPLATE之外，以及单元COUNT[WHICHONE][0]到COUNT[WHICHONE][20]不被加增量。

在步骤512，N(被使用来对正在检查的太阳事件加索引号的计数器)被加增量。在步骤513，把N与历史的太阳事件的总数进行比较，以及如果还有更多事件要考虑，则控制回到步骤502。如果所有的事件已被考虑，则执行步骤514，其中每个TEMPLATE被除以它的各个COUNT(以便产生平均值)。如上所述，如果有附加的维加到COUNT数组，则每个TEMPLATE的每个单元被除以它的各个COUNT(按逐个进入的原则)。然后处理过程在步骤515结束，在这时TEMPLATES已被创建。

                       创建太空气象锁定的模板

图6显示可变的数目的TEMPLATES根据到太空气象扰动的时间锁定被创建的处理过程。在步骤600，选择一组CRITERIA。再次，这组准则确定在每个模板中代表的信息，以及可以以多个方式中的任何一个被选择，如以上结合图5描述的。

准则组确定模板的总数(TOTALTEMPLATES)。可以创建代表在事件之前或之后的平均活动性的模板，“事件后的”数据对于预测现象(诸如，电离层降低，建成辐射带，等等)可以是有用的。

在步骤601，计数器变量N被设置为1，以及TEMPLATES和COUNTS被清除为0。

步骤602从包含这样的历史信息的数据存储器603中检索有关第N个太空气象扰动的信息(诸如，它的开始时间TSTART，扰动的猛烈程度，EVENTSEVERRITY，扰动的持续时间，EVENTDURATION，和/或在扰动时的太阳周期的位相)。

步骤604通过检索在接近TSTART的时间间隔内感兴趣的历史数据填充临时数据数组，TEMPDATA。例如，这个步骤可包括在太空气象扰动以前的200小时的SEP数据和太阳数据，也就是，例如，它从包含这样的历史信息的数据库605中检索在小时(TSTART-200)到TSTART内的数据。在一个优选实施例中，取200个模板，以使得：(i)头100个样本是从一个SEP能量范围(例如，通量＞10Mev)每小时一个地被取出，以及(ii)下一个100样本是从不同的SEP能量范围(例如，通量＞100Mev)每小时一个地被取出。再次，本发明不限于特定的数目的TEMPLATE单元，既不限于通过一小时采样，也不限于通过包括任何组数的SEP或太阳测量。

步骤608把CRITERIA条件应用到相关的变量(例如，EVENTSEVERITY，或EVENTDURATION)，以及确定TEMPDATA应当被加到的模板。变量WHICHONE因此被设置。

在步骤609，TEMPDATA被加到TEMPLATE[WHICHONE]。这个附加按一个小时一个小时地进行，这样，TEMPDATA的小时1被加到TEMPLATE[WHICHONE]的小时1，TEMPDATA的小时2被加到TEMPLATE[WHICHONE]的小时2，等等。在数据被相加后，在步骤S611，COUNT[WHICHONE]被加增量1。在一个优选实施例中，COUNT[WHICHONE]具有如结合图5描述的、附加的维，这样，计数值在每个TEMPLATE中为每个小时被保持。

在步骤612，N(被使用来对正在检查的太阳气象扰动加索引号的计数器)被加增量。在步骤613，把N与历史的太空气象扰动的总数进行比较，以及如果还有更多扰动要考虑，则控制回到步骤602。如果所有的扰动已被考虑，则执行步骤614，其中每个TEMPLATE被除以它的各个COUNT(以便产生平均值)。如上所述，如果有附加的维加到COUNT数组，则每个TEMPLATE的每个单元被除以它的各个COUNT(按逐个进入的原则)。然后处理过程在步骤615结束，在这时太空气象扰动锁定的TEMPLATES已被创建。

                       使用模板产生预测

一旦TEMPLATES组已被创建，这些TEMPLATES可被使用来产生太空气象预测。把新的数据与用于太阳周期的当前的位相的TEMPLATES相比较，以及最类似的那个TEMPLATE然后被使用来产生预测。例如，如果新的数据最类似于代表严重的风暴的TEMPLATE，则发布严重的风暴可能正在到达的警告。

图7显示产生这样的预测的处理过程。在步骤702，从图1所示的数据源(宇宙飞船102，互联网103，地面观察站104，数据存储器105，人的输入106，或模型107)之一得出SEP或其他活动性的新的测量值。然后，把数值存储在数据数组，NEWDATA 703。每个新的数据值被移位到NEWDATA数组703，即，在NEWDATA中的第一个数值被去除，在NEWDATA中的所有的项目“向前”移位一个位置(因此第二个数值将填充先前由第一个数值占用的位置，等等)，然后，最新的数值被放置在NEWDATA数组中的新的空出的“最后的”位置。替换地，如果TEMPLATES包含子分段(例如，头50个数值是来自于与接着的50个数值不同的能量范围)，则新的数据的贮存以相同的方式发生在每个子分段内。

处理过程在步骤704继续，它计算在NEWDATA与用于当前的太阳周期位相的每个TEMPLATES之间的SIMILARITY度量。SIMILARITY度量705可以按以下的任何方式被计算：

-计算在NEWDATA与每个TEMPLATE之间的欧几里得距离(如图8和9所示)，

-计算在NEWDATA与每个TEMPLATE之间的熟知的Pearson相关系数，

-计算在NEWDATA与每个TEMPLATE之间的协方差相似性(统计领域技术人员已知的统计技术，它不单考虑在每个模板中的平均值，也考虑在模板单元间这些数值的标准偏差或方差)，

-使用任何传统的识别/比较算法(诸如神经网络或其他统计度量)。

一旦得到所有的SIMILARITY度量，处理过程就在步骤706继续，它设置变量MOSTSIMILAR到最类似的入口(取决于被使用来计算SIMI分数的技术的或者最大的或者最小的数值)。

变量MOSTSIMILAR表示哪个TEMPLATE最类似于当前的NEWDATA样本。在步骤707，产生一个预测。这个预测将具有形式：“当前的条件非常类似于由[TEMPLATE[MOSTSIMILAR]]所代表的那些条件”。通过使用上述的“快速”，“中等”和“缓慢”CRITERIA，预测可被更按照习惯用法地表示为：“警告：当前的条件最像快速到达的事件-预计在接着的40小时内地面有效的事件！”一旦产生这个预测，控制就进到步骤702。这个处理过程对于到太空气象扰动和太阳事件的时间锁定保持相同，虽然预测的性质可能是不同的。替换地，(i)只在它不同于上一次产生的预测，才产生一个预测，(ii)预测可以基于某些先前的预测，或(iii)预测可以基于最严重的某些先前的预测。

在预测被产生和经过某些时间后，有可能评估预测的精确度和动态地修正预报系统。这可以以几种方式进行。一方面，当得到适合于模板准则之一的更多的数据时，新的数据被加到TEMPLATE代表(即，由于过时，“新数据”变为“历史数据”，它们被加到历史上得到的模板中)。另外，用于动态系统修正的更复杂的技术是可能的。例如，如果预测被产生，以及在后来看来，发现它是不正确的，则可以检查导致很差的预测的TEMPLATE代表，以及识别对于发布预测最起作用的数据。这些数据然后被修正，或替换，它们可被标记为“有问题的”。通过这样的标记，依赖于这些数据的将来的预测的置信度会被降低。

                       样本相似性-计算子程序

图8显示可被用作为相似性分数的欧几里得距离的计算。再次地，本领域技术人员将会看到许多其他技术可被使用来得到相似性度量值。数字801表示新的样本802将与之比较的TEMPLATE。对于样本(1到N，其中N是样本的长度)中的每个单元，得到差值分数803。这个差值分数仅仅是在每个样本单元与在TEMPLATE中的匹配的(或各个)单元之间的差值。一旦这些差值分数都被计算，就通过把所有的差值进行平方然后把它们相加(以及取这个平方的差值的和值的平方根)，而得到相似性804的度量值。

图9显示另一个实施例，它补偿其中在TEMPLATE的开始时的数据事实上与CRITERIA不相关的情形。为了补偿这种情形，样本(或等价地，TEMPLATES)可沿着时间被“滑动”，找出最好的匹配。在步骤902，变量MostSimilar被设置为非常大的数目(这里显示为99999999)，变量SlideNow被设置为零，以及TotalSlides被设置为((样本长度)-(样本长度))。在步骤903，得到一组差值分数904，以及计算CurrentSimilarity 905。

然后，在步骤906，把CurrentSimilarity的数值与MostSimilar进行比较，如果它是较小的(例如，较接近的欧几里得距离)，则在步骤907，MostSimilar被设置为等于CurrentSimilar。在任一种情形下，都执行步骤908，其中把SlideNow加增量。在步骤909，把SlideNow与TotalSlides进行比较，以及如果还有剩余的滑动项，则控制回到步骤903。一旦所有的滑动都已完成，程序就返回数值MostSimilar 910。在程序完成后，MostSimilar的数值是在所有可能的时间的滑动中样本与模板之间的最小的欧几里得距离。

在另一个实施例中，熟知的协方差距离的统计技术被使用来计算MostSimilar值。在这个技术中，当TEMPLATES被初始地创建时(通过把各个样本进行平均)，它不单是被保存的平均值，也是在每个时间点的方差的测量值。图8和9所示的程序然后使用协方差技术来把新的样本(即，NEW DATA)与每个TEMPLATES进行比较。类似地，可以使用置信度、确定性、或可靠性的其他度量(例如，与先前的预测一致，等等)。例如，置信度水平可以用先前的、结果证明是正确的、类似的观察和预报的事例的百分数来确定。这样，如果90％的时间，先前的预测结果证明是精确的，则置信度是90％(或，等价地，0.9)。然而，不像只返回在新样本与平均值之间的欧几里得距离的欧几里得方法，协方差技术通过离平均值的标准偏差的数目返回这个距离。所以，协方差技术实际上是诸如熟知的t-测试统计那样的标准统计技术的多维的一般化。这个技术产生相似性估值，不单考虑平均数据，也考虑数据的离散性，所以，它往往给出多少更好的估值。

因为使用数值计算来计算在新的数据与存储的代表之间的相似性，有可能得到对于每个预测的置信度度量。例如，协方差方法从样本返回标准偏差数。这可被用作为预测的置信度的度量。具体地，如果当前的数据仅仅是离最相似的模板代表的0.01标准偏差，则系统在预测中，比起数据离最相似的模板代表是12.8标准偏差时，具有更高的置信度。这样置信度度量或者连同警告一起被显示，或者正如经常的情形，如果模板预测是较大的(混合)预测系统的一部分(例如，如果几组模板并行地运行，或如果模板与神经网络并行地运行，正如下面描述的)，则在最后预测中每个模板的加权可以是计算的预测置信度的函数。

