CN104597523B - 一种日冕物质抛射多伴随现象的检测方法 - Google Patents

Abstract

本发明公开了一种日冕物质抛射多伴随现象的检测方法，包括如下步骤：首先根据事件catalog数据得到CME的发生时间和中央位置角，根据其发生时间选取某一时间段，记录该时间段内其发生的伴随现象作为此CME的类别标签集合；其次，在所选择的时间段中按顺序随机选择k张图像，提取每张图像的纹理特征，组成CME的特征向量；最后使用多标记学习的方法构建多标签模型，当产生新的CME现象时，相应提取其纹理特征向量，检测其伴随现象。本发明有效地解决了当CME发生时，其多伴随现象的检测问题，同时检测多种伴随现象的发生情况。

Description

一种日冕物质抛射多伴随现象的检测方法

技术领域

本发明涉及太阳物理领域，尤指日冕物质抛射相关现象的检测。

背景技术

日冕物质抛射(CME)是太阳系中最壮观、最频繁的大尺度活动现象。CME起源于太阳日面，从太阳低层抛射到太阳风层，是一种由等离子体和磁场组成的大尺度爆发现象，其一直以来被认为是空间灾害天气最主要的驱动源。由于太阳是距离地球最近的恒星，太阳上的剧烈活动极有可能对我们人类赖以生存的地球空间环境安全造成严重影响。CME抛射出的等离子体通常携带较强的南向磁场分量，当其与地球磁场相互作用时，会将巨大的能量和物质瞬间在地球周围的空间中耗散和转换掉，从而引起地磁暴、电离层暴、极光等地磁扰动。当这种扰动足够剧烈时，还会对卫星导航、空间通讯、电网、石油管道等人类赖以生存的高科技活动产生灾害性的影响。近年来由于大量CME观测数据的定量分析需求，需要开发快速有效的计算机算法代替纯人工处理方式。

CME通常伴随很多物理过程，如耀斑、爆发日珥、射电爆发、高能粒子事件和日冕暗化等，对这些伴随物理过程开展细致深入的研究，可以帮助我们更好地理解CME的起源、传播和演化规律，而检测它们的发生情况则是首要任务。

许多工作已经表明CME和其伴随现象之间是相互关联的，同时各伴随现象之间也存在密切的关系。但是，很少有检测算法使用到现象之间的关联关系。已有的现象检测算法主要分为四类：基于统计特征的方法、基于阈值的方法、基于图像处理的方法、基于机器学习的方法和基于模式识别的方法。

基于统计特征的方法常用在日冕暗化的检测，考虑统计特征在整个过程的变化情况实现现象检测。基于阈值的方法由于其简单方便的特点，被广泛应用于日冕暗化、日冕洞、暗条、耀斑和“S”形状的检测工作中。基于图像处理的方法主要包含用在日冕暗化检测的水平集方法、用于暗条检测的区域增长方法和直方图方法。基于机器学习的方法主要用在暗条和耀斑的检测中，包含传统的SVM、Bayes、MLP、RBF、CCNN、RBFN等学习方法。基于模式识别的方法已被用在“S”形状的检测中，通过模板匹配的方式识别“S”形状。目前已经有耀斑的检测方法利用到它和太阳黑子的关系，但是大多数现象的检测方法均没有用到现象之间的相关关系，而且不同的现象检测时需要使用不同的数据特征，不能同时检测多种现象的发生情况。由于CME常常伴随多种物理现象发生，同时，现象之间相互关联；将多现象作为标签，则这正符合多标记学习方法的数据特点。本发明采用多标记学习的方法，结合不同现象之间存在的相关关系，基于同一组特征数据，实现多种日冕物质抛射多伴随现象的同时检测。

发明内容

鉴于现有的CME伴随现象检测方法的局限性，本发明的目的是提供一种考虑多现象之间相关关系的多伴随现象检测方法——基于多标记学习的CME伴随现象检测方法。

具体实施步骤如下所示：

一种日冕物质抛射多伴随现象的检测方法，包括如下步骤：

步骤1：根据事件发生记录catalog获取n次CME现象，记录每次CME的发生时间段(t_p,1,t_p,2)和中央位置角度CPA_p,其中1≤p≤n表示第p次CME；

步骤2：取某一时间段t＝(t_p,1',t_p,2'),t_p,1≤t_p,1'＜t_p,2'≤t_p,2，调入catalog数据关于t时间段内六种伴随现象(记Y＝{日冕暗化,日冕洞,日冕波,暗条爆发,耀斑,"S"形状})的出现情况将Y_p作为该CME的标签集；

