CN113610762B - 一种针对太阳耀斑的预警方法及预警系统 - Google Patents

一种针对太阳耀斑的预警方法及预警系统 Download PDF

Info

Publication number
CN113610762B
CN113610762B CN202110769908.9A CN202110769908A CN113610762B CN 113610762 B CN113610762 B CN 113610762B CN 202110769908 A CN202110769908 A CN 202110769908A CN 113610762 B CN113610762 B CN 113610762B
Authority
CN
China
Prior art keywords
layer
feature
flare
early warning
image
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Active
Application number
CN202110769908.9A
Other languages
English (en)
Other versions
CN113610762A (zh
Inventor
何欣燃
钟秋珍
师立勤
崔延美
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
National Space Science Center of CAS
Original Assignee
National Space Science Center of CAS
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by National Space Science Center of CAS filed Critical National Space Science Center of CAS
Priority to CN202110769908.9A priority Critical patent/CN113610762B/zh
Publication of CN113610762A publication Critical patent/CN113610762A/zh
Application granted granted Critical
Publication of CN113610762B publication Critical patent/CN113610762B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/0002—Inspection of images, e.g. flaw detection
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/22—Matching criteria, e.g. proximity measures
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/24—Classification techniques
    • G06F18/243—Classification techniques relating to the number of classes
    • G06F18/2431—Multiple classes
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/044—Recurrent networks, e.g. Hopfield networks
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/045—Combinations of networks
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/048—Activation functions
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T3/00—Geometric image transformations in the plane of the image
    • G06T3/40—Scaling of whole images or parts thereof, e.g. expanding or contracting
    • G06T3/4038—Image mosaicing, e.g. composing plane images from plane sub-images
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/20—Special algorithmic details
    • G06T2207/20081—Training; Learning
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/20—Special algorithmic details
    • G06T2207/20084—Artificial neural networks [ANN]
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/30—Subject of image; Context of image processing
    • G06T2207/30181—Earth observation
    • G06T2207/30192—Weather; Meteorology
    • Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
    • Y04—INFORMATION OR COMMUNICATION TECHNOLOGIES HAVING AN IMPACT ON OTHER TECHNOLOGY AREAS
    • Y04S—SYSTEMS INTEGRATING TECHNOLOGIES RELATED TO POWER NETWORK OPERATION, COMMUNICATION OR INFORMATION TECHNOLOGIES FOR IMPROVING THE ELECTRICAL POWER GENERATION, TRANSMISSION, DISTRIBUTION, MANAGEMENT OR USAGE, i.e. SMART GRIDS
    • Y04S10/00—Systems supporting electrical power generation, transmission or distribution
    • Y04S10/50—Systems or methods supporting the power network operation or management, involving a certain degree of interaction with the load-side end user applications

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Data Mining & Analysis (AREA)
  • Evolutionary Computation (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Artificial Intelligence (AREA)
  • General Engineering & Computer Science (AREA)
  • Computing Systems (AREA)
  • Software Systems (AREA)
  • Molecular Biology (AREA)
  • Computational Linguistics (AREA)
  • Biophysics (AREA)
  • Biomedical Technology (AREA)
  • Mathematical Physics (AREA)
  • General Health & Medical Sciences (AREA)
  • Health & Medical Sciences (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Evolutionary Biology (AREA)
  • Quality & Reliability (AREA)
  • Image Analysis (AREA)

Abstract

本发明属于卫星数据监测技术领域，具体地说，涉及一种针对太阳耀斑的预警方法及预警系统，该方法包括：实时获取最新的耀斑数据，并将其输入至预先建立和训练好的图像特征提取器进行特征提取，得到多个图像特征向量；将得到的多个图像特征向量按照时间顺序进行拼接，得到特征矩阵；再将得到的特征矩阵输入至预先建立和训练好的时序特征提取器，得到多个推荐特征向量；采用欧式距离算法和余弦相似度算法，计算每个推荐特征向量与历史数据库中与事件相对应的历史数据样本特征向量的相似度；根据计算得到的相似度，在历史数据库中查找到相似事件，作为推荐事件，给出事件预警。

