利用卷积神经网络分析 AIA 耀斑观测
太阳与恒星天体物理
2020-05-28 v1
摘要
为高效分析太阳空间任务与地面仪器产生的大量数据，现代机器学习技术如决策树、支持向量机（SVM）与神经网络非常有用。本文展示使用卷积神经网络（CNN）分析大气成像组件（AIA）1600A 波长观测的初步结果。数据经预处理以定位观测中可见耀斑 ribbon 的耀斑区域。创建并训练 CNN 以自动分析耀斑 ribbon 的形状与位置，通过识别每幅图像是否属于四类之一：双 ribbon 耀斑、致密/圆形 ribbon 耀斑、边缘耀斑或宁静太阳，最后一类作为训练或测试集中无耀斑区域数据的对照。所创建网络能以 94% 的最终准确率将耀斑 ribbon 观测分类至任一类。初步结果显示多数图像被正确分类，仅致密耀斑类的准确率降至 90% 以下，且部分观测被误分类为边缘类。
引用
@article{arxiv.2005.13287,
title = {Analysing AIA Flare Observations using Convolutional Neural Networks},
author = {Teri Love and Thomas Neukirch and Clare E. Parnell},
journal= {arXiv preprint arXiv:2005.13287},
year = {2020}
}
备注
9 pages, 4 figures. To be published in Frontiers in Astronomy and Space Science as part of the Machine Learning in Heliophysics research topic