KR101890494B1 - 태양 양성자입자 예측방법 - Google Patents

Abstract

본 발명은 태양 양성자입자 예측방법에 관한 것으로, 양성자 자료를 구축하는 단계; 상기 양성자 자료를 수집하여 분류하는 단계; 상기 수집된 자료들 중 20개를 선정하여 시스템 모델 집합을 구성하고, 데이터화 하는 단계; 상기 시스템 모델 데이터를 토대로, 양성자 데이터 및 양성자 시스템 모델을 입력하는 단계; 상기 입력한 데이터를 토대로 유사도를 측정하는 단계; 상기 유사도 측정으로부터 최종 결정된 시스템 모델을 기반으로 하여 입력데이터 이후 3일간의 양성자 데이터에 대한 예측을 하기 위해서 먼저 시스템 모델을 선택하는 단계; 상기 선택된 시스템 모델에 대한 현재 상태 이전 값을 양성자 추정치로 설정하는 단계; 상기 현재 상태 이전 값의 공분산 오차와 모분산을 더한값을 바탕으로 공분산 오차를 예측하는 단계; 상기 예측된 공분산 오차를 바탕으로 칼만 이득을 계산하는 단계; 상기 양성자 추정치를 계산하여 결정하는 단계; 상기 양성자 추정치를 계산하여 결정한 값을 바탕으로 공분산 오차를 계산하고 보정하는 단계; 및 양성자 예측 결과를 출력하는 단계를 포함하는 것을 특징으로 한다.

Description

태양 양성자입자 예측방법{METHOD FOR PREDICTION THE SOLAR PROTON PARTICLE}

본 발명은 태양의 양성자 측정에 관한 것으로, 더욱 상세하게는 태양에서 분출되는 양성자를 예측하는 태양 양성자입자 예측방법에 관한 것이다.

일반적으로 태양에서 지구에 도착하는 우주 방사선은 주로 양성자이다. 이러한 양성자는 큰 에너지를 가지고 있으며 지구의 대기권과 반응하여 보다 낮은 에너지를 가진 입자들을 다량으로 생성하게 된다.

이 때 생성된 입자들은 대부분 대기권을 통과하는 동안 흡수되고 해수면 또는 지표면에 도달하는 방사선은 적은 양의 뮤온, 중성자, 전자, 감마선 등의 입자이다.

항공기 운항 고도에서 고에너지 입자인 양성자가 대기와 반응하여 중성자, 뮤온, 전자, 감마선 등이 생성되어 중성자, 뮤온, 전자, 감마선에 의한 항공 방사선 피폭의 위험이 있으며, 특히 극항로를 운항할 때 항공 방사선 피폭의 위험이 매우 크다.

따라서 과거 데이터를 수집하여 예측 모형을 설계하고, 검증단계를 거쳐 가장 오차가 작은 모형을 선택하여, 태양의 양성자를 예측하고 항공 방사선을 추정할 수 있는 기술이 필요하다.

본 발명은 태양의 양성자 입자를 예측하여 방사선의 양을 예측하여 방사선 피폭을 예방할 수 있는 태양 양성자 입자 예측 방법을 제공하는 데 그 목적이 있다.

상기 목적을 달성하기 위한 본 발명은 양성자 자료를 구축하는 단계; 상기 양성자 자료를 수집하여 분류하는 단계; 상기 수집된 자료들 중 20개를 선정하여 시스템 모델 집합을 구성하고, 데이터화 하는 단계; 상기 시스템 모델 데이터를 토대로, 양성자 데이터 및 양성자 시스템 모델을 입력하는 단계; 상기 입력한 데이터를 토대로 유사도를 측정하는 단계; 상기 유사도 측정으로부터 최종 결정된 시스템 모델을 기반으로 하여 입력데이터 이후 3일간의 양성자 데이터에 대한 예측을 하기 위해서 먼저 시스템 모델을 선택하는 단계; 상기 선택된 시스템 모델에 대한 현재 상태 이전 값을 양성자 추정치로 설정하는단계; 상기 현재 상태 이전 값의 공분산 오차와 모분산을 더한값을 바탕으로 공분산 오차를 예측하는 단계; 상기 예측된 공분산 오차를 바탕으로 칼만 이득을 계산하는 단계; 상기 양성자 추정치를 계산하여 결정하는 단계; 상기 양성자 추정치를 계산하여 결정한 값을 바탕으로 공분산 오차를 계산하고 보정하는 단계; 및 양성자 예측 결과를 출력하는 단계를 제공한다.

상기 양성자 자료를 구축하는 단계에서, 상기 양성자 자료는 배포된 자료 중 1996년부터 2015년까지 일 단위 양성자 정보일 수 있다.