                       基于样本混合的模板的系统

图10显示混合模板系统如何运行。这样的系统被设计成使用多个组的TEMPLATES，每个组并行地运行，以增加预报精确性。例如，它可以使用三种类型的太阳事件锁定的TEMPLATES和两种类型的太空气象扰动锁定的TEMPLATES来产生对于风暴开始和风暴性质的太空气象预测(例如，猛烈程度和持续时间)。替换地，在一个实施例中的TEMPLATES包括用于X射线数据的TEMPLATE和用于SEP的TEMPLATE。TEMPLATES也可以与时间上分开的数据相联系，例如，在X射线数据TEMPLATE中的数据在时间上早于在SEP数据TEMPLATE中的数据。

在步骤1000，创建可变数量的TEMPLATE SET 1000。每个TEMPLATESET将一个可变数量的TEMPLATES 1002和可变数量的SIMILARITY度量1004与自己相关联，新的数据被存储到TEMPLATES 1002中1003。当在步骤1005，得到新的数据时，适当的数值被存储在每个NEWDATA_SET中。接着，在步骤1006，对于每个TEMPLATE SET，把每个NEWDATA_SET[i]与相应的TEMPLATE[i]进行比较，以及得到相似性度量。在步骤1007，对于每个TEMPLATE SET检查SIMILARITY度量，以及数组MOSTSIMILAR的位置[TEMPLATE SET]被设置到最相似的TEMPLATE。在步骤1007完成后，数组MOSTSIMILAR将表示，对于每个TEMPLATE SET，在该SET中哪个TEMPLATE最类似于新的数据。在步骤1008，对于每个TEMPLATE SET，根据MOSTSIMILAR数组产生预测。这时，算法具有许多可能的预测，它必须选择FINAL PREDICTION(最后的预测)在步骤1009发布。这个FINAL PREDICTION可以以任何数目的方式被产生。例如，如果所有的TEMPLATE SETS产生到达时间预测(例如，根据太阳事件锁定的数据)，则FINAL PREDICTION可以是每个TEMPLATE SETS预测的平均，或在另一个实施例中，产生“最坏的情形”预测(即，输出最短的到达时间预测)。替换地，如果使用协方差相似性度量，则距离(以标准偏差计的)可被使用来在多个预测之间进行选择。同样地，可以使用置信度、确定性或可靠性的其他度量(例如，与先前的预测一致，等等)。然而，如果某些TEMPLATESETS正在估计到达时间(例如，基于太阳锁定的TEMPLATES)以及其他的正在估计太阳扰动强度，则可以产生两个分开的预测。通常，这个FINAL PREDICTION步骤1009的逻辑是基于TEMPLATE SETS内的特定的TEMPLATES的。

在一个优选实施例中，如上所述地创建多个模板。然而，在这个实施例中，多个模板组是对于特定的开始条件被创建的。例如，一组模板是根据从高的太阳活动性周期(例如，在太阳最大值期间)中取得的历史数据被创建的。另一个分开的模板组是根据从低的太阳活动性周期(例如，在太阳最小值期间)中取得的历史数据被创建的。一旦这些多个组被创建，通过把当前的数据与在适当的模板组中的单元进行比较，就作出当前的预测。通过使用这种气象预测的动态方法(其中所使用的特定的模板是最近的或周期的活动性变化的函数，例如，但不限于，太阳周期的位相)，预报的总的精确度被提高。类似的多个组的模板也对于其他开始的条件被创建(例如，可以创建代表跟随在大的太阳耀斑后面或跟随在大的X射线突发后面的活动性的模板组)。实际上，这个方法是在模板-准则阶段中讨论的CRITERION的扩展。然而，不用被加到所有的数据的CRITERION，这个“STARTINGCONDITION CRITERIA(开始条件准则)”被用作为第一过滤器，它允许对于特定的开始条件创建模板组。

                       专家系统实施例

在这个实施例中，专家系统被使用来对于太阳周期的特定的位相识别SEP和表示特定的类型的太空气象扰动其他数据中复杂的模式。例如，在能量粒子活动性中的“峰值”(即，大概地讲，低-高-低地改变的时变的模式，其特性可能取决于太阳周期的当前的位相)可以表示地磁暴的方法。

参照图11，在步骤1601，变量CURRENT_RISING和PAST_RISING初始地被设置为0。所有的能量粒子和其他数据值由被称为GetCurrentValue的程序返回(在下面描述)。起始地，从该程序返回的数据值被存储在PAST_VALUE(步骤1601)。

在步骤1602，在获得新的数据或测量值之前，处理过程暂停。这些数值可以从图1所示的任何的源得到。数据可包括SEP数据，X射线强度的测量值，磁场分量的测量值，日震测量值，光学数据，等等。

如上所述，SEP数据常常是在不同的能量范围中测量的，例如，＞1Mev，＞2Mev，＞4Mev，＞10Mev，＞30Mev，和＞60Mev。在每个能量范围内测量每秒每个立体弧度每个平方厘米到达的粒子的数目。本算法可以运行在任何的或所有的这些能量范围，或替换地，运行在任何组合或得出的能量范围(例如，2-5Mev，log(4-10Mev)，2-5Mev的傅立叶分量，等等)。

一旦得到新的数据值，CURRENT_VALUE被设置为由GetCurrentValue返回的数值(步骤1603)。CURRENT_VALUE然后与PAST_VALUE进行比较(步骤1604)。如果当前的数值大于PAST_VALUE，则CURRENT_RISING被设置为真实(步骤1605)，否则CURRENT_RISING被设置为虚假(步骤1606)。接着，通过检验是否CURRENT_RISING是虚假和PAST_RISING是真实，而确定出现峰值(步骤1607)。如果正是这种情形，则把CURRENT_VALUE与THRESHOLD值进行比较(步骤1608)。如果CURRENT_VALUE大于THRESHOLD值，则预测风暴将在接着的72小时内的某个时间出现(步骤1611)。THRESHOLD值是根据被分析的数据的类型和可能根据太阳周期的当前的位相被选择的。另外，图11所示的程序的多个版本可以运行在不同的SEP和太阳数据，以及可以根据这些多个程序的结果预测风暴。例如，在一个实施例中，风暴是根据检测到X射线数据大于某个THRESHOLD的上升或X射线数据大于某个THRESHOLD的峰值后面跟随SEP再次大于某个THRESHOLD的上升或峰值，而被预测的。接着，PAST_RISING被设置为CURRENT_RISING(步骤1609)和PAST_VALUE被设置为CURRENT_VALUE(步骤1610)。操作然后回到步骤1602。

图12上显示GetCurrentValue的程序，该程序使用三个变量/数据结构：DataArray，CurrentTime和BlurAmount。DataArray是类似于图13所示的一个数组。数组1801中的每个元素包括索引号1802和数据值1803。被存储在这个数组中的数据值1803可以是，例如：

(1)整个能量范围(例如，0-10,000MeV)的测量值，

(2)来自如1中的这样的测量值的带通区域，或

(3)如2中的这样的测量值的线性和非线性组合，

CurrentTime是被使用来给DataArray的索引号加增量的数值。BlurAmount被使用来表示在返回数值之前应当有多少数据值一起被平均。在图12上，实施平均作为简单的未加权的平均。然而，应当看到，这里可以使用任何加权平均的形式。

程序GetCurrentValue运行如下。在步骤1701，索引号CurrentTime的DataArray的元素被设置为最近的数据值。接着，在步骤1702，变量TheVa1ue被设置为BlurAmount的最近的数据值的和值。然后，变量CurrentTime被加增量(步骤1703)。最后，程序返回，把TheValue除以BlurAmount(即，平均)(步骤1704)。

不同的BlurAmount的GetCurrentValue程序的结果被显示于图14，使用能量粒子数据作为感兴趣的数据。这个图上给出的三个图形的X轴1901都代表小时，以及Y轴代表具有大于1Mev的能量的粒子的能量粒子测量值的对数(数目/(厘米平方)秒立体弧度)。数据值是为了说明性目的从1991年3月开始的时间间隔中取的。

在上部的图中，画出能量粒子的原始的(未处理的，所以是未平均的)数值1903。小圆圈904表示突然开始实际出现的时间(即，有极大的太空风暴的时间)。来自本发明的预测用小的朝下的三角形1905表示。这些预测是使用约为200的门限值而得到的。虽然这些预测中的某些预测相当精确，但显然有许多虚假警报(即，算法太自由，它预测实际上不出现的风暴)。

在图14的中部的图上，数据再次被画出1906，但这次BLUEAMOUNT被设置为3小时。因此，曲线1906上的每个点实际上是在曲线1903上发现的三个接连的小时的平均值。在这个中部的图上，再次表示了预测1907和实际风暴1908。这种情形比起图形1903，出现较少的虚假警报。

最后，在底部的图上，能量粒子数据值用6小时的BLURAMOUNT被画出1909。再次地，表示了预测的风暴1910和实际的风暴1911。与顶部和中间的曲线相比较，显然，使用这个较大的模糊量可减小虚假警报数目。

与本发明相对照，本领域技术人员从图14将会看到，只查看通量超过某个门限值的现有技术可能发布警告：在代表几个不同的风暴的长的时间间隔内风暴正在来临。例如，对于图14上代表的数据，如果门限值是10，只基于门限值的系统连续发布大约500到900小时的警告，即使这个时间间隔包括四个不同的风暴。

按照本发明的专家系统不限于各种形式的峰值检测。同样地，专家系统可以是基于线性或非线性时间序列预报技术。例如，在另一个实施例中，专家系统(1)检查当前的或最近的太空气象条件，(2)计算在最近的时间间隔内SEP计数值的变化(例如，标准偏差)；(3)计算(a)自从上一个风暴以来的小时数目和(b)自从上一个风暴以前的风暴以来的小时数目；以及根据(1)，(2)和(3)的结果确定下一个风暴之前的时间。这个预测是通过把当前的SEP变化和时间之间的风暴与历史上得到的、类似于当前条件的太空气象条件的这些变化的分布进行比较而作出的。例如，可以产生包含在X轴上的时间之间的事件和在Y轴上观察到时间延迟的次数的分布。这种基本分布的几个变例可被创建：一个是基于跟随在不到200小时以前的太阳事件后面的历史数据，另一个是基于跟随在200-400小时以前的太阳事件后面的历史数据。一旦分布被创建，通过检查当前的或最近的太空气象条件，(根据上述(1)的结果)作出对于当前的数据使用哪个分布的选择。一旦作出这个选择，就有可能通过使用标准的(和熟知的)统计技术从这个分布得出最可能的时间-事件。在这个预报中的置信度可以是基于历史上类似的观察和预报，作为被发布的和被验证的预报的百分数。

