简介：通过实际天文测得到的日长变化资料的分析研究，证实了将非线笥的跳步时间序列分析模型（LSTSA）结合到小波变换中，能够有效削弱小波变换中时频谱的端部畸变效应，显著提高对低频信号的检测能力。LSTSA模型将对不上波变换中时频谱技术的更好、更广泛的应用作出一定的贡献。
简介：日长变化的预报具有重要的科学意义和实际应用价值。非线性的人工神经网络技术中的反向传播模型（BP网络）可用于预报日长变化。BP网络的拓扑结构决定了神经网络解决问题的能力，针对不同的问题需要采用不同的网络结构。该文分析了神经网络的拓扑结构算法，选用最小均方误差法确定网络的拓扑结构，并将此应用于日长变化预报。结果表明，该方法是可靠和有效的。
简介：针对广义回归神经网络用于日长变化预报过程中,样本的输入方式对预报结果的影响进行了研究。采用2种输入方式:即样本按不同跨度输入以及按连续输入,对日长变化进行预报。最终证明不同的样本输入方式对日长变化预报精度的影响较大,样本按跨度输入在超短期预报中预报精度较高,样本采用连续输入的方式在短期和中期预报中预报精度较高。
简介：本文描述了子波变换分析的基本原理，并用这一方法分析了日长、大气角动量和太阳活动指数的MJO特性。结果表明：几种序列均存在着40－60天高频变化，且这些变化在不同历元处有显著的差别，这些时空变化特性将进一步揭示太阳活动指数与日长、大气之间的相互关系。作者认为，子波变换分析可帮助我们考虑这些序列之间的动力学机制。
LSTSA模型用于改进日长变化序列的小波变换
日长变化预报中BP神经网络拓扑结构的选择
两种样本输入方式下基于GRNN的日长变化预报结果的比较
日长、大气角动量和太阳活动指数中MJO的子波变换分析