상기 양성자 자료를 수집하여 분류하는 단계 이후에, 수집된 양성자 자료를 바탕으로 클러스터링 기법을 통해 결과값을 낸 뒤, 선택된 군집의 개수와, 오브젝트들은 유클리디언 거리 방정식을 이용하여 가장 가까이에 있는 평균값을 기준으로 군집화 하는 단계를 더 포함할 수 있다.

상술한 바와 같이 본 발명에 따르면, 태양에서 나오는 양성자 입자를 예측할 수 있고, 이로 인해 방사선의 양을 추측할 수 있으며 방사선 피폭을 예방할 수 있는 효과가 있다.

도 1은 본 발명의 일 실시예에 따른 태양 양성자 입자 예측방법의 순서도이다.

아래에서는 첨부한 도면을 참고로 하여 본 발명의 실시예에 대하여 본 발명이 속하는 기술 분야에서 통상의 지식을 가진 자가 용이하게 실시할 수 있도록 상세히 설명한다. 그러나 본 발명은 여러 가지 상이한 형태로 구현될 수 있으며 여기에서 설명하는 실시예에 한정되지 않는다. 그리고 도면에서 본 발명을 명확하게 설명하기 위해서 설명과 관계없는 부분은 생략하였으며, 명세서 전체를 통하여 유사한 부분에 대해서는 유사한 도면 부호를 붙였다.

그러면 본 발명의 일 실시예에 따른 태양 양성자입자 예측방법에 대하여 설명한다.

도 1은 본 발명의 일 실시예에 따른 태양 양성자입자 예측 방법의 순서도이다.

도 1을 참조하면, 본 발명의 태양 양성자 입자 예측 방법은 먼저 양성자 자료를 구축한다.

상기 양성자 자료를 구축하는 단계는 최초 1회만 시행되며, 시스템 모델 집합을 생성한다.

상기 양성자 자료는 배포된 자료 중 1996년부터 2015년까지 일 단위 양성자정보를 수집한다(S10).

다음으로 수집된 양성자 자료를 구축한 뒤, 태양 이벤트를 기준으로 하여 이전 3일 및 이후 3일에 대한 정보를 패턴화 하고 클러스터링 기법을 이용하여 자료를 분류한다(S20).

상기 클리스터링 기법은 유사성 등의 개념에 기초하여 데이터를 몇몇의 그룹으로 분류하는 수법이며 문헌검색, 패턴인식, 경영과학 등에 폭넓게 응용되고 있는 일반적인 기법이다.

상기 수집된 양성자 자료를 바탕으로 클러스터링 기법을 통해 결과값을 낸뒤, 선택된 군집의 개수와, 오브젝트들은 유클리디언 거리 방정식을 이용하여 가장 가까이에 있는 평균값을 기준으로 군집화 한다.

상기 오브젝트와 클러스터의 거리를 구하고 난 뒤, 각각의 데이터는 오브젝트가 어느 중심점과 가장 유사도가 높은지 확인하고, 가까운 오브젝트끼리 군집화 시킨다.

다음으로 클러스터 중심점을 다시 계산하고, 오브젝트가 속한 클러스터가 변경되지 않을 때까지 선택된 군집과 오브젝트들을 유클리디언 거리 방정식을 이용하여 가장 가까이에 있는 평균값을 기준으로 군집화 시키기를 반복하여 오브젝트가 속한 클러스터가 변경되지 않을 때까지 반복한다.

상기 오브젝트가 속한 클러스터가 변경되지 않을 때 형성되는 군집들 중 임의로 20개를 선정하여 시스템 모델 집합을 구성하고(S30) 데이터화 한다.

상기 시스템 모델 데이터를 토대로, 양성자 데이터 및 양성자 시스템 모델을 입력한다(S100).

입력한 데이터를 토대로 유사도를 DTW(Dynamic Time Warping) 알고리즘을 이용하여 측정한다(S110).

상기 유사도 측정은 시간이나 속도에 따라 변화하는 서로 다른 길이의 동적인 패턴간에 유사도를 판별하기 위함이다.

먼저 예측할 데이터(P)는 4일치 데이터(3일전, 2일전, 1일전, 오늘)이며, 실제 양성자 4일치 데이터(P₁, P₂, P₃, P₄)를 입력하고, 시스템 모델 집합(Q) 또한 4일치 데이터(3일전, 2일전, 1일전, 오늘)이며, 시스템 모델의 4일치 데이터(Q₁, Q₂, Q₃, Q_{4 ,})를 입력한다.

입력된 값을 토대로 시간(X축)과 양성자값(Y축)의 그래프에 나타내어 P와 Q의 차이(w_k)를 구한다.

이때 사용되는 식은 d(w_k)=Q(q_k)-P(p_k)이며, 계산된 결과의 절대값이 최종 결과값이다. 여기서, d(w_k)는 예측할 데이터와 시스템 모델집합의 차이(유사도) 값이고, q_k는 Q에서의 시간이며 p_k는 P에서의 시간이다.