在本发明的替换的实施例中，使用了组合几个法则的其他的专家系统。例如，分析SEP的时变的概况的法则已被发现用来改进预测；具体地，法则分析在不同的能量通道中通量的上升时间，在3He/4He比值中的改变，以及在不同的能量通道中正电子通量、电子通量、α粒子通量和其他粒子物质类别的上升时间的比较。正如在先前的实施例的情形下，最后的预测可以按多种方式被产生。它可以是每个专家预测的平均或是“最坏的情形”预测，等等。正如在先前的实施例的情形下，最后的预测可以按多种方式被产生(例如，通过“最坏情形”技术，通过子系统预测的加权的和值，通过基于最近的预测的加权，等等)。

另外，正如在基于模板的实施例中，专家系统实施例允许预测的置信度的定量化。例如，在利用有关峰值检测的法则的优选实施例中，预测的置信度水平可以通过几种方法得到，诸如(1)通过把当前的峰值大小与最近的过去的其他的峰值进行比较的功能，(2)通过检查在当前的峰值与最近的太阳活动性之间的相关性的功能，(3)通过量化当前的峰值的傅立叶功率的功能，等等。一旦预测的置信度水平已被量化，它就可作为预测系统的输出的一部分被显示。或，如果正如可能是这种情形，专家系统是较大的(混合)预测系统的一部分(例如，如果几组法则并行地运行，或如果专家系统与基于模板的系统并行地运行，等等)，则专家系统预测在最后的(总的)预测中的加权因子可以是计算的预测置信度的函数。

                   基于神经网络的实施例

图15显示简单的三层神经网络111的例子，包括输入层112，隐藏层114，和输出层116。神经网络输入数据具有矢量的形式(即，每个数据点实际上是排序的系列的数)。这些数据通过设置输入层112中的节点的数值，而被馈送到网络111。然后，活动性通过把输入层112中的每个节点链接到隐藏层114中的每个节点的连接113而流过网络。这些连接中的每个具有与它有关的加权因子，这样，流过任何特定的连接的活动性量实际上是连接的加权因子与输入节点的数值的乘积。在隐藏层中任何节点的活动性量，或者例如是馈送到该节点的加权的连接的和值，或者是通过门限函数(诸如，S形曲线的加权函数)被馈送的加权的连接的和值。信息流以类似的方式通过一组加权的连接115从隐藏层114继续行进到输出层116。

神经网络(像图15所示的神经网络)是一种把一组矢量(输入矢量)映射到另一组矢量(输出矢量)的复杂的方法。然而，为了这种映射是有用的，神经网络必须首先被训练。这种训练包含在神经网络的加权因子和/或门限值中作出小的改变。在训练完成后，神经网络应当执行想要的映射。虽然可以使用许多不同的技术来训练神经网络，但大多数技术依赖于同一个逻辑：(i)得到一组输入-输出对(这是“训练组”)，(ii)每个输入被馈送到神经网络以及最后得出的输出与想要的输出进行比较，和(iii)根据这个比较的结果，作出加权因子和/或门限值的改变，以便减小在得到的输出与想要的输出之间的误差。这个输入-输出训练继续进行，直至错误率被减小到可接受的水平为止。因此，使用神经网络的第一步包括创建被使用来训练网络的输入-输出对。神经网络训练可以是基于后向传播或基于其他训练技术(例如，Hebbian或自组织方法)。实施神经网络是已知的，所以这里不作详细模式。

精确地预报太空气象的神经网络的能力部分地取决于规定用作为训练组中的输入和输出矢量的正确的数据。本发明，不像用于预测或分类太空气象的过去的神经网络，在一个实施例中是通过使用三个或多个SER数据点和太阳周期的位相作为输入参量而被训练的。在一个实施例中，神经网络例如通过使用数据的组合被附加地训练，例如，神经网络可以用来自不同的能带的SEP数据、与太阳数据相组合的SEP数据、和/或时间上分开的SEP和太阳数据被训练。在一个实施例中，例如，神经网络是用X射线数据加上SEP数据被训练的。优选地，神经网络也用与太空气象事件没有联系的数据被训练，导致平静条件的较好的预测。

在每种情形下，训练组是以类似于以上结合模板实施例描述的方式得到的；对于感兴趣的每个太阳事件或太空气象事件，相关的数据根据太阳事件的时间或太空气象事件的时间从历史数据库中被得出。训练的输入矢量所以是从历史数据库中得到的数据，以及输出矢量被选择成唯一代表与数据有关的事件或平静的条件。

在神经网络被训练后，在训练时被使用的形式的当前的数据被输入到神经网络，它进而又输出标识太空气象预报的矢量。

输出矢量在大多数情形下，是与被使用来编码训练数据的理想化的输出矢量稍微不同的。例如，如果当前的数据是来自于严重的西部事件(在训练期间可被编码为<1，0，0>的事件)，则输出矢量可以是<0.95，0.002，0.1>。预测置信度的测量值可以通过查看在当前的矢量与理想化的(训练编码的)输出矢量之间的欧几里得距离而得到。预测置信度的这样的测量值然后可以或者是连同预测被输出，或者被使用来加权在较大的(混合)太空气象预报系统中的这个预测。

在一个神经网络实施例中，大于1Mev的合并的正电子通量的十个数值，每个间隔开五小时，被用作为加到神经网络的输入。七个隐藏的节点被使用以及网络被训练来预测是否出现地磁暴，产生是或否作为它的输出。在用事件和非事件训练神经网络后，神经网络精确地产生训练数据的预测。当历史数据的新的关键的时间间隔被输入到神经网络时，它产生94％时间的历史上正确的预测。正如先前讨论的，在新的预测中的置信度水平可以由其中作出类似的观察和预报以及被验证的情形的百分数被确定。

在另一个神经网络实施例中，可以对于西部、中心、和东部发源的太阳事件创建分开的神经网络。如果任何的神经网络预测到风暴，则预报一个风暴。当历史数据的新的关键的时间间隔被输入到这样的神经网络系统时，系统比起先前的实施例产生甚至更好地预测。

当西部、中心和东部模板被构建到单个神经网络的神经网络系数中时，也可以得到对于风暴出现的是/否预报的类似的结果。

在用于某些类型的预测(例如，风暴的时间，风暴的猛烈程度)的其他神经网络实施例中，已发现在数据的子集上(例如，如上所述，在西部、中心和东部事件上)训练分开的神经网络，与用所有类型的数据训练单个神经网络相反，可增加预测的精确度。在其他类型的数据上(例如，X射线，波)训练的网络也可增加这些类型的预测的精确度。另外，已发现通过创建和使用多个神经网络，每个神经网络在从满足某个准则的历史时间间隔中得出的数据上进行训练，预报精确度可被改进。例如，一个神经网络可以在来自其中太阳活动性是特别高(例如，在太阳最大值期间)的时间间隔的数据上被训练，另一个可以在来自相对较平静的时间间隔的数据上被训练。或，一个神经网络可以在从其中Bz(IMP的向南的分量)在长的时间间隔内是负的时间间隔取得的数据上被训练。或，一个神经网络可以在从具有高的日冕空洞数目的时间间隔取得的数据上被训练。一旦这些网络被训练，通过输入实时数据到与当前的条件最好地匹配的神经网络而作出预测。太空气象预测系统的这个定做的和动态方面增加总的精确度，以及使得系统在处理太空气象的周期的和季节的变化方面变得更好。

在产生预测和经过一定的时间后，有可能估计预测的精确度和动态修正预报系统。这可以以几种方式发生。一种方式，当得到适合于被使用来产生输入矢量的准则的更多的数据时，神经网络可以使用这个新的输入矢量和适当的输出矢量重新被训练(即，随着时间，“新数据”成为“历史数据”，神经网络通过使用先前的历史数据以及“新的历史”数据被重新训练)。

                       混合太空气象预报系统

正如以上结合模板实施例讨论的，混合太空气象预报系统比起简单的(单个)预报系统更好地完成预报工作。一个这样的系统包含几个模板组(每个模板组专门用于特定的太空气象开始条件，诸如，但不限于，太阳周期的位相)每个模板组用来预测太空气象事件的到达时间。系统还包含几个神经网络和几个专家系统，也预测太空气象事件的到达时间。所有这些子系统将并行地作用在进入的数据上。每个子系统不单产生预测(例如“在接着的20小时内将有事件”，等等)，也产生表示预测的置信度的度量值(例如，“有82％的机会，在接着的20小时内将有事件”，等等)。总的太空气象预报系统然后可以根据以下的项目产生预测，例如：

(1)用每个系统置信度加权的子系统预测的平均，

(2)根据取以超过某个设置的门限值的置信度水平(例如，超过80％的置信度)出现的最严重的预测，作出的“最坏情形的”预测，

(3)不单考虑当前的预测和它们的置信度额定值，也考虑最近时间间隔(例如，过去4小时)的预测和置信度额定值，作出的预测，

(4)产生不同的预报的子系统(例如，几个子系统可预报猛烈程度和其他开始时间)的输出，使得自动处理器和/或操作者人员能够发布最后的预测。

随更多的数据成为可供使用的，混合系统更新它的预测。注意，正如在(3)中提到的，当前的预测也可以是先前的预测的函数。因此，在每个时刻，所产生的预测不仅仅是作用在简单的数据上的处理的结果，而是总的预测可以是新的(“原始的”或“处理的”)数据以及先前的处理的数据的函数。按照本发明的太空气象预测系统的这个非线性(反馈)方面允许当前的预测要被先前的数据告知，因此，使得系统能够更完全地处理数据中存在的信息以及识别数据中高度复杂的模式。

在一个优选实施例中，当以高的置信度作出预测时，预测可以允许预报系统外推或预测将来的SEP或其他数据。在这样的情形下，预报系统有可能取原始数据或原始数据减去外推的或预测的数据作为输入(和处理)。通过查看原始数据减去预测的将来的数据，系统能够更好地识别可能隐藏在当前的事件中的、表示太空气象事件的模式。例如，如果特定的类型的大的太空风暴(以高的置信度)被预测，则接着几天内的SEP数据和其他数据可被这个风暴污染。在这种情形下，在接着几天内，预测的数据可从当前的数据中被减去，以及通过检查剩余的数据，太空气象预报系统可识别否则可能被忽略的附加的太空气象事件。

这里描述的混合系统是本发明人称作的“多模态智能系统”的例子。多模态智能系统包括，但不限于，组合两种类型的子系统的系统，每个子系统实行数据处理。这样的处理可包括神经网络，模糊逻辑，专家系统，模式识别系统，数字信号处理的标准数学方法，经典的统计学，等等。例如，分别善于检测东部、中心、和西部事件的三个神经网络在作出最后预测之前可提供神经网络鉴别或模式识别步骤。最后的预测可以是基于并行地(即，使用与神经网络相同的输入作为数据)或串行地(即，在数据被神经系统处理后)进行的附加的子系统处理(例如，通过模板或专家系统)。“多模态智能系统”因此是一种人工智能方法，诸如神经网络，专家系统，等等，其中有多个(并行地或串行地)分析数据的子系统。