步骤3：对CME在t时间段内提取纹理特征向量x_p；根据catalog，对AIA某一频道对应t时间段内图像序列顺序随机选择k张图像I＝{I₁,I₂,…I_k}，对每张图像I_q,1≤q≤k进行步骤3.1-3.3，得到56×k维特征向量x_p；

步骤3.1：提取图像I_q角度CPA_p-45°≤θ≤CPA_p+45°日面区域，得到日面；旋转该区域到日面的西北(右上)区域，如同以日面中心为原点的直角坐标系中的第一象限位置；使用R_⊙×R_⊙的正方形区域包含该日面，其他无关区域值设置为0，得到的图像I_q'尺寸小于原图像I_q的

步骤3.2：采用I_q'(·,·)表示图像I_q'的像素值，(i,j)表示像素坐标，将图像灰度化后计算图像I_q″在θ＝(0°,45°,90°,135°)，d＝1，灰度值级数为256时的4个灰度共生矩阵，分别计算角二阶距、逆差距、对比度、熵、相关度5个二次统计量，得到20维特征；

步骤3.3：对图像I_q'采用3级二维双树复小波变换得到18个复系数带通子图，计算每一个子图的能量和标准差，得到36维特征；

步骤4：将步骤2得到的标签和步骤3得到的特征向量相结合，得到带标签的CME实例集合T＝{(x₁,Y₁),(x₂,Y₂),…(x_n,Y_n)}。采用数据T，利用多标记学习方法训练多标签模型h:X→2^Y，X表示特征空间；

步骤5：对于一个新的CME，在其某一频道随机按时间顺序选择k张图像，采用步骤3.1-3.3所述的方法提取特征向量x，再利用已经训练好的多标签模型h对其伴随现象进行检测，得到伴随现象集合y。

与现有技术相比，本发明的积极效果是：

一、区别于以往的单一现象检测方法，本发明同时检测多个现象，减少了计算量。

目前存在的现象检测方法都是对单一的现象进行检测，不同的现象，检测方法也不同。本发明采用同一特征集合，实现对多种现象的检测。跟传统的逐一检测相比，减少了计算量。

二、区别于传统的现象检测方法，本发明在检测时结合了现象之间的相关关系。

传统的现象检测方法主要是通过查找现象本身的一些特征变化来检测现象的发生情况，极少有现象在检测时考虑到跟其他现象的关联性。本发明采用多标记模型构建现象的检测模型，其模型的建立过程则已加入现象之间的关联信息，使得检测结果比仅考虑图像特征更加可靠。

附图说明

图1是不同J48置信系数下BR,RAkEL,CLR检测效果的汉明损失

图2是不同J48置信系数下BR,RAkEL,CLR检测效果的平均精度

图3是不同J48置信系数下BR,RAkEL,CLR检测效果的覆盖距离

图4是不同J48置信系数下BR,RAkEL,CLR检测效果的1-错误率

图5是不同J48置信系数下BR,RAkEL,CLR检测效果的排序损失

图6是不同J48置信系数下BR,RAkEL,CLR检测效果的查准率

图7是不同J48置信系数下BR,RAkEL,CLR检测效果的查全率

图8是不同J48置信系数下BR,RAkEL,CLR检测效果的F₁

图9是不同J48置信系数下BR,RAkEL,CLR检测效果的准确率

具体实施方式

具体实施步骤如下所示：

步骤1：根据事件发生记录catalog获取n次CME现象，记录每次CME的发生时间段(t_p,1,t_p,2)和中央位置角度CPA_p,其中1≤p≤n表示第p次CME；对每一次CME现象，利用步骤2和3提取标签Y_p和特征向量x_p。

步骤2：取某一时间段t＝(t_p,1',t_p,2'),t_p,1≤t_p,1'＜t_p,2'≤t_p,2，记录catalog数据关于t时间段内六种伴随现象(记Y＝{日冕暗化,日冕洞,日冕波,暗条爆发,耀斑,"S"形状})的出现情况将Y_p作为该CME的标签集；

步骤3：对CME在t时间段内提取纹理特征向量x_p；根据catalog，对AIA某一频道对应t时间段内图像序列顺序随机选择k张图像I＝{I₁,I₂,…I_k}，对每张图像I_q,1≤q≤k进行步骤3.1-3.3，得到56×k维特征向量x_p；

步骤3.1：提取图像I_q角度CPA_p-45°≤θ≤CPA_p+45°日面区域，得到日面；旋转该区域到日面的西北(右上)区域，如同以日面中心为原点的直角坐标系中的第一象限位置；使用R_⊙×R_⊙的正方形区域包含该日面，其他无关区域值设置为0，得到的图像I_q'尺寸小于原图像I_q的