Description

一种针对太阳耀斑的预警方法及预警系统
技术领域
本发明属于卫星数据监测技术领域，具体地说，涉及一种针对太阳耀斑的预警方法及预警系统。
背景技术
太阳耀斑是太阳表面发生的爆发事件期间出现的电磁波通量迅速增加的现象，是引起近地空间天气扰动的重要因素。太阳耀斑就是一种剧烈的太阳活动，是太阳质子事件和日冕物质抛射发生的先兆现象之一，能在短时间内释放很高的能量，使得太阳在局部对外的粒子辐射瞬间增强，若是恰好发生太阳耀斑的位置朝向地球，将会对地球的空间环境产生严重影响。与之伴随发生的高能粒子和辐射对空间环境产生剧烈的冲击，对空间飞行器或宇航员造成潜在的危害。而当耀斑辐射来到地球附近时,光致电离使得电离层D层的电子密度增加，造成短波通信质量下降，甚至会引起无线电通信中断。
太阳耀斑发生时会引起空间环境的扰动，尤其是大太阳耀斑发生时，会伴随着CME(日冕物质抛射)和质子事件，它们会共同对地球空间环境造成严重影响。为了规避和减缓太阳耀斑带来的影响，需要对耀斑事件进行预报，从而能在耀斑事件发生之前采取应对措施。业务中耀斑预报分为概率预报和事件预警；其中，概率预报为对未来太阳耀斑事件在一定取值范围内出现的概率所作的预报。事件预警为通过使用各种预报因子和离线训练好的耀斑预报模型对耀斑进行预报，对耀斑事件是否发生做出提前预警。
在业务预报中需要预报员通过业务知识，每日对太阳数据进行监测汇总，从而对耀斑事件是否发生进行判断。目前，太阳的业务预报中主要是以概率预报和事件预警相结合的方式进行，预报员可参考模型结果，并结合自身知识判断，进行预报耀斑。但是，预报效果受限于预报员的业务水平，并不能达到统一的标准，预报过程中非常依赖预报员的判断，无法做出准确的预报，并且没有推荐功能，无法给预报员历史相似事件参考。
发明内容
为解决现有技术存在的上述缺陷，本发明提出了一种针对太阳耀斑的预警方法，能够在预报过程中不依赖预报员的判断，直接通过模型给出预报结果时，还需推荐出历史相似事件供预报员参考，从而使推荐结果更准确。。
本发明提供了一种针对太阳耀斑的预警方法，该方法包括：
实时获取最新的耀斑数据，并将其输入至预先建立和训练好的图像特征提取器进行特征提取，得到多个图像特征向量；
将得到的多个图像特征向量按照时间顺序进行拼接，得到特征矩阵；
再将得到的特征矩阵输入至预先建立和训练好的时序特征提取器，得到多个推荐特征向量；
采用欧式距离算法和余弦相似度算法，计算每个推荐特征向量与历史数据库中与事件相对应的历史数据样本特征向量的相似度；
根据计算得到的相似度，在历史数据库中查找到相似事件，作为推荐事件，给出事件预警。
作为上述技术方案的改进之一，所述图像特征提取器为卷积神经网络模型，该卷积神经网络模型能够提取图像特征，并将图像数据降维；该卷积神经网络模型F的输入为当前最新的耀斑数据B，输出为特征信息向量Y，满足下式：
Y＝F(B)
该卷积神经网络模型包括依次连接的卷积层、第一残差层、第二残差层、第三残差层、第四残差层、特征层，
所述卷积层，用于提取当前最新的耀斑数据B的图像浅层的特征信息；其中，卷积层卷积核尺寸为7×7，特征通道数量为64，步长为2；
所述第一残差层，用于提取耀斑数据B的包含轮廓和颜色的图像底层特征信息；其中，第一残差层包括三个卷积层和一个激活函数层；卷积层的大小分别为1×1，3×3和1×1；对应的特征同数量为64，64和256；激活函数层的激活函数为PReLU；
所述第二残差层，用于提取耀斑数据B的图像深层特征信息；其中，第一残差层包括三个卷积层和一个激活函数层；卷积层的大小分别为1×1，3×3和1×1；对应的特征同数量为128,128和256；激活函数层的激活函数为PReLU；
所述第三残差层，用于提取耀斑数据B的图像深层特征信息；其中，第一残差层包括三个卷积层和一个激活函数层；卷积层的大小分别为1×1，3×3和1×1；对应的特征同数量为256,256和1024；激活函数层的激活函数为PReLU；