                       级联的混合系统

最一般地说，级联混合系统是多个预测/识别方法(PIM)的集合，其中PIM的输出被用作为加到同一个或其他的PIM的输入。PIM是先前描述的单一预测系统(例如，基于模板的系统、神经网络系统、或严格的或模糊的专家系统)，混合系统(例如，包含几个模板、神经网络和/或专家系统的系统)或组合两种或多种类型的子系统(每个实行数据处理)的某些其他多模态智能系统中的一个系统。一旦级联的混合系统正在运行，它将不断地产生预测，预报和识别。这些输出将被反馈到级联系统，因此，根据潜在地并行地运行的PIM的反馈结果作出新的预测，预报和识别。例如，在时间1，PIM可以识别太阳耀斑；接着(在时间2)，第二个PIN可测定太阳耀斑的尺寸；在时间3，第三PIM可测定这个尺寸的耀斑的影响；在时间4，第四PIM可识别起源于太阳耀斑附近的CME，等等。

图16显示通用的预测/识别模块(PIM)。在本发明的优选实施例中，每个PIM包含以下属性：

(a)“开始条件”表2603，描述PIM打算起作用的情形。开始条件的例子包括：太阳最大值，太阳最小值，在极大的太阳黑子活动性时间间隔期间，当太阳风速度大于X时，当CME发生或预测要发生时，等等。开始条件在性质上可以是二进制的(例如，“当电子通量＞20粒子/cm²sec时”，“当发生太阳耀斑时”)或“模糊的”(例如，“当Dst小于约-12时”，或“当有正电子事件开始的假设时”，或“当辐射电平达到危险的水平时”等等)。

(b)单一的或混合的识别或预测系统/技术2605，作出识别或产生预测。系统/技术可以是以上描述的基于模板的、基于专家系统的、基于神经网络的或混合系统，或更一般地，可以是用于在与太空气象预测有关的或与例如对于生物、物理、化学、电的、材料有涉及预测太空气象影响的域中产生识别、预测、预报或评价的任何系统、技术、或公式或其他目标/系统(例如，地球物理，电气工程、计算机科学、材料科学、生物学、化学、晶体图形学、等等)。适当的系统/技术的例子包括，但不限于：

(1)从光学数据识别或预测太阳耀斑的开始的专家系统；

(2)识别或预测新的辐射带的形成的专家系统；

(3)识别或预测CME的开始的神经网络；

(4)预测对于各种能量范围和物质种类的SEP强度的时间概况的模板系统；

(5)预测对于各种能量范围和物质种类的SEP强度的时间概况的混合系统；

(6)根据SEP时间概况识别事件的太阳起源点的位置的模板系统；

(7)取太阳数据(例如，X射线，光学，γ射线，微波，等等)和SEP数据(例如，电子，离子，物质种类，等等)作为输入，以及识别太阳事件(例如CME、光斑等)的太阳起源点(例如时间、位置等)的混合系统；

(8)使用SEP概况作为输入和预测Dst的神经网络；

(9)识别在带有噪声的数据的时间间隔期间的X射线突发的模板系统；

(10)使用神经网络和模式识别子系统识别在带有噪声的数据的时间间隔期间的X射线突发的混合系统(即，多模态智能系统)；

(11)使用在多个能量下(例如，＜1MeV/nuc，＞1MeV/nuc，＞10MeV/nuc，＞100MeV/nuc，等等)或各种能带/范围下(例如，0.5-1MeV/nuc，1-2MeV/nuc，等等)的SEP通量或计数值的时间概况的，预测冲击波到达宇宙飞船的位置处或在地球处的到达时间的模板系统；

(12)取SEP数据的时间概况(例如，在各种能量下或在能带中，等等)作为输入和使用模式识别和其他多模态系统来预测冲击波到达特定的位置(例如，星际宇宙飞船，地球，等等)的到达时间的混合系统；

(13)使用其子系统的结果来产生粒子加速度和/或冲击波到达特定的空间位置的到达时间的预测的混合系统(围绕一个或多个专家系统构建的，每个专家系统是基于输送方程的一个版本，例如，在Lee和Ryan中，1986)；

(14)从冲击波到达时间估计冲击压缩比的专家系统；

(15)预测冲击波上游的条件的专家系统；

(16)预测冲击波后太阳风速度和/或密度的专家系统；

(17)使用SEP数据作为输入和然后预测在冲击波后太阳风和IMF中紊流和波动的水平的专家系统；

(18)取SEP数据作为输入和预测Kp的模板系统；

(19)使用SEP时间概况预测突然的开始(SSC)的模板系统；

(20)使用SEP值作为输入数据和预测CME到达时间的专家系统；

(21)估计在冲击波到达与CME到达之间的最小值的专家系统；

(22)预测当Bz是向南(＜0)时可见的极光椭圆形的赤道边缘的专家系统；

(23)预测南北极的冰帽的电位的专家系统；

(24)预测可见的极光的赤道边界的尾部方向移位的专家系统；

(25)预测电离层扰动的混合(多模态)系统；

(26)预测国际空间站处的辐射伤害(和/或辐射水平)的专家系统；

(27)预测宇宙飞船异常的混合系统；

(28)预测宇宙飞船进料的专家系统；

(29)预测在各个频率上的通信中断的混合系统；

(30)预测可能的通信和/或导航系统的扰动(和/或扰动量)的专家系统；

(31)预测在高空飞行的极区飞行时对飞机的飞行员和乘客的危险的辐射水平的专家系统；

(32)预测在电力站处功率涌动以及危险的地感应电流的纬度和地理区域的专家系统；

(33)预测由于电离层扰动引起的可能的GPS不精确性的时间和位置的混合系统；

(34)预测空中交通控制器应当需要飞机飞行员依赖于眼睛而不是GPS的时间的专家系统；

(35)预测可见的极光的时间(降低到低的纬度)的专家系统；

(36)使用方程和法则的组合，取多个K值作为输入和返回Kp的当前的(或将来的)数值的估值的专家系统；

(37)取有关宇宙飞船和飞机的飞行的信息(例如，计划的路线、出发时间、当前的时间、等等)作为输入和返回当前的财产的位置的专家系统；

(38)产生感兴趣的变量的“准数值”(例如，较高的时间分辨率Dst数据，在数据间隙的时间间隔期间电子通量值，等等)的专家系统。

(c)输入数据2607的类型(和形式)。数据的具体类型和形式取决于PIM开始条件和系统的类型/结构。例如，在一个优选实施例中，输入数据是在至少三个小时内每个小时(即，至少使用三个数值)从一个特定的能带(例如，10-100MeV)中取的数据的平均的测量值。这些数据然后可被用作为加到PIM神经网络、专家、模板、或混合系统的输入。在另一个优选实施例中，输入数据是来自一个特定的能带(例如，0.2-1.0MeV/nuc，5.0-10.0MeV/nuc)的几个离子物质种类(例如，正离子，3He，4He，C.O，Fe，等等)的SEP数据的平均的测量值。

(d)输出2609的类型(和形式)。输出可以是一个标识(例如，“根据输入数据，这个PIM技术识别辐射电平的上升”，或“根据输入数据，这个PIM技术认出电子突发”，或“根据输入数据，这个PIM技术识别CME的开始”)。替换地，输出可以是太空气象事件的预报(例如，“根据输入数据和PIM技术，在高的纬度多半出现地感应电流(GIC)”，或“根据输入数据和PIM技术，预测在ACE宇宙飞船处出现严重的冲击波和预测在国际空间站有非常高能量的正电子通量”)。或输出可以是在预报太空气象时感兴趣的变量或参量(例如，太阳风速度)的数值的预测。替换地，输出的类型和形式不限于二进制判决(例如，预测可以伴随有概率，或可以返回标识作为模拟数字值)。PIM输出的类型和形式也不限于单个数值或判决(例如，预报可以是多个部分，诸如“根据数据，多半出现冲击波：冲击波是严重的，以及在接着的25-32小时内将到达位置X”)。另外，正如下面看到的，一旦级联混合系统正在起作用，任何的预测、识别、预报等等可通过系统中其他PIM的行动被修正和改进。

(e)一组PIM的精确度、加权、合成的行动、和/或依赖性2611的数字的或其他的度量/数目。“精确度”数值提供PIM的输出的平均精确度的度量(例如，通过下面描述的数字方法评估的)。“加权”值表示：每个PIM有多少贡献到级联混合实施例中的组合输出中，其中多个PIM有助于产生总的识别、预报或预测。

“合成的”行动是根据PIM的输出可被执行的行动。这些行动可取几个形式。一种类型的合成行动关系到修正整个的级联系统或修正级联系统的一部分(例如，某些PIM组，某些加权因子，等等)。这些类型的行动的例子包括：某些PIM的加权的修正，激活/去激活某些PIM子组，以及发起验证序列(例如，数据的整体性，系统的整体性，PIM性能，等等)。

另一种类型的合成的行动包括通知(例如，卫星操作者，宇航员，等等)即将来临的太空气象事件。下面描述的FONE结构是一种优选的处理通知的方式。如果特定的输出条件满足，则也有可能由级联混合系统本身处理通知，通过例如发送电子邮件，进行电话呼叫，或发出警报或通知链。例如，如果预测在特定贵重器材的位置(诸如，星际宇宙飞船)处出现大的冲击波，则贵重器材的主人可以被告知这种潜在的情形。同样地，如果PIM预测技术或算法预测可能的传输中断，则通信中心可被提醒，它应当采用实时监视传输整体性。

通常，这些附加的数字的或其他的度量被使用来提高总的系统的精度或修正多个PIM一起工作的方式，或影响级联混合系统的反馈(到其他PIM)或馈送(警告，等等)。

按照本发明的级联混合系统不取决于特定的开始条件，系统/技术，输入数据的类型和形式，输出数据的类型和形式，输入数据的类型和形式，或精确度或在PIM中使用的加权技术。

通过加权，判断，和/或删除PIM组(或PIM集合)，太空气象系统的精度，精确度，和可用性可被改进。例如，一个或多个PIM性能的组可以根据历史的、模型产生的、或其他类型的归档的或实时的数据被评估。例如，一组一个或多个PIM的性能可以根据把PIM的输出与历史的、模型产生的、或其他类型的归档的或实时的数据的比较而被评估。这个评估可以通过人工手段(例如，通过视觉监视预测的性能，然后指派加权因子，置信度，或其他分数)或通过自动装置被执行，如图17所示。