步骤3.2：采用I_q'(·,·)表示图像I_q'的像素值，(i,j)表示像素坐标，将图像灰度化后计算图像I_q″在θ＝(0°,45°,90°,135°)，d＝1，灰度值级数为256时的4个灰度共生矩阵C_d,θ，其表达形式如下：

$C_{d,\mathrm{\θ}}(i,j)=\#\left\{\begin{array}{c}((x_1,y_1),(x_2,y_2))|\\ x_2-x_1=d\cos \mathrm{\θ},\\ y_2-y_1=d\sin \mathrm{\θ},\\ I(x_1,y_1)=i,I(x_2,y_2)=j\end{array}\right\}---\left(1\right)$

式中(x₁,y₁)和(x₂,y₂)表示像素坐标，I(·,·)表示灰度级，#表示集合中元素的数量。标准化的灰度共生矩阵P可以通过P(i,j)＝C(i,j)/sum(C)得到。对得到的标准化灰度共生矩阵分别计算角二阶距(f₁)、逆差距(f₂)、对比度(f₃)、熵(f₄)、相关度(f₅)共5个二次统计量，得到20维特征；

$f_1=\underset{i}{\mathrm{\Σ}}\underset{j}{\mathrm{\Σ}}{\left\{P(i,j)\right\}}^2---\left(2\right)$ $f_2=\underset{i}{\mathrm{\Σ}}\underset{j}{\mathrm{\Σ}}\frac{1}{1+{(i-j)}^2}P(i,j)---\left(3\right)$

$f_3=\underset{n=0}{\overset{\mathrm{Ng}-1}{\mathrm{\Σ}}}{n}^2\left\{\underset{|i-j|=n}{\underset{i=1}{\overset{\mathrm{Ng}}{\mathrm{\Σ}}}\underset{j=1}{\overset{\mathrm{Ng}}{\mathrm{\Σ}}}}P(i,j)\right\}---\left(4\right)$ $f_4=-\underset{i}{\mathrm{\Σ}}\underset{j}{\mathrm{\Σ}}P(i,j)\log \left\{P(i,j)\right\}---\left(5\right)$

$f_5=\frac{\underset{i}{\mathrm{\Σ}}\underset{j}{\mathrm{\Σ}}\left(ij\right)P(i,j)-{\mathrm{\μ}}_x{\mathrm{\μ}}_y}{{{\mathrm{\δ}}_x}^2{{\mathrm{\δ}}_y}^2}---\left(6\right)$

其中，μ_x和μ_y，δ_x ²和δ_y ²分别表示P_x和P_y的均值和方差，

$P_x\left(i\right)=\underset{j=1}{\overset{\mathrm{Ng}}{\mathrm{\Σ}}}P(i,j),P_y\left(j\right)=\underset{i=1}{\overset{\mathrm{Ng}}{\mathrm{\Σ}}}P(i,j).$

步骤3.3：对图像I_q'采用3级二维双树复小波变换得到18个复系数带通子图，计算每一个子图的能量E_v和标准差σ_v得到36维特征；

$E_v=\frac{1}{M\×N}\underset{i=1}{\overset{M}{\mathrm{\Σ}}}\underset{j=1}{\overset{N}{\mathrm{\Σ}}}\left|W_v(i,j)\right|---\left(7\right)$ ${\mathrm{\σ}}_v=\frac{1}{M\×N}\underset{i=1}{\overset{M}{\mathrm{\Σ}}}\underset{j=1}{\overset{N}{\mathrm{\Σ}}}{\left|{(W_v(i,j)-{\mathrm{\μ}}_v)}^2\right|}^{\frac{1}{2}}---\left(8\right)$

其中M×N是子图的尺寸，W_v(i,j)是第v个子图，μ_v是第v个子图的均值。

步骤4：将步骤2得到的标签和步骤3得到的特征向量相结合可得到带标签的CME实例(x_p,Y_p)，n次CME则得到集合T＝{(x₁,Y₁),(x₂,Y₂),…(x_n,Y_n)}。采用数据T，利用多标记学习方法训练多标签模型h:X→2^Y，X表示特征空间；

步骤5：对于一个新的CME，在其某一频道随机按时间顺序选择k张图像，采用步骤3.1-3.3所述的方法提取特征向量x，再利用已经训练好的多标签模型h对其伴随现象进行检测，得到伴随现象集合y。

有益结果

为验证本发明的有效性，本发明集合了2011-2014年期间409次CME现象。对每一次CME都将六种伴随现象(日冕暗化、日冕洞、日冕波、暗条爆发、耀斑和“S”形状)的发生情况作为其类标签，相关标签情况如表1所示，最后一列表示具有对应标签的CME数量；同时在提取特征过程中，选取k＝3；将409次CME提取的特征和标签组成一个数据集，在这409次CME中，14次是没有这六种伴随现象，97次只有其中一种伴随现象，140次包含两种伴随现象，92次包含三种现象，60次具有四种现象，剩余6次是具有五种伴随现象。