所述第四残差层，用于提取耀斑数据B的图像深层特征信息；其中，第一残差层包括三个卷积层和一个激活函数层；卷积层的大小分别为1×1，3×3和1×1；对应的特征同数量为512,512和2048；激活函数层的激活函数为PReLU；
所述特征层，用于将前面提取的特征信息进行整合；该特征层包括一个激活函数层，激活函数层的激活函数为sigmoid函数。
作为上述技术方案的改进之一，所述图像特征提取器的训练步骤为：
步骤1)从某一时间段内的全日面磁图中选取A张全日面磁图；
将大于或等于M级的耀斑的全日面磁图作为与正样本；
将小于M级的耀斑的全日面磁图作为负样本；
从正样本中选取B个作为训练正样本，从负样本中选取C个作为训练负样本，将B个训练正样本和C个训练负样本组成训练样本集；
步骤2)将训练样本集输入至图像特征提取器进行训练；
步骤3)使用二分类的交叉熵损失函数对图像特征提取器中的每一层的权重进行调整，通过多次迭代降低损失，从而得到图像特征提取器的特征权重；
判断二分类的交叉熵损失函数的输出值未达到损失函数阈值，则调整图像特征提取器的参数，并转至步骤2)；当二分类的交叉熵损失函数的输出值满足对应的损失函数阈值时，转至步骤4)；
步骤4)输出训练好的图像特征提取器。
作为上述技术方案的改进之一，所述时序特征提取器为长短期记忆神经网络模型；
该长短期记忆神经网络模型的输入为特征矩阵；输出为多个推荐特征向量；
该长短期记忆神经网络模型包括依次连接的第一LSTM层、第二LSTM层、dropout层、feature层和分类层；
所述第一LSTM层，用于提取滑动窗口中耀斑数据B的时序演化信息，神经元个数为256个，时间步长等于滑动窗口宽度，均为16；
所述dropout层，用于防止网络过拟合，保留概率为0.5；
所述第二LSTM层，用于提取滑动窗口中耀斑数据B的时序演化信息，神经元个数为128个，时间步长等于滑动窗口宽度为16；
所述feature层，用于整合特征，得到推荐特征向量，神经元个数为128个；其中，推荐特征向量包括时序信息和图像信息；
所述分类层，用于根据交叉熵损失函数：
其中，y为特征矩阵的真实标签，即在本工作中为发生耀斑事件；为模型预测的结果；L为交叉熵损失函数的输出值；
对长短期记忆神经网络模型中的每一层的权重进行调整，通过多次迭代降低损失，从而得到长短期记忆神经网络模型的特征权重。
作为上述技术方案的改进之一，所述时序特征提取器的训练步骤为：
步骤1)从某一时间段内的全日面磁图中选取J张全日面磁图；
采用滑动窗方法，将光球磁场观测的序列信息与每一张全日面磁图结合，得到J个耀斑样本，并作为训练样本集；
步骤2)通过判断滑动窗口未来24小时是否发生耀斑事件来标注样本标签；
步骤3)将训练样本集输入至时序特征提取器进行预训练；使用交叉熵损失函数对长短期记忆神经网络模型中的每一层的权重进行调整，通过多次迭代降低损失，从而得到长短期记忆神经网络模型的特征权重；
判断交叉熵损失函数的输出值L未达到损失函数阈值，则调整长短期记忆神经网络模型的参数，并转至步骤2)；当交叉熵损失函数的输出值L满足对应的损失函数阈值时，转至步骤4)；
步骤4)输出训练好的时序特征提取器。
作为上述技术方案的改进之一，所述方法还包括：根据给出的给出事件预警，预测未来小时太阳耀斑是否发生。
本发明还提供了一种针对太阳耀斑的预警系统，该系统包括：
图像特征向量获取模块，用于实时获取最新的耀斑数据，并将其输入至预先建立和训练好的图像特征提取器进行特征提取，得到多个图像特征向量；
特征矩阵获取模块，用于将得到的多个图像特征向量按照时间顺序进行拼接，得到特征矩阵；
推荐向量获取模块，用于将得到的特征矩阵输入至预先建立和训练好的时序特征提取器，得到多个推荐特征向量；
相似度计算模块，用于采用欧式距离算法和余弦相似度算法，计算每个推荐特征向量与历史数据库中与事件相对应的历史数据样本特征向量的相似度；和
预警模块，用于根据计算得到的相似度，在历史数据库中查找到相似事件，作为推荐事件，给出事件预警。
作为上述技术方案的改进之一，所述系统还包括：预测模块，用于根据给出的给出事件预警，预测未来小时太阳耀斑是否发生。
