利用深度学习方法自动探测被遮挡的硬X射线耀斑
太阳与恒星天体物理
2021-02-24 v1 天体物理仪器与方法
人工智能
计算机视觉与模式识别
机器学习
摘要
我们提出一种利用机器学习对由Reuven Ramaty High Energy Solar Spectroscopic Imager (RHESSI)观测到的太阳耀斑硬X射线（HXR）发射进行分类的概念，以识别被太阳边缘遮挡或位于太阳圆面上的耀斑。尽管被遮挡耀斑的HXR观测对粒子加速研究十分重要，但过往观测的HXR数据分析耗时且需要专业知识。机器学习技术在此情形下颇具前景，我们构建了一个样本模型，使用深度学习技术来演示该概念。模型的输入数据是从RHESSI数据轻易生成的HXR谱图。该模型能够检测被遮挡耀斑，无需图像重建，也无需专家目视检查。此模型采用卷积神经网络技术，将输入数据视为图像。我们的模型分类准确率优于90%，并成功展示了该方法应用于被遮挡耀斑事件筛选或事件警报的能力。
引用
@article{arxiv.2101.11550,
title = {Automatic Detection of Occulted Hard X-ray Flares Using Deep-Learning Methods},
author = {Shin-nosuke Ishikawa and Hideaki Matsumura and Yasunobu Uchiyama and Lindsay Glesener},
journal= {arXiv preprint arXiv:2101.11550},
year = {2021}
}
备注
11 pages, 3 figures, accepted for publication in Solar Physics