图17显示用于评估PIM性能的一个计算的方法。初始地，选择一组一个或多个PIM(步骤2701)。这些PIM可以以多种方式被选择。在本发明的一个实施例中，PIM被选择，因为它们都试图预测，预报或识别相同的(或类似的)输出数据。例如，一组PIM可以都试图识别CME的开始，和都试图预测冲击波到达时间，或都进行太阳风密度的估值。应当指出，虽然这些PIM可以具有相同的想要的输出，但它们可能具有例如不同的输入数据和不同的预测/识别技术。替换地，在该组中的PIM可以根据它们包含的特定的识别/预测系统或技术2605被选择。例如，一组PIM可以都使用一个特定的专家系统。再次地，应当强调，这些多个PIM在许多其他的方式中是不同的(例如，每个这些PIM可以使用不同的类型或形式的输入数据)。这组PIM可被选择来例如估计计算技术或算法的性能(例如，估计和/或量化它在能带、时间、开始条件等等方面的鲁棒性)。

在这组PIM被识别后，根据历史的、理论的、或模型产生的数据2703，在步骤2702开始评估它们的性能。通过类似于在先前的实施例中讨论的那种装置，进行这个评估。在步骤2702，选择PIM组中的一个PIM用于评估。在步骤2704，检索对于选择的PIM的开始条件。在步骤2705，从历史的、理论的、或模型产生的数据库2703中提取满足PIM开始条件的时间间隔中的数据，以及把它放置在相关的数据库2706中。在所有的相关的数据被识别以后，在步骤2709，它们被馈送到用于PIM的识别/预测系统或技术(2605)，以及PIM的识别/预测系统或技术的结果被存储在结果库2711中。在步骤2713，把结果与“真实的”(历史的、理论的、或模型产生的)结果数据进行比较。在步骤2717，这个比较产生一组错误率，它们可以以许多方式被组合、平均、或分析，包括但不限于，统计平均，分析分散性的统计装置，和分析性能的其他方法，等等。通过用所有可提供的数据和对于所有感兴趣的PIM执行这个算法，在步骤2719，对于每个PIM得出精确度的平均的或其他的度量。另外，也可以对于每个PIM得出置信度水平。与对于“错误”的“平均”度量相反，置信度水平反映由PIM得到的“错误”的范围(即，它们给出预测可能离多远的估值，例如，“正负两小时”)。这样的置信度水平可以通过计算“错误”的标准偏差或通过使用群体离散的其他的统计度量而得到。再者，通过使用与上述的几乎相同的逻辑，可以得到其他感兴趣的度量，诸如，但不限于：“运行范围”，反映PIM给出可接受的结果的范围数值，“峰值灵敏度”，反映PIM产生接近最佳的结果的数字的或其他的度量。这些数值然后可被插入到与每个PIM 2611有关的这组数字值。替换地，与每个感兴趣的PIM有关的精确度和其他数值在被插入到与每个PIM2611有关的数值中之前，首先被归一化(例如通过使用熟知的z记分的技术)。

替换地，如果产生特别差的结果的PIM被识别，则它们可以从PIM组中被“删除”(即，被消除)。另外，对于一个PIM的“运行范围”(它们可以通过图17所示的技术被计算)可被加到与该PIM有关的“开始条件”。

所述的加权、判断、或删除PIM和PIM组的技术应当继续进行，直至系统(即，所有的PIM和PIM组)被彻底检查为止。在一个优选实施例中，在以下的事项以后，系统才被认为“彻底检查的”：

-所有的PIM根据所有可提供的历史数据被评估，加权，等等，

-所有的PIM根据任何的可提供的理论或模型化数据被评估，加权，等等，

-全部组的一个或多个PIM根据所有可提供的历史数据被评估，加权，等等，

-全部组的一个或多个PIM根据任何的可提供的理论或模型化数据被评估，加权，等等，

另外，随着更多的数据成为可供使用的(例如，随时间，或通过新的和/或更好地模型或理论的发展)，PIM的加权，判断，或删除应当规则地(和优选地自动地)被实行。

上述的评估/删除方法也可被使用来识别(和/或创建)新的识别或预测的系统/方法。例如，假设的PIM可以围绕专家系统被创建，该专家系统取太阳风的当前的速度作为输入，以及尝试识别在过去的48小时内是否出现CME。这个专家系统可以只使用一个简单的法则，如：

如果(太阳风速度)＞800km/sec，则为“是，出现CME”。

这个例子完全是假设的，因此，围绕这个法则构建的PIM具有非常低的精确度。然而，假设，这个法则是根据深的物理知识被创建的。即使是这种情形，非常不可能的是真实的关键的数值精确地是800km/sec。认识到这一点，可以创建一个级联混合系统，它具有多个PIM，每个PIM具有不同的“关键的数值”。例如，可以产生800个PIM，第一个具有400的关键值，下一个具有401的关键值，再下一个具有402，等等。然后，这800个PIM可被选择为感兴趣的PIM 2701，以及图17所示的技术可被使用来识别最好地执行的PIM，所以，是实验中最好的关键值。通过这同一个逻辑，“实验中最好的”神经网络可以通过创建成百个PIM，每个围绕稍微不同的神经网络被构建(或许，每个具有不同的数目的隐藏层和/或稍微不同的学习法则，等等)，而被识别。类似的技术(创建多个变量，评估它们，和选择最好的)可被使用来在不同的模板组之间选择不同的“加权函数”组，等等。另外，不需要对历史数据进行“评估”，而是可以使用理论的、仿真的、或模型化的数据。最后，也可以使用其他熟知的、用于识别最佳的PIM(或最佳的PIM组)的统计或数字技术。这样的技术的例子包括：数值的简单的外推，牛顿-拉弗森(Newton-Raphson)迭代方法，基于网格的迭代技术，或其他这样的算法。

一旦创建可接受的PIM组，它就可被使用于级联混合系统，如图18所示。级联混合系统包含一组PIM 2801，它“作用在”可提供的数据2803，产生标识，预测，以及可能地，相关的行动2813。PIM组可包括一个或多个的单个系统2805(例如，模板、专家、或神经网络)以及一个或多个混合系统2807。可提供的数据2803可包括初级数据2809和/或次级数据2811。初级数据是诸如以上结合其他实施例描述的那样的变量的直接的、间接的、或得到的测量值(例如，粒子测量值，光学测量值，X射线测量值，比值，等等)。次级数据是以其他方法出现的数据，诸如，但不限于：

-来自于预测或假设。

-来自于对于科学家，数学家，等等已知的条件、变量、等等(例如，太阳最大值、观察的但未量化的“高的活动性”、等等)。

-来自于一个或多个产生标识、预测等等的PIM。

以上的最后一个类型的次级数据显示级联混合系统的级联性质。通常，任何的PIM 2813或PIM组的结果可成为“当前的条件”的新的单元。在PIM产生结果2813后，这种类型的结果将确定级联系统将如何运转，如在方块2815显示的。例如，如果PIM产生一个行动，则该行动将被执行。行动可以是，例如，更新显示(虽然也有可能，或许优选地，通过使用下面描述的FONE结构处理这样的行动)。替换地，行动可以是通过电子或其他装置通知用户或系统(再次地，这也可以通过使用下面描述的FONE系统来完成)。再替换地，行动可以是以某种方式修正级联混合系统或PIM(例如，通过改变PIM的相对加权因子，通过修正当前的条件，通过激活/去激活特定的PIM，等等)。另外，在行动取决于多个PIM的情形下(即，几个PIM规定相同的或类似的行动)，在最后的行动2822被执行之前，判决法则2820(例如，最坏的情景胜出，平均行动应当发生，等等)将分解多个行动。

如果PIM产生预测，则当前的或相关的预测必须被更新。作为对于“最后的行动”的事例，在其中最后的预测取决于多个PIM的输出的情形下，判决法则2817在最后的预测2819被更新之前将处理多个预测。在一个实施例中，预测的形式是数字值，表示事件的强度或预测的开始时间。替换地，预测可以伴随有预测的置信度的度量(这样的度量可以通过返回相关的预测的标准偏差而得到)。处理行动和预测的其他的方法在下面描述。

最后，如果PIM产生一个可变更或增加当前的条件的结果(例如，识别或预测)，则条件必须随之被更新。

应当强调，按照本发明的系统可包括成打的或甚至成千的PIM。然而，级联混合系统优选地具有PIM的一个“核心”组，它们已对于大量数据(历史的、理论模型的、仿真的、实时的、等等)被广泛地和严格地测试。这些PIM的预测的验证和证实是这个系统的重要的方面。这些“核心的”PIM应当被找出(通过实验的或理论的方法)，以便在它们给定的区域中非常好地起作用，以及应当挽救所有的删除。它们的结果可以很好地被给予更多的加权，以及更可能是与更高的置信度水平有关的，等等。

除了“核心的”PIM以外，在许多情形下，将有某些PIM是与实际的感兴趣的太空气象预报更有关的或是以它为中心的。通常，这些PIM是不能对于所有的情形都事先确定的。例如，有一个时期，级联混合系统的用户可能对使用当前的和/或最近的Dst数值感兴趣，用来预测将来的Dst数值。在这种情形下，专用于Dst上的PIM(或许涉及到与Dst有关的变量的那些PIM)可被看作为“相关的”或“中心的”PIM。另一个用户(或同一个用户)同时可能尝试使用老的(或甚至历史的)Dst数值，通过由其他的多模态智能系统(例如，通过使用无秩序的或分形技术对数据建模的系统，等等)利用PIM，来预测将来的Dst数值(例如，提前两星期)。同时，再一个用户(或同样的用户之一)也可能正在使用同一个类型的多模态智能系统(例如，通过使用无秩序的或分形技术对数据建模的系统，等等)用历史的SEP数值来预测将来的SEP数值/事件(例如，提前两星期)。同时，又一个用户(或相同的用户之一)在同时(或在不同的时间)可能尝试预测在特定的场合极光(“北极光”)是可见的地方。在这种环境下，相关的PIM可包括，例如专用于预测粒子数据上的某些PIM，专用于处理地磁场的其他PIM，和针对本地聚合预报(取自实时公共域感兴趣的气象台址)的另外的PIM。然而，再一个用户(或相同的用户之一)在同时(或在不同的时间)可能对预测在太阳最小值期间冲击波在例如行星(例如，水星，火星，或木星)或在该行星附近的宇宙飞船，或以太阳为中心的宇宙飞船(例如，STEREO)，或在日光层外“星际的”探针在它的行程上的位置处的影响。在这种情形下，相关的PIM可包括例如某些PIM，其识别CME或其他冲击波有关的太阳数据的开始(对于太阳最小值的特定条件定做的和/或被训练的)，针对粒子加速度建模的那些PIM，以及计算感兴趣的评估的当前的位置的那些PIM(例如，基于特遣飞行计划，等等)。在同时(即，在太阳最小值期间)，同一个(或不同的)用户可以通过使用与太阳风中的日冕空洞，高速度流有关的PIM，以及顺旋转相互作用的区域，运行与“杀手”电子事件的预测有关的多个常规的PIM。