本发明还提供了一种计算机设备，包括存储器、处理器及存储在所述存储器上并可在所述处理器上运行的计算机程序，其特征在于，所述处理器执行所述计算机程序时实现所述预警方法。
本发明还提供了一种计算机可读存储介质，其特征在于，所述计算机可读存储介质存储有计算机程序，所述计算机程序当被处理器执行时使所述处理器执行所述预警方法。
本发明与现有技术相比的有益效果是：
1、利用卷积神经网络对图像进行自动特征提取，同时结合长短期记忆神经网络对特征矩阵进行时序信息分析，减少了人为的特征提取，减少了人力物力的使用，成本大大降低，在预报员对发生情况进行判断时，能给出历史相似事件供预报员参考；
2、本发明的方法不仅能够对太阳耀斑进行预警，并预测未来24小时太阳耀斑是否发生，并且为预报员在进行耀斑预报中提供了新的参考方式，通过为当前要预测的太阳耀斑事件推荐历史上相似的事件，供预报员参考，大大提高了预警准确率和预测的准确率。
附图说明
图1是本发明的一种针对太阳耀斑的预警方法的流程图；
图2是本发明的一种针对太阳耀斑的预警方法的一个具体实施例的流程图。
具体实施方式
现结合附图对本发明作进一步的描述。
如图1所示，本发明提供了一种针对太阳耀斑的预警方法，该方法包括：
步骤11)实时获取最新的耀斑数据，并将其输入至预先建立和训练好的图像特征提取器进行特征提取，得到多个图像特征向量；
其中，所述图像特征提取器为卷积神经网络模型，该卷积神经网络模型能够提取图像特征，并将图像数据降维；该卷积神经网络模型F的输入为当前最新的耀斑数据B，输出为特征信息向量Y，即图像特征向量，如图2所示，在本实施例中，耀斑数据B包括9小时内的36张图片；
满足下式：
Y＝F(B)
该卷积神经网络模型包括依次连接的卷积层、第一残差层、第二残差层、第三残差层、第四残差层、特征层，
所述卷积层，用于提取当前最新的耀斑数据B的图像浅层的特征信息；其中，卷积层卷积核尺寸为7×7，特征通道数量为64，步长为2；
所述第一残差层，用于提取耀斑数据B的包含轮廓和颜色的图像底层特征信息；其中，第一残差层包括三个卷积层和一个激活函数层；卷积层的大小分别为1×1，3×3和1×1；对应的特征同数量为64，64和256；激活函数层的激活函数为PReLU；
所述第二残差层，用于提取耀斑数据B的图像深层特征信息；其中，第一残差层包括三个卷积层和一个激活函数层；卷积层的大小分别为1×1，3×3和1×1；对应的特征同数量为128,128和256；激活函数层的激活函数为PReLU；
所述第三残差层，用于提取耀斑数据B的图像深层特征信息；其中，第一残差层包括三个卷积层和一个激活函数层；卷积层的大小分别为1×1，3×3和1×1；对应的特征同数量为256,256和1024；激活函数层的激活函数为PReLU；
所述第四残差层，用于提取耀斑数据B的图像深层特征信息；其中，第一残差层包括三个卷积层和一个激活函数层；卷积层的大小分别为1×1，3×3和1×1；对应的特征同数量为512,512和2048；激活函数层的激活函数为PReLU；
所述特征层，用于将前面提取的特征信息进行整合，如图2所示，每个图像作为输入，可输出一256维图像特征向量；该特征层包括一个激活函数层，激活函数层的激活函数为sigmoid函数。
其中，所述图像特征提取器的训练步骤为：
步骤1)从某一时间段内的全日面磁图中选取A张全日面磁图；
将大于或等于M级的耀斑的全日面磁图作为与正样本；
将小于M级的耀斑的全日面磁图作为负样本；
从正样本中选取B个作为训练正样本，从负样本中选取C个作为训练负样本，将B个训练正样本和C个训练负样本组成训练样本集；
步骤2)将训练样本集输入至图像特征提取器进行训练；
步骤3)使用二分类的交叉熵损失函数对图像特征提取器中的每一层的权重进行调整，通过多次迭代降低损失，从而得到图像特征提取器的特征权重；
判断二分类的交叉熵损失函数的输出值未达到损失函数阈值，则调整图像特征提取器的参数，并转至步骤2)；当二分类的交叉熵损失函数的输出值满足对应的损失函数阈值时，转至步骤4)；