상기기 P와 Q의 차이(w_K)를 이용하여, 다음 수학식 1을 실행한다.

여기서, DTW(Q,P)는 예측값과 모델값을 비교하여 가장 유사하다고 판단한 값이며 , k는 현재시간이다.

상기 시스템 모델이 20개이므로, 20개의 모델 데이터와 입력한 값을 비교하여 값을 확인하고, 비교값이 가장 작은 시스템 모델을 유사하다고 판단하여 선택한다.

따라서, 유사도를 측정한 뒤, 최종 시스템 모델을 결정한다.

상기 유사도 측정으로부터 최종 결정된 시스템 모델을 기반으로 하여 입력데이터 이후 3일간의 양성자 데이터에 대한 예측을 수행한다.

양성자 예측은 크게 예측단계 및 보정단계를 수행하는데, 양성자 예측단계는 먼저 시스템 모델을 선택한다(S120).

선택된 시스템 모델에 대한 현재 상태 이전 값을 양성자 추정치로 설정하고 (S130) 현재 상태 이전 값의 공분산 오차를 예측한다.

상기 현재 상태 이전 값의 공분산 오차와 모분산을 더한 값을 바탕으로 공분산 오차를 예측한다(S140).

다음으로, 보정단계를 수행하는데, 상기 예측된 공분산 오차를 바탕으로 칼만 이득을 수학식 2로 계산한다(S150).

여기서, K_k는 시간 k에서의 칼만이득이고,

는 시간 k에서의 공분산 오차이며, R는 측정오차를 추정한 값이다.

상기 칼만 이득을 계산한 뒤, 양성자 추정치를 계산하여 수학식 3으로 결정한다(S160).

여기서,

는 추정치 값이며,

는 시간 k-1에서의 추정치이다.

상기 양성자 추정치를 계산하여 결정한 값을 바탕으로 공분산 오차를 수학식 4로 계산하고 보정한다(S170).

P_k는 시간 k에서의 공분산 오차이고, K_k는 시간 k 에서의 칼만이득이다.

상기 양성자를 추정하는 단계(S130) 내지 공분산 오차를 보정하는 단계(S170)를 7일치 데이터를 위해 7회 반복 수행한다.

여기서, 아래 첨자 K가 각각 d+1일(예측1일), d+2일(예측2일), d+3(예측3일)일 때까지 계산하고 예측결과를 출력한다(S180).

이상에서 본 발명의 실시예에 대하여 상세하게 설명하였지만 본 발명의 권리 범위는 이에 한정되는 것은 아니고 다음의 청구범위에서 정의하고 있는 본 발명의 기본 개념을 이용한 당업자의 여러 변형 및 개량 형태 또한 본 발명의 권리범위에 속하는 것이다.

Claims (3)

1. 양성자 자료를 구축하는 단계;
   상기 양성자 자료를 수집하여 분류하는 단계;
   상기 수집된 자료들 중 20개를 선정하여 시스템 모델 집합을 구성하고, 데이터화 하는 단계;
   상기 시스템 모델 데이터를 토대로, 양성자 데이터 및 양성자 시스템 모델을 입력하는 단계;
   상기 입력한 데이터를 토대로 유사도를 DTW(Dynamic Time Warping) 알고리즘을 이용하여 측정하는 단계;
   상기 유사도 측정으로부터 최종 결정된 시스템 모델을 기반으로 하여 입력데이터 이후 3일간의 양성자 데이터에 대한 예측을 하기 위해서 먼저 시스템 모델을 선택하는 단계;
   상기 선택된 시스템 모델에 대한 현재 상태 이전 값을 양성자 추정치로 설정하는 단계;
   상기 현재 상태 이전 값의 공분산 오차와 모분산을 더한값을 바탕으로 공분산 오차를 예측하는 단계;
   상기 예측된 공분산 오차를 바탕으로 칼만 이득을 계산하는 단계;
   상기 양성자 추정치를 계산하여 결정하는 단계;
   상기 양성자 추정치를 계산하여 결정한 값을 바탕으로 공분산 오차를 보정하는 단계; 및
   양성자 예측 결과를 출력하는 단계;를 포함하고,
   상기 양성자 자료를 수집하여 분류하는 단계 이후에, 수집된 양성자 자료를 바탕으로 클러스터링 기법을 통해 결과값을 낸 뒤, 선택된 군집의 개수와, 오브젝트들은 유클리디언 거리 방정식을 이용하여 가장 가까이에 있는 평균값을 기준으로 군집화하는 단계를 더 포함하는 것을 특징으로 하는 태양 양성자입자 예측방법.
2. 제 1항에 있어서,
   상기 양성자 자료를 구축하는 단계에서, 상기 양성자 자료는 배포된 자료 중 1996년부터 2015년까지 일 단위 양성자 정보인 것을 특징으로 하는 태양 양성자입자 예측방법.
3. 삭제

Images