现在提供级联混合系统如何工作的例子。在本例中，最初的开始条件是太阳最大值。因为只有一个开始条件，可能有许多PIM积极地分析它们各自的数据流。在某个点，一个(或几个)这些PIM识别CME的发起。这个新的信息然后级联回系统(作为“次级数据”2811)以及现在开始条件包括两个信息：太阳最大值和CME的发起。现在，某些PIM可能停止分析它们的数据(例如，如果它们的开始条件在CME期间阻碍它们起作用)，而其他的PIM可能开始分析数据(例如，具有需要CME发起的开始条件的那些PIM)。

例如，在一个实施例中，有一个PIM具有开始条件(在太阳最大值期间和CME发起的5小时内}。如果这些开始条件被满足，则PIM使用模板系统分析SEP数据，以及查看特定的“关键特性”，表示正电子事件的发起(例如，数据值的特定的时间过程，数据值的特定的比值，等等)。如果PIM找到这个关键特性，则它采取一个行动(诸如，“通知操作者：某个更大的事件正在发生”)，以及也可以加上新的开始条件“正电子事件在进行中”。在这点，将有三个开始条件，某些PIM再次放弃，其他的PIM将进入。同时，取太阳电子数据作为输入的PIM识别：正在发生电子加速。在同时，另一个PIM(分析低的能量离子物质种类数据，例如3He)识别强度增强，也预测太阳电子加速将要发生。因为这二个PIM产生同一个结论(即，太阳电子加速将发生)，这个预测被分配以更大的权重。

以这样的级联的方式起作用的混合系统由于多个因素，比起非级联的系统更精确。首先，因为级联混合系统是反馈系统，其中多个PIM有助于产生新的识别/预测，把它们馈送到开始条件，在级联系统中所有的PIM具有丰富得多的输入(例如，它们除了初级数据以外接入次级数据)以及具有可以对其他PIM有广泛到达的影响的输出(例如，虽然一个PIM可能正在以低的置信度水平产生一个标识，但最后得到的条件的改变允许其他PIM确认这个“假设”)。其次，因为PIM可以接入原始数据和处理的(“次级”)数据，它们常常证明即使在数据是嘈杂时(例如，当另一个事件正在进行时，当数据丢失时，当数据很慢到达时，等等)的时间间隔期间在分析数据和预测/识别事件方面也是有效的。另外，对于上述的单一的和混合的系统的事例，级联混合系统的结果(预报，识别，等等)常常比起由已知的太空气象预测技术给出的结果更好，提供例如更长的超前时间，更好的精确度，“全部清晰的”信号，置信度度量，事件大小的数字索引，等等。

级联混合系统的另一个优点是，它可包括围绕方程，模型，包含常常很难(或甚至不可能)估计或估值的变量的技术构建的PIM。变量估值的问题，当希望提前于事件(例如，提前42小时或更多)得到很好的预测或预报时，甚至是更挑战性。例如，考虑下面已知的方程：

   Dst(nT)＝2×10^-2V2Sqrt(n2)-20-42(10^3V2Bs-0.5)其中V2是冲击波后的太阳风速度，n2是冲击波后的太阳风密度，Bs＝0，如果Bz＞0；否则，Bs＝Bz，(来自Burton，R.K.，R.L.McPherron，C.T.Russell，1975，“An empirical relationship betweeninterplanetary conditions and Dst(星际条件和Dst之间经验的相互关系)”，Journal of Geophysical Research，80，4204-4214)。

        Kp＝2.09(+/-0.20)-0.91(+/-0.19)V2Bz，(来自Hardy，D.A.，w.J.Burke，M.S.Gussenhoven，M.Heinemann，and E.Holman，1981，“DMSP/F2 electron observations ofequatorward auroral boundries and their relationship to thesolar wind veosity and the north-south component of theinterplanetary magnetic field(赤道日冕边界的DMSP/F2电子观察以及它们和太阳风速度与星际磁场的南北分量的相互关系)”，Journal of Geophysical Research，86，9961-9974)。

Kp＝9[1-exp(-(sigmaB+0.35)/7.70)]其中sigmaB＝Sqrt(Bz^2+0.5C^2 Bo^2)(来自Ballif，J.R.，D.E.Jomnes，and P.J.Coleman，Jr.，1969，“Further evidence on the correlation between transversefluctuations in the interplanetary magnetic field and Kp(星际磁场的横向起伏和Kp之间相关性的进一步证据)”，Journal ofGeophysical Research，74，2239-2301)。

PIM可围绕任何的这些公式被构建。然而，在每种情形下，在方程中有一个重要的参量(例如，Bz，V2，n2，等等)，常常难以(或不可能)估计。因此，围绕这些公式之一构建的任何的简单的、独立的模型或系统将具有临界数值。然而，一旦把一个(或所有的)这些公式放置到PIM中以及被包括在更大的级联混合系统中，它们的数值就很大地增加，因为系统作为整体地产生的最佳协同作用。具体地，许多“核心的”PIM(按照本发明，围绕模板、专家、神经网络和混合系统构建的)能够对于未知的参量提供可靠的数值(常常比起可提供的有更长的超前时间)。

而且，通过使用PIM预报这样的重要参量，在某些情形下，可以得到改进的经验公式(即，许多经验的PIM)。这些新的公式又可以是更鲁棒的，因为它们具有发声器理论的/经验的基础。例如，如上所述，通过使用取SEP数值作为输入的神经网络，Dst可被精确地预报。因此，这样的神经网络可包括PIM，它从可能是围绕上述的Burton等人的(1975)公式被构建的PIM独立地得到Dst。Dst的这两个预测然后可以互相比较，以及与测量的Dst进行比较，得出置信度水平，加权因子，等等。

而且，也有可能“重新安排”Burton等人的公式，求解除Dst以外的参量(例如，Bz，V2)。因为在系统中的一个(或多个)PIM可提供Ds t的估值，现在有可能使用重新安排的公式来求解Bz或V2。然后把这些数值与从其他来源得到的测量值(或估值)(例如由宇宙飞船测量的、从上述另一个公式获得的等)进行比较。这个级联继续进行，随之所有的PIM迭代地和交互作用地集中到越来越好的预报、预测、识别、等等。

上述的级联混合系统不取决于任何特定的硬件实施例。系统可以在一个计算机内或在其他的计算系统(例如，专门的硬件)内运行，或替换地，在多个计算机或其他计算设备上运行。在一个实施例中，不同的PIM子组在不同的计算设备上工作(优选地通过专用或公共有线/无线网络被互联)，所有的这些计算设备被连接到(再次地，通过公共或专用有线/无线网络)其他计算的或存储设备，它们包含所有的或部分的“当前的条件”和其他数据。

本领域技术人员将会看到，这些级联系统不限于：特定的硬件实施例、任何特定的静态(或可变的)类型的或数目的PIM，任何特定的数据类型或数据速率，任何特定的数据源组，任何特定的“判决法则”(2817，2821)，或任何特定的行动/通知的装置或方法。本领域技术人员也将会看到，大量的“代理”可被使用来代替在以上的PIM中描述的任何的/所有的变量。

上述的PIM和级联混合系统可以与由其他系统和/或用已知的通知的方式和补救行动得到的预报相接口，以便改进预报的精确度和确保在适当时采取正确的、及时的和顾客定制的调节的行动。

而且，本领域技术人员将会看到，PIM和级联混合系统也可被使用来确定太空气象事件是自然事件还是人为事件(诸如由于核武器爆炸)。例如，如果PIM检测第三辐射带的形成或强的电磁脉冲以及没有检测到这些事件的自然的先兆，即没有太阳/星际的先兆事件，则可以表示人为事件。在一个实施例中，PIM被创建来查看事件的组合：例如(第三辐射带或强的电磁脉冲)和(没有太阳/星际间前兆)。当事件的这个组合发生时，这个PIM识别它“多半是人为事件”。在这种情形下，可以对于人为事件自动实施适当的PIM和级联混合预测和/或行动。

本领域技术人员将会看到，由PIM产生的预测的比较或分析可被使用来达到看到物理过程和/或这样的过程的模型。例如，包含使用SEP数据作为输入的神经网络或其他系统(例如，混合或其他多模态智能系统)的PIM，通过时间过程，可经验地“得到”远比当前的模型先进的(例如，精确的，简单的)物理过程的模型。这些模型(或PIM输出)的这样的比较可表示：附加的或较少的物理机制在这些物理设置方面是重要的，因此可导致相应的项目包括或排除在这些公式中和/或相应的输入数据组包括或排除在这些公式中。

                       定制和通知的系统

迄今为止描述的本发明的所有的实施例(模板、专家、神经网络、混合和级联)能够产生预测。在一个意义上，预测是太空气象预报系统的最终结果。然而，在另一个意义上(和/或在其他的情形下)，预测只是到达最终结果的一部分方式。例如，系统可以预测：严重的正电子事件将在32小时内发生在地球上。然而，终端用户(例如卫星操作者)想要知道的常常是“这个事件将如何影响我的贵重器材？”。或者，终端用户或许只宁愿被告知：对他的贵重器材是否有主要的影响。因此，除了实际的太空气象预报的问题以外，本发明解决对于定制的预报和通知的需要。

在本发明的一个实施例中，通过“预报最佳化和通知单元(FONE)”提供定制的预报和通知。FONE在许多方面，类似于上述的PIM。如图19所示，FONE包含以下单元：

(a)与FONE有关的、当前的用户数据组29。这些数据可以是静态的或实时更新的。数据优选地可以从/通过例如图1所示的任何的数据源被接入的。在一个实施例中，这些数据包含实时更新的、用户的贵重器材的当前和将来的位置(例如，宇宙飞船的位置和轨迹，飞机的飞行路径，等等)。替换地或附加地，这些数据可包含特定贵重器材(宇宙飞船，军事个人，等等)对太空气象事件的敏感性。这些敏感性数据可以是静态的(例如，飞机材料组成的敏感性不随时间改变)或可以是动态的(例如，卫星的总的敏感性将作为它在地磁层中的位置的函数而随时间改变，或个人的敏感性可能作为他们的年龄的函数或作为他们最近的暴露的函数而改变，等等)。