步骤4)输出训练好的图像特征提取器。
步骤12)将得到的多个图像特征向量按照时间顺序进行拼接，得到特征矩阵；
步骤13)再将得到的特征矩阵输入至预先建立和训练好的时序特征提取器，得到多个推荐特征向量；
其中，所述时序特征提取器为长短期记忆神经网络模型；
该长短期记忆神经网络模型的输入为特征矩阵；输出为多个推荐特征向量；
该长短期记忆神经网络模型包括依次连接的第一LSTM层、第二LSTM层、dropout层、feature层和分类层；
所述第一LSTM层，用于提取滑动窗口中耀斑数据B的时序演化信息，神经元个数为256个，时间步长等于滑动窗口宽度，均为16；
所述dropout层，用于防止网络过拟合，保留概率为0.5；
所述第二LSTM层，用于提取滑动窗口中耀斑数据B的时序演化信息，神经元个数为128个，时间步长等于滑动窗口宽度为16；
所述feature层，用于整合特征，得到推荐特征向量，即输出128维的推荐特征向量，其神经元个数为128个；其中，推荐特征向量包括时序信息和图像信息；
所述分类层，用于根据交叉熵损失函数：
其中，y为特征矩阵的真实标签，即在本工作中为发生耀斑事件；为模型预测的结果；L为交叉熵损失函数的输出值；
对长短期记忆神经网络模型中的每一层的权重进行调整，通过多次迭代降低损失，从而得到长短期记忆神经网络模型的特征权重。
其中，所述时序特征提取器的训练步骤为：
步骤1)从某一时间段内的全日面磁图中选取J张全日面磁图；
采用滑动窗方法，将光球磁场观测的序列信息与每一张全日面磁图结合，得到J个耀斑样本，并作为训练样本集；
步骤2)通过判断滑动窗口未来24小时是否发生耀斑事件来标注样本标签；
步骤3)将训练样本集输入至时序特征提取器进行预训练；使用交叉熵损失函数对长短期记忆神经网络模型中的每一层的权重进行调整，通过多次迭代降低损失，从而得到长短期记忆神经网络模型的特征权重；
判断交叉熵损失函数的输出值L未达到损失函数阈值，则调整长短期记忆神经网络模型的参数，并转至步骤2)；当交叉熵损失函数的输出值L满足对应的损失函数阈值时，转至步骤4)；
步骤4)输出训练好的时序特征提取器。
步骤14)采用欧式距离算法和余弦相似度算法，计算每个推荐特征向量与历史数据库中与事件相对应的历史数据样本特征向量的相似度；
步骤15)根据计算得到的相似度，在历史数据库中查找到相似事件，作为推荐事件，给出事件预警。
如图2所示，推荐出K个与当前样本相似事件，作为K个推荐事件，给出对应的事件预警。
所述方法还包括：根据给出的给出事件预警，预测未来小时太阳耀斑是否发生。
本发明还提供了一种针对太阳耀斑的预警系统，该系统包括：
图像特征向量获取模块，用于实时获取最新的耀斑数据，并将其输入至预先建立和训练好的图像特征提取器进行特征提取，得到多个图像特征向量；
特征矩阵获取模块，用于将得到的多个图像特征向量按照时间顺序进行拼接，得到特征矩阵；
推荐向量获取模块，用于将得到的特征矩阵输入至预先建立和训练好的时序特征提取器，得到多个推荐特征向量；
相似度计算模块，用于采用欧式距离算法和余弦相似度算法，计算每个推荐特征向量与历史数据库中与事件相对应的历史数据样本特征向量的相似度；和
预警模块，用于根据计算得到的相似度，在历史数据库中查找到相似事件，作为推荐事件，给出事件预警。
所述系统还包括：预测模块，用于根据给出的给出事件预警，预测未来小时太阳耀斑是否发生。
本发明还提供了一种计算机设备，包括存储器、处理器及存储在所述存储器上并可在所述处理器上运行的计算机程序，其特征在于，所述处理器执行所述计算机程序时实现所述预警方法。
本发明还提供了一种计算机可读存储介质，其特征在于，所述计算机可读存储介质存储有计算机程序，所述计算机程序当被处理器执行时使所述处理器执行所述预警方法。
最后所应说明的是，以上实施例仅用以说明本发明的技术方案而非限制。尽管参照实施例对本发明进行了详细说明，本领域的普通技术人员应当理解，对本发明的技术方案进行修改或者等同替换，都不脱离本发明技术方案的精神和范围，其均应涵盖在本发明的权利要求范围当中。