表1相关标签描述

试验一

使用4倍交叉验证方法，对常用的几种多标记学习方法进行评价。BR、RAkEL和CLR分别使用SVM和J48作为基分类器。SVM使用线性核函数且复杂系数设置为1，J48的置信因数设置为0.25。RAkEL、BP-MLL、ML-RBF和LIFT均使用默认设置。使用常见的多标记评价指标，效果如表2所示。其中hamming loss，one-error，coverage，ranking loss都是越小越好，其他的评价指标均是越高越好。从BR、RAkEL和CLR三个算法看出，总体上来说，在相同条件下J48比SVM表现出了更佳的性能。另外，不同程度考虑标签关系的算法都比BR体现出了更好的预测性能，基于J48的RAkEL和CLR算法表现出了更好的性能。

表2不同算法的检测性能对比效果

表3显示了采用不同算法时，六种现象的检测准确度。y₁…y₆分别表示日冕暗化、日冕洞、日冕波、暗条爆发、耀斑和“S”形状六种现象。平均准确度显示出日冕波(y₃)检测效果最好(86％)，而日冕洞(y₂)最低(72％)。

表3六种现象的检测准确度

试验二

由于J48在试验一表现出较好性能，所以进一步讨论不同的置信系数对算法的带来的影响。图1显示了当置信系数从0.0001-0.35变化时，相应的评价指标变化情况。从图1看出，当置信系数在0.05-0.35之间，算法性能表现比较稳定。当小于0.05时，大部分算法性能指标会变得略差些。

Claims (2)

1.一种日冕物质抛射多伴随现象的检测方法，对提供多种现象的发生时间及位置描述信息的事件发生记录catalog数据和大气成像仪观测图像数据进行处理以获取日冕物质抛射CME与其伴随现象之间相互关联关系，包括如下步骤：

步骤1：根据事件发生记录catalog获取n次CME现象，记录每次CME的发生时间段(t_p,1,t_p,2)和中央位置角度CPA_p,其中1≤p≤n表示第p次CME；

步骤2：取某一时间段t＝(t_p,1′,t_p,2′),t_p,1≤t_p,1′＜t_p,2′≤t_p,2，调入catalog数据关于t时间段内六种伴随现象的出现情况记为Y＝{日冕暗化,日冕洞,日冕波,暗条爆发,耀斑,"S"形状}；将Y_p作为该CME的标签集；

步骤3：对CME在t时间段内提取纹理特征向量x_p；根据catalog，对大气成像仪某一频道对应t时间段内图像序列顺序随机选择k张图像I＝{I₁,I₂,…I_k}，对每张图像I_q,1≤q≤k进行步骤3.1-3.3，得到56×k维特征向量x_p；

步骤3.1：提取图像I_q角度CPA_p-45°≤θ≤CPA_p+45°日面区域，得到日面；旋转该区域到日面的西北区域，如同以日面中心为原点的直角坐标系中的第一象限位置；使用R_⊙×R_⊙的正方形区域包含该日面，其他无关区域值设置为0，得到的图像I_q′尺寸小于原图像I_q的

步骤3.2：采用I_q′(·,·)表示图像I_q′的像素值，(i,j)表示像素坐标，将图像灰度化后计算图像I_q″在θ＝(0°,45°,90°,135°)，d＝1，灰度值级数为256时的4个灰度共生矩阵，分别计算角二阶距、逆差距、对比度、熵、相关度5个二次统计量，得到20维特征；

步骤3.3：对图像I_q′采用3级二维双树复小波变换得到18个复系数带通子图，计算每一个子图的能量和标准差得到36维特征；

步骤4：将步骤2得到的标签和步骤3得到的特征向量相结合，得到带标签的CME实例集合T＝{(x₁,Y₁),(x₂,Y₂),…(x_n,Y_n)}；采用数据T，利用多标记学习方法训练多标签模型h:X→2^Y，X表示特征空间；

步骤5：对于一个新的CME，在其某一频道随机按时间顺序选择k张图像，采用步骤3.1-3.3所述的方法提取特征向量x，再利用已经训练好的多标签模型h对其伴随现象进行检测，得到目标伴随现象集合y。

2.根据权利要求1所述的一种日冕物质抛射多伴随现象的检测方法，其特征在于：步骤3选取某一频道，选取的频道能清楚地观测到Y_p中最多的现象。