(b)对于FONE感兴趣的识别或预测表2905。这些识别或预测是FONE正在监视的“当前的条件”的方面(例如，正如在先前的级联混合系统中描述的)。感兴趣的识别或预测可包括超过一组(或可变的)水平(例如，超过X的辐射电平，或超过Y的、＞2MeV电子的强度)的特定的数值，或某些事件的发起(例如，辐射带的形成)。在一个实施例中，感兴趣的识别或预测集中在会伤害用户的贵重器材的电的条件(例如，GIC，宇宙飞船进料，等等)。在另一个实施例中，感兴趣的识别或预测集中在会伤害宇航员的辐射或其他条件(例如，超过人的安全的电平的辐射，等等)。在再一个实施例中，它们集中在会扰动通信的条件(例如，电离层的位置或状态的改变)。在又一个实施例中，它们集中在会扰动导航或战术系统的条件(例如，由于电离层或其他条件造成的GPS不可靠性)。在另一个实施例中，它们集中在会影响用户贵重器材的物理状态的条件(例如，卫星附近大气层密度的改变)。

(c)通知法则组2907。这些法则，有时一般地和有时具体地，规定应当采取的行动，如果特定的条件2905满足的话。这些行动可包括，但不限于，以下的任何一项：

-信息的传输(例如，通过传真、电子邮件、互联网、专用数据线，等等)。可被包括在发送的信息中的是有关特定的事件的细节，诸如，但不限于，预测的事件时间，预测的事件大小，预测的事件影响，关于任何预测的置信度水平，(时间、位置、或影响等的)“窗口”或范围。

-信息的显示(例如，在计算机终端，在网址上，或在汽车控制板上，等等)。显示可包括某些或全部先前讨论的发送的信息以及，可任选地，来自其他源的数据。信息的显示可以是数字的或图形的形式，包括诸如图形(横杠，图，线，等等)，电平表等等那样的标准形式，或可以是已知的格式或由科学家、发明人、艺术家等规定的格式。显示也可以是非标准显示。在一个实施例中，显示是三维显示，例如，X轴表示时间，Y轴表示事件的概率，以及Z轴表示变量的假设的范围。这样的三维图的检查(通过可见的或数字的装置)可允许用户更好地了解与特定的事件有关的概率(例如，用户可看到，特定的事件只是多半如果他们的贵重器材移到位置X，或如果他们的宇航员在大于3小时内分担EVA，或如果太阳风增加它的密度或速度到Y或Z以上)。

-可听见的序列的发起或变化。这样的序列可包含发例如声音报警，或重放一个歌/单音，其特定的方面作为感兴趣的变量的函数变化。例如，单音的响度可以是事件的猛烈程度的函数，单音的频率可表示事件的类型(低音＝冲击波，高音＝辐射伤害，等等)，单音的(随时间)变化可表示到达时间，等等。替换地，一个歌可被重放，表示想要的行动(例如，如果卫星操作者听见催眠曲的开始，则他们知道，这是发起逐段关断的时间)。

-调节行动组的发起(例如，启动逐段关断灵敏的设备，开始使用冗余的发送，等等)。

(d)通知方法组2909。这些方法规定应当进行通知的方式。例如，如果通知法则2907规定，在特定的情形下，应当以声音报警，则通知方法可规定有关声音报警的装置的更多的细节。

一旦创建一个或多个FONE的组，它将以类似于级联系统的PIM运行的方式起作用。具体地，FONE，优选地在所有时间，接入到“当前的条件”的表，或数据库。这个当前的条件的表可以是被PIM使用的同一个表，或它可以是这个表的子集，或它可以是完全不同的表。另外，这个表可被保存在与FONE相同的计算机或网络中，或它可以保存在不同的计算机/网络/贮存媒体(但是FONE已通过例如图1所示的任何装置接入到的一个)。在大多数情形下，每个FONE是与其他的FONE相对独立的，以及每个FONE将只取决于“当前的条件”的特定的子集2903。另外，相关的数据可以实时地被接入，或它们可以仅仅偶尔地被接入。

当得到新的数据(或者初级数据2809，或者次级数据2811)时，每个FONE检查数据，如果发现相关的条件2905以及如果FONE要求一个或多个行动，则执行适当的行动。

定制的预报和通知的几个例子可用来进一步说明本发明的这个方面。1999年5月，在洛杉矶的医院中发生过一次恐慌。他们为了远程医疗进行寻呼他们的内科医生，但没有内科医生应答。他们不知道银河IV卫星受到太空气象事件的损害，结果北美的所有的寻呼机不再工作。在这种情形下，按照本发明的PIM可预报太空气象事件，以及按照本发明的FONE可把有关潜在的银河IV问题的事先的通知以协商的格式/方式发送到银河IV的运行商和/或用户。在本例中，银河IV宇宙飞船操作员先前提供了(按保密原则，如果需要的话)银河IV优先权，位置，敏感性，能力和用户。然后，操作员(和每个用户)将提早(例如，至少提前几小时)接收到以优选的格式的警告或通知，例如，用于操作员的警铃，和给用户的电子邮件，寻呼，电话呼叫，或传真等等。这种提早的和可靠的通知将允许操作员采取调节行动，诸如逐段关断敏感的宇宙飞船系统，实施备份模式和工作，诸如使用其他卫星，等等。同时，提早通知银河IV的用户“小心”，这样，如果必要的话，他们也可采取调节行动(诸如，通知所有的寻呼机客户：在三小时内，他们可能经受业务中断)。寻呼机客户，包括在洛杉矶的内科医生，可作出他们自己的安排，诸如每30分钟用硬连线的电话(即，不用蜂窝或移动电话)呼叫，传送消息。

按照本发明的实施例的定制的预报的另一个例子是对于在极区飞行路径上高纬度的高空飞行的飞机的辐射剂量的预测。这样的定制的预报可以具有多个步骤，包括：

(a)得到初步填写的飞行计划，表示飞机的计划的位置作为时间的函数。

(b)从第一PIM得到对于各个能量范围(例如，＞1MeV，＞10MeV，＞100MeV，等等)的SEP通量概况作为时间的函数的预测。

(c)根据在极区中初步的飞行路径和从第一PIM得到的SEP通量概况，从第二PIM(它们可能，虽然不一定，不同于第一PIM)得到SEP通量的概况作为时间和飞机外部的位置(例如，高度、纬度、极光椭圆形、等等)的函数的预测。

(d)使用特定的飞机的屏蔽的平均厚度(例如，依照4cm的铝，或8g cm^-2，等等)，根据初步的飞行计划预测飞机内的辐射剂量。

(e)如果这个剂量等于或超过由客户规定的最大可允许的的剂量(例如，0.5rem，1rem，2rem，等等)的80％(或航空公司或飞行员联盟或其他顾客已规定的无论什么门限值)，则以规定的方式(例如，计算机、电子邮件、警报、寻呼机、等等)警告顾客。

(f)如果请求的话，提供附加的信息，帮助顾客填写更适当的飞行计划。这个附加信息可包括任选项，诸如在极区在较低的纬度上飞行，不飞行极区路线，等等。

(g)如果仍旧填写极区飞行计划，在拿开后得到最后填写的飞行计划，以及与初步填写的飞行计划进行比较。如果它们基本上相同，则使用以上预测的辐射剂量。如果它们很大地不同，则重新计算剂量预测。另外，在一个优选实施例中，剂量值可以实时地得到，例如，通过接入和使用当前的飞行位置以及当前的PIM输出数据，等等。

本领域技术人员将会看到，上述的飞机的例子说明可被使用来作出定制或特制的预报的步骤的类型。类似的步骤被使用于作出对于ISS上的宇航员的健康伤害剂量预测。在这种情形下，例如对于每个宇航员的可允许的剂量可以是已知的(例如，50rem的最大的年剂量)，以及例如，通过使用SEP概况，可以提前几天和/或几小时预测各个剂量(例如，在EVA上，在ISS内，等等)。因此，严重的健康伤害的情形可以容易地提前被确定，以及发出适当的警报，告警，等等。同样地，这样的步骤被使用来预测宇宙飞船异常和/或故障，GPS不精确性，通信中断，功率浪涌，和在电力网格上的GIC，等等。

按照本发明的定制的预报和通知系统提供灵活性和精确性。这是部分由于以下的项目(这不是穷举的表)：

-多个FONE，可并行地工作(例如，作用在可提供的“当前的条件”，包括初级或次级数据)和可以以自动方式工作。

-每个FONE可作用在任何的PIM输出上(不像当前的已知的定制的模板系统，典型地只作用在单个最后的预测上)。具体地，在按照本发明的系统中，几个“中等可能的”预测、识别、等等可合在一起建议一个事件(或一个事件的一个方面)，因此产生识别或预报。

-一个或多个FONE和/或它们的相关的PIM可以是“现场外的(offsite)”(例如，在一个分开的计算机，设施中，等等)，以及相关的输入可从另一个位置被馈送到它们(例如，通过图1所示的任何装置)，这样，它们可以在这个现场外的位置处产生它们的预报和/或行动。

-FONE可以规定多个预报/通知的方法。

另外，不同的类型的预报，识别，或事件可以具有不同的通知的方法。

虽然本发明是参照其具体的说明性实施例被具体地显示和描述的，但本领域技术人员将会看到，在形式和细节上的各种改变仍属于由权利要求规定的本发明的范围。例如，基于模板的实施例不限于任何特定的准则以及专家系统实施例不限于任何特定的法则组。专家系统法则不单需要查看平均的、原始的或平均的活动性水平；它们也规定分布，例如，粒子或其他数据(太阳、星际或地球物理)的方差或标准偏差。这样的专家系统也可包括基于在最近的事件之间的时间或在这样的事件之间的时间的分布的法则。另外，由专家系统实施的法则实际上不需要是“二进制的”(即，全部或没有)；专家系统也可以围绕“模糊的”法则被构建，它例如规定概率、数量、或其他非二进制准则/函数。类似的神经网络系统也可包括其他人工智能系统和智能混合系统。另外，这里描述的技术可以按各种方式被组合；例如，混合系统可以通过同时应用某些或全部基于模板的、基于专家系统的、和基于神经网络的技术，而产生预测。在一个混合实施例中，例如，模板可表示从西部、中心、或东部太阳位置发源的快速/缓慢事件和峰值通量，以及神经网络可确认事件的太阳发源地，以及预测是否将出现地磁暴。混合系统可以以许多方式产生最后的预测，诸如，但不限于，“最坏情形的”预测(例如，基于由子系统的输出预测的最短的到达时间)，或根据置信度、确定性、或可靠度(例如，随时间的一致性，或标准偏差的数目，或离理想输出的距离，或与先前的预测的一致性，等等)的加权的预测。