Claims (10)

1.一种针对太阳耀斑的预警方法，该方法包括：
实时获取最新的耀斑数据，并将其输入至预先建立和训练好的图像特征提取器进行特征提取，得到多个图像特征向量；
将得到的多个图像特征向量按照时间顺序进行拼接，得到特征矩阵；
再将得到的特征矩阵输入至预先建立和训练好的时序特征提取器，得到多个推荐特征向量；
采用欧式距离算法和余弦相似度算法，计算每个推荐特征向量与历史数据库中与事件相对应的历史数据样本特征向量的相似度；
根据计算得到的相似度，在历史数据库中查找到相似事件，作为推荐事件，给出事件预警。
2.根据权利要求1所述的针对太阳耀斑的预警方法，其特征在于，所述图像特征提取器为卷积神经网络模型，该卷积神经网络模型能够提取图像特征，并将图像数据降维；该卷积神经网络模型F的输入为当前最新的耀斑数据B，输出为特征信息向量Y，满足下式：
Y＝F(B)
该卷积神经网络模型包括依次连接的卷积层、第一残差层、第二残差层、第三残差层、第四残差层、特征层，
所述卷积层，用于提取当前最新的耀斑数据B的图像浅层的特征信息；其中，卷积层卷积核尺寸为7×7，特征通道数量为64，步长为2；
所述第一残差层，用于提取耀斑数据B的包含轮廓和颜色的图像底层特征信息；其中，第一残差层包括三个卷积层和一个激活函数层；卷积层的大小分别为1×1，3×3和1×1；对应的特征同数量为64，64和256；激活函数层的激活函数为PReLU；
所述第二残差层，用于提取耀斑数据B的图像深层特征信息；其中，第一残差层包括三个卷积层和一个激活函数层；卷积层的大小分别为1×1，3×3和1×1；对应的特征同数量为128,128和256；激活函数层的激活函数为PReLU；
所述第三残差层，用于提取耀斑数据B的图像深层特征信息；其中，第一残差层包括三个卷积层和一个激活函数层；卷积层的大小分别为1×1，3×3和1×1；对应的特征同数量为256,256和1024；激活函数层的激活函数为PReLU；
所述第四残差层，用于提取耀斑数据B的图像深层特征信息；其中，第一残差层包括三个卷积层和一个激活函数层；卷积层的大小分别为1×1，3×3和1×1；对应的特征同数量为512,512和2048；激活函数层的激活函数为PReLU；
所述特征层，用于将前面提取的特征信息进行整合；该特征层包括一个激活函数层，激活函数层的激活函数为sigmoid函数。
3.根据权利要求2所述的针对太阳耀斑的预警方法，其特征在于，所述图像特征提取器的训练步骤为：
步骤1)从某一时间段内的全日面磁图中选取A张全日面磁图；
将大于或等于M级的耀斑的全日面磁图作为与正样本；
将小于M级的耀斑的全日面磁图作为负样本；
从正样本中选取B个作为训练正样本，从负样本中选取C个作为训练负样本，将B个训练正样本和C个训练负样本组成训练样本集；
步骤2)将训练样本集输入至图像特征提取器进行训练；
步骤3)使用二分类的交叉熵损失函数对图像特征提取器中的每一层的权重进行调整，通过多次迭代降低损失，从而得到图像特征提取器的特征权重；
判断二分类的交叉熵损失函数的输出值未达到损失函数阈值，则调整图像特征提取器的参数，并转至步骤2)；当二分类的交叉熵损失函数的输出值满足对应的损失函数阈值时，转至步骤4)；
步骤4)输出训练好的图像特征提取器。
4.根据权利要求1所述的针对太阳耀斑的预警方法，其特征在于，所述时序特征提取器为长短期记忆神经网络模型；
该长短期记忆神经网络模型的输入为特征矩阵；输出为多个推荐特征向量；
该长短期记忆神经网络模型包括依次连接的第一LSTM层、第二LSTM层、dropout层、feature层和分类层；
所述第一LSTM层，用于提取滑动窗口中耀斑数据B的时序演化信息，神经元个数为256个，时间步长等于滑动窗口宽度，均为16；
所述dropout层，用于防止网络过拟合，保留概率为0.5；
所述第二LSTM层，用于提取滑动窗口中耀斑数据B的时序演化信息，神经元个数为128个，时间步长等于滑动窗口宽度为16；
所述feature层，用于整合特征，得到推荐特征向量，神经元个数为128个；其中，推荐特征向量包括时序信息和图像信息；
所述分类层，用于根据交叉熵损失函数：
其中，y为特征矩阵的真实标签，即在本工作中为发生耀斑事件；为模型预测的结果；L为交叉熵损失函数的输出值；
对长短期记忆神经网络模型中的每一层的权重进行调整，通过多次迭代降低损失，从而得到长短期记忆神经网络模型的特征权重。
5.根据权利要求1所述的针对太阳耀斑的预警方法，其特征在于，所述时序特征提取器的训练步骤为：
步骤1)从某一时间段内的全日面磁图中选取J张全日面磁图；
采用滑动窗方法，将光球磁场观测的序列信息与每一张全日面磁图结合，得到J个耀斑样本，并作为训练样本集；
步骤2)通过判断滑动窗口未来24小时是否发生耀斑事件来标注样本标签；
步骤3)将训练样本集输入至时序特征提取器进行预训练；使用交叉熵损失函数对长短期记忆神经网络模型中的每一层的权重进行调整，通过多次迭代降低损失，从而得到长短期记忆神经网络模型的特征权重；
判断交叉熵损失函数的输出值L未达到损失函数阈值，则调整长短期记忆神经网络模型的参数，并转至步骤2)；当交叉熵损失函数的输出值L满足对应的损失函数阈值时，转至步骤4)；
步骤4)输出训练好的时序特征提取器。
6.根据权利要求1所述的针对太阳耀斑的预警方法，其特征在于，所述方法还包括：根据给出的给出事件预警，预测未来小时太阳耀斑是否发生。
7.一种针对太阳耀斑的预警系统，其特征在于，该系统包括：
图像特征向量获取模块，用于实时获取最新的耀斑数据，并将其输入至预先建立和训练好的图像特征提取器进行特征提取，得到多个图像特征向量；
特征矩阵获取模块，用于将得到的多个图像特征向量按照时间顺序进行拼接，得到特征矩阵；
推荐向量获取模块，用于将得到的特征矩阵输入至预先建立和训练好的时序特征提取器，得到多个推荐特征向量；
相似度计算模块，用于采用欧式距离算法和余弦相似度算法，计算每个推荐特征向量与历史数据库中与事件相对应的历史数据样本特征向量的相似度；和
预警模块，用于根据计算得到的相似度，在历史数据库中查找到相似事件，作为推荐事件，给出事件预警。
8.根据权利要求7所述的针对太阳耀斑的预警系统，其特征在于，所述系统还包括：预测模块，用于根据给出的给出事件预警，预测未来小时太阳耀斑是否发生。
9.一种计算机设备，包括存储器、处理器及存储在所述存储器上并可在所述处理器上运行的计算机程序，其特征在于，所述处理器执行所述计算机程序时实现权利要求1-6中任一项所述的方法。
10.一种计算机可读存储介质，其特征在于，所述计算机可读存储介质存储有计算机程序，所述计算机程序当被处理器执行时使所述处理器执行权利要求1-6中任一项所述的方法。
CN202110769908.9A 2021-07-07 2021-07-07 一种针对太阳耀斑的预警方法及预警系统 Active CN113610762B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202110769908.9A CN113610762B (zh) 2021-07-07 2021-07-07 一种针对太阳耀斑的预警方法及预警系统

