基于 CNN-LSTM 神经网络检测日冕环的皱卷振荡
太阳与恒星天体物理
2025-09-19 v1
摘要
开发了一种混合机器学习模型，将浅层卷积神经网络和长短期记忆网络 (CNN-LSTM) 结合，用于自动化检测大批量高采样率成像数据中日冕等离子体环的皱卷振荡。该网络在模拟日冕图像序列的 10,000 个人工数据立方体上进行训练，在该合成数据集上准确率超过 98%。随后将该模型应用于检测使用 SDO/AIA 在 171 Å 通道观测的日冕活动区域真实数据立方体。该数据集包含 50 个 visually 检测到皱卷振荡的样本和 128 个无此类振荡的样本。每个样本在空间域覆盖 260×260 像素，时域持续 30 分钟，采样间隔为 12 秒。所用的数据在时域中经过中值滤波，在空间域中进行高斯平滑和对比受限自适应直方图均衡化。就真实数据集而言，模型的性能为 83.7%。该模型完全以开放方式提供。我们认为开发的 CNN-LSTM 模型是日冕振荡研究中用于创建稳健日冕数据挖掘工具的第一步。
引用
@article{arxiv.2509.15041,
title = {Detection of kink oscillations in solar coronal loops by a CNN-LSTM neural network},
author = {Sergey A. Belov and Yu Zhong and Dmitrii Y. Kolotkov and Valery M. Nakariakov},
journal= {arXiv preprint arXiv:2509.15041},
year = {2025}
}