通过使用对于特定的环境专门化的实施例的版本，以上的实施例的精确度可被提高。例如，如果光学或其他数据源表示一个事件出现在太阳的西部经度处，则被专门化的、仅仅西部的模板可被使用来提高精确度。同样地，对于神经网络实施例，如果得到表示当前是增加的太阳活动性(例如，太阳最大值)的时间间隔的数据，则可以使用对于这些条件被专门化的神经网络。同样地，专门化的法则可被动态地使用于专家系统。例如，在低的太阳活动性时间间隔内，如果峰值被检测为超过某个低的门限值，则将预测一个风暴，而在高的太阳活动性(例如，太阳最大值)时间间隔内，在发出警告之前，可能需要较高的通量水平的峰值。

最后，虽然上述的算法和技术主要集中在SEP数据上，相同的或类似的算法和技术可被本发明人应用来根据其他的类型的太阳、星际或地球物理数据，产生太空气象预报。

Claims (64)

1.用于预测太空气象的系统，包括：

a.当前的太阳能量粒子数据的源；

b.处理器，能够接入数据源，其中处理器根据识别在当前的太阳能量粒子数据中的复杂的模式来预测太空气象事件，模式是从三个或多个历史的太阳能量粒子测量值得出的。

2.权利要求1的系统，其中处理器根据识别从与平静的太空气象条件有关的历史的太阳能量粒子测量值得出的、在当前的太阳能量粒子数据中的模式来预测平静的太空气象条件。

3.权利要求1的系统，还包括：

有关当前的太阳周期的位相的信息的源；

其中处理器还根据当前的太阳周期位相预测太空气象事件。

4.权利要求1的系统，还包括：

一个或多个模板，每个包含与太空气象事件的特性有关的能量粒子数据；以及

其中处理器能够接入一个或多个模板和当前的能量粒子数据源，以及通过确定一个或多个模板中哪个模板最类似于当前的能量粒子数据而预测太空气象事件。

5.权利要求1的系统，还包括：

一个或多个模板，每个包含与太空气象事件的特性有关的能量粒子数据；以及

其中处理器能够接入一个或多个模板和当前的能量粒子数据源，以及通过选择最类似于当前的能量粒子数据的一个或多个模板而预测太空气象事件。

6.权利要求4的系统，其中模板还包含历史太空气象数据和历史太阳事件数据。

7.权利要求4的系统，其中模板是从历史数据的加权平均得到的。

8.权利要求4的系统，其中太空气象事件的特性是地磁暴开始时间、地球物理位置、强度、持续时间、到达速度和起源点位置中的一个或多个。

9.权利要求4的系统，其中在模板和当前的能量粒子数据之间的相似性是基于在模板和当前的能量粒子数据之间的欧几里得距离。

10.权利要求4的系统，其中在模板和当前的能量粒子数据之间的相似性是基于在模板和当前的能量粒子数据之间的相似性的统计测量值。

11.权利要求1的系统，其中当前的能量粒子数据是从其他太阳数据得到的。

12.权利要求1的系统，其中能量粒子数据是在一个或多个能量范围中能量粒子的通量。

13.权利要求1的系统，还包括：

一个或多个组的一个或多个模板，每个模板包含与太空气象事件的特性有关的能量粒子数据；以及

其中处理器能够接入一个或多个组的一个或多个模板和当前的能量粒子数据源，以及通过确定每个组中的一个或多个模板中的哪个最类似于当前的能量粒子数据而预测太空气象条件。

14.权利要求1的系统，其中处理器通过应用法则来识别模式。

15.权利要求14的系统，其中法则是检测能量粒子数据中的峰值。

16.权利要求15的系统，其中处理器在应用峰值检测法则之前在预定的时间间隔上平均当前的能量粒子数据。

17.权利要求3的系统，还包括：

太阳数据源；以及

其中处理器还根据太阳数据预测太空气象事件。

18.权利要求17的系统，其中太阳数据是X射线数据。

19.权利要求18的系统，其中处理器根据这样一个确定：即X射线数据表示X射线的增加以及能量粒子数据表示在X射线增加后出现能量粒子的峰值，而预测太空气象事件。

20.权利要求1的系统，其中处理器根据具有包括三个或多个能量粒子数据值的输入矢量和具有表示太空气象事件的输出矢量的神经网络来预测太空气象事件。

21.权利要求20的系统，其中输入矢量还包括当前的太阳周期位相数据。

22.用于预测太空气象的方法，包括：

a.接入当前的太阳能量粒子数据的源；

b.根据识别在当前的太阳能量粒子数据中的复杂的模式来预测太空气象事件，模式是从三个或多个历史的太阳能量粒子测量值得出的。

23.权利要求22的方法，其中预测的事件是平静条件。

24.权利要求22的方法，还包括：

接入有关当前的太阳周期的位相的信息的源；

其中识别的模式是从与当前的位相相同的太阳周期的位相有关的历史的太阳能量粒子测量值得出的。

25.权利要求22的方法，还包括：

接入一个或多个模板，每个包含与太空气象事件的特性有关的能量粒子数据；以及

其中预测步骤还包括选择最类似于当前的能量粒子数据的一个或多个模板。

26.权利要求25的方法，其中模板还包含历史太空气象数据和历史太阳事件数据。

27.权利要求25的方法，其中模板是从历史数据的加权平均得到的。

28.权利要求25的方法，其中太空气象事件的特性是地磁暴开始时间、地球物理位置、强度、持续时间、到达速度和起源点位置中的一个或多个。

29.权利要求25的方法，其中在模板和当前的能量粒子数据之间的相似性是基于在模板和当前的能量粒子数据之间的欧几里得距离。

30.权利要求25的方法，其中在模板和当前的能量粒子数据之间的相似性是基于在模板和当前的能量粒子数据之间的相似性的统计测量值。

31.权利要求22的方法，其中接入步骤包括从其他太阳数据得到当前的能量粒子数据。

32.权利要求22的方法，其中能量粒子数据是在一个或多个能量范围中能量粒子的通量。

33.权利要求22的方法，还包括：

接入一个或多个组的一个或多个模板，每个包含与太空气象事件的特性有关的能量粒子数据；以及

其中预测步骤还包括确定每个组中的一个或多个模板中的哪个最类似于当前的能量粒子数据。

34.权利要求22的方法，其中通过应用法则来识别模式。

35.权利要求34的方法，其中法则是检测能量粒子数据中的峰值。

36.权利要求35的方法，其中当前的能量粒子数据是在峰值检测之前在预定的时间间隔上平均的。

37.权利要求34的方法，还包括：

接入太阳数据源；以及

其中识别的模式还包括太阳数据。

38.权利要求37的方法，其中太阳数据是X射线数据。

39.权利要求38的方法，其中模式是X射线的增加，后面出现能量粒子中的峰值。

40.权利要求22的方法，其中模式是通过具有包括三个或多个能量粒子数据的输入矢量和具有表示太空气象事件的输出矢量的神经网络而被识别的。

41.权利要求40的方法，其中输入矢量还包括当前的太阳周期位相数据。

42.权利要求40的方法，还包括用与平静太空气象条件有关的历史的太阳能量粒子测量值训练神经网络。

43.权利要求41的方法，其中输入矢量还包括X射线数据。

44.权利要求20的系统，其中神经网络是用与平静太空气象条件有关的历史的太阳能量粒子测量值训练的。

45.权利要求21的系统，其中输入矢量还包括X射线数据。

46.权利要求4的系统，其中太空气象事件的特性是在一个或多个特定的位置处的SEP时间概况，峰值通量，能量，或能量密度中的一个或多个。

47.权利要求1的方法，其中预测是地磁暴开始时间、地球物理位置、强度持续时间、到达速度和起源点位置中的一个或多个。

48.权利要求1的系统，其中预测是在一个或多个特定的位置处的SEP时间概况、峰值通量、能量或能量密度中的一个或多个。

49.权利要求48的方法，其中特定的位置是空间站、对地静止的轨道、高的纬度和高的高度中的一个或多个。

50.嵌入在存储介质中的、用于预测太空气象的计算机代码，执行以下步骤：

a.接入当前的太阳能量粒子数据的源；

b.根据识别在当前的太阳能量粒子数据中的复杂的模式来预测太空气象事件，模式是从三个或多个历史的太阳能量粒子测量值得出的。

51.用于预测太空气象的、基于处理器的系统，包括：

第一和第二预测/识别模块，每个模块包括一个系统，根据输入数据产生涉及太空气象的输出数据，以及包括规定系统要起作用的时间的一组开始条件的数据；

其中用于第二预测/识别模块的至少某些输入数据是从由第一预测/识别模块产生的输出数据得到的。

52.用于预测太空气象的系统，包括：

第一和第二预测/识别模块，每个模块包括一个系统，它根据输入数据产生涉及太空气象的输出数据，以及包括规定系统要起作用的时间的一组开始条件的数据；

其中用于第二预测/识别模块的至少一个开始条件是从第一预测/识别模块的输出数据得到的。

53.权利要求51的系统，其中第一和第二模块中的至少一个还包括用于评估所产生的输出数据的精确度的装置。

54.权利要求51的系统，其中第一和第二模块中的至少一个还包括用于加权产生的输出数据的装置。

55.权利要求51的系统，其中第一和第二模块中的至少一个还包括根据所产生的输出数据规定要被执行的合成的行动的数据。

56.权利要求55的系统，其中第一和第二模块中的至少一个还包括用于加权产生的输出数据的装置，以及在规定合成的行动的数据中的合成的行动之一造成由用于加权的装置产生的结果的改变。

57.权利要求55的系统，其中在规定合成的行动的数据中的合成的行动之一造成把即将来临的太空气象事件的通知发送到用户。

58.权利要求51的系统，其中输入数据包括一个或多个是测量值的结果的初级数据值，以及一个或多个由模块之一产生和输出的次级数据值。

59.用于预测太空气象的、基于处理器的系统，包括：

多个级联的预测/识别模块，每个模块包括一个系统，根据输入数据产生涉及太空气象的输出数据，以及包括规定系统要起作用的时间的一组开始条件的数据；

其中用于至少一个预测/识别模块的至少某些输入数据是从由另一个预测/识别模块产生的输出数据得到的。

60.基于处理器的太空气象通知系统，包括：

太空气象条件的预测和识别的源；

通知模块包括：

规定用户的对于太空气象事件的敏感性的用户数据，

用于接收太空气象条件的预测和识别的装置，

规定对于响应于接收的太空气象条件的预测和识别，要被执行的行动的通知法则的数据；以及

用于执行在通知法则中规定的行动，由此把接收的太空气象条件的预测和识别通知用户的装置。

61.权利要求60的系统，其中在通知法则中规定的行动包括发送有关太空气象条件的信息到用户、显示有关太空气象条件的信息、和发起可听见的序列中的一个或多个。

62.权利要求60的系统，还包括用于自动应答从用于执行行动的装置接收的通知的装置。

63.权利要求62的系统，其中用于自动应答的装置位于用户的位置。

64.权利要求60的系统，其中用于执行行动的装置的至少一部分位于用户的位置。

Images