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202110769908.9A CN113610762B (zh) 2021-07-07 2021-07-07 一种针对太阳耀斑的预警方法及预警系统

Publications (2)

Publication Number Publication Date
CN113610762A CN113610762A (zh) 2021-11-05
CN113610762B true CN113610762B (zh) 2024-02-23

Family

ID=78304176

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202110769908.9A Active CN113610762B (zh) 2021-07-07 2021-07-07 一种针对太阳耀斑的预警方法及预警系统

Country Status (1)

Country Link
CN (1) CN113610762B (zh)

Citations (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN105372723A (zh) * 2015-10-30 2016-03-02 中国科学院国家天文台 基于卷积神经网络模型的太阳耀斑预报方法
KR102009464B1 (ko) * 2018-07-18 2019-08-09 경희대학교 산학협력단 태양 전면 자기장 지도를 이용한 태양 플레어 예측 장치 및 방법
CN111274395A (zh) * 2020-01-19 2020-06-12 河海大学 基于卷积和长短期记忆网络的电网监控告警事件识别方法
CN111310102A (zh) * 2020-02-13 2020-06-19 国家卫星气象中心(国家空间天气监测预警中心) 太阳耀斑的预警方法、系统、计算机可读存储介质及设备
CN111402327A (zh) * 2020-03-17 2020-07-10 韶鼎人工智能科技有限公司 一种基于全卷积神经网络的室外照片太阳位置估计方法
CN111563420A (zh) * 2020-04-16 2020-08-21 自然资源部第一海洋研究所 基于卷积神经网络的海面太阳耀斑区溢油多光谱探测方法
CN112327389A (zh) * 2020-10-30 2021-02-05 中国科学院国家空间科学中心 基于太阳10.7cm射电流量的全日面耀斑预报方法及系统
CN112558187A (zh) * 2020-12-17 2021-03-26 昆明理工大学 一种基于3d卷积神经网络对太阳耀斑的爆发进行预报的方法

Patent Citations (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN105372723A (zh) * 2015-10-30 2016-03-02 中国科学院国家天文台 基于卷积神经网络模型的太阳耀斑预报方法
KR102009464B1 (ko) * 2018-07-18 2019-08-09 경희대학교 산학협력단 태양 전면 자기장 지도를 이용한 태양 플레어 예측 장치 및 방법
CN111274395A (zh) * 2020-01-19 2020-06-12 河海大学 基于卷积和长短期记忆网络的电网监控告警事件识别方法
CN111310102A (zh) * 2020-02-13 2020-06-19 国家卫星气象中心(国家空间天气监测预警中心) 太阳耀斑的预警方法、系统、计算机可读存储介质及设备
CN111402327A (zh) * 2020-03-17 2020-07-10 韶鼎人工智能科技有限公司 一种基于全卷积神经网络的室外照片太阳位置估计方法
CN111563420A (zh) * 2020-04-16 2020-08-21 自然资源部第一海洋研究所 基于卷积神经网络的海面太阳耀斑区溢油多光谱探测方法
CN112327389A (zh) * 2020-10-30 2021-02-05 中国科学院国家空间科学中心 基于太阳10.7cm射电流量的全日面耀斑预报方法及系统
CN112558187A (zh) * 2020-12-17 2021-03-26 昆明理工大学 一种基于3d卷积神经网络对太阳耀斑的爆发进行预报的方法

Non-Patent Citations (6)

* Cited by examiner, † Cited by third party
Title
Deep solar radiation forecasting with convolutional neural network and long short-term memory network algorithms;Sujan Ghimire;《Applied Energy》;全文 *
Predicting Solar Flares Using a Long Short-term Memory Network;Hao Liu;《The Astrophysical Journal》;全文 *
Predicting Solar Flares Using a Novel Deep Convolutional Neural Network;Xuebao Li;《The Astrophysical Journal》;全文 *
Prediction Model for Solar Energetic Proton Events: Analysis and Verification;Qiuzhen Zhong;《Space Weather》;全文 *
Solar Flare Prediction with the Hybrid Deep Convolutional Neural Network;Yanfang Zheng;《The Astrophysical Journal》;全文 *
机器学习在太阳爆发预报中的应用研究;方园慧;《中国优秀硕士学位论文全文数据库 信息科技辑》;全文 *

Also Published As

Publication number Publication date
CN113610762A (zh) 2021-11-05

Similar Documents

Publication Publication Date Title
CN109117883B (zh) 基于长短时记忆网络的sar影像海冰分类方法及系统
CN113627229B (zh) 目标检测方法、系统、设备以及计算机存储介质
CN110232082A (zh) 面向连续时空加油数据的异常检测方法
CN113139594B (zh) 一种机载图像无人机目标自适应检测方法
CN114881286A (zh) 一种基于深度学习的短时降水预测方法
US20220101273A1 (en) Methods and systems for forecasting estimated time of restoration during service interruption
Yuqing A Hybrid Convolutional Neural Network and Relief‐F Algorithm for Fault Power Line Recognition in Internet of Things‐Based Smart Grids
CN113610762B (zh) 一种针对太阳耀斑的预警方法及预警系统
CN113536944A (zh) 基于图像识别的配电线路巡检数据识别及分析方法
Aakroum et al. Deep learning for inferring the surface solar irradiance from sky imagery
Wang et al. GTFD‐XTNet: A tabular learning‐based ensemble approach for short‐term prediction of photovoltaic power
Ying et al. An improved defect detection method for substation equipment
Domico et al. A machine learning and computer vision approach to geomagnetic storm forecasting
CN116775400A (zh) 一种日志分析方法、装置、设备及存储介质
Czibula et al. RadRAR: A relational association rule mining approach for nowcasting based on predicting radar products’ values
Mendis et al. Intelligent situational-awareness architecture for hybrid emergency power systems in more electric aircraft
CN117745423B (zh) 一种异常账户的识别方法
CN118393612B (zh) 云体信息的预测方法及装置、存储介质及电子设备
CN116150341B (zh) 理赔事件检测方法、计算机设备和存储介质
Bisandu PhD et al. A Deep BiLSTM Machine Learning method for flight delay prediction classification
CN116580025B (zh) 缺陷过滤方法、装置、计算机设备和存储介质
Nair et al. Battery Health Prediction Using Deep Hybrid Learning
Zhang et al. Atedlw: Intelligent detection of abnormal trajectory in ship data service system
US20240317108A1 (en) System and Method for Using Artificial Intelligence to Detect Lithium Plating
Mutakabbir Multi-Modality Federated Learning with Multi-Source Data for Forest Fire Prediction

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination
GR01 Patent grant
GR01 Patent grant