基于 Mg II 谱线的太阳活动分类：面向压缩数据上的分类
太阳与恒星天体物理
2021-06-23 v2
摘要
尽管有大量太阳数据可供研究，但其中绝大多数数据未加标注，因而难以用于监督式机器学习方法。拥有一种将光谱准确自动分类至太阳活动相关类别的手段极为必要，并将助益并加速太阳物理的未来研究工作。同时，海量原始观测数据构成机器学习的严重瓶颈，需要许多实验室并不具备的强大计算资源。此外，原始数据传输对实时数据观测施加限制，并要求星载太阳观测系统具备可观的带宽与能耗。为解决这些问题，我们提出一种在压缩数据上分类太阳活动的框架。为此，我们采用既有矢量量化技术中的标注方案，结合不同机器学习算法，将 NASA 界面区成像光谱仪卫星 (IRIS) 测得的一次电离镁 Mg II 光谱分类为五类太阳活动。我们的训练数据集为人工标注的 85 条 IRIS 观测，含 29097 帧。标注的太阳活动类型为活动区、耀斑前活动、太阳耀斑、黑子与宁静太阳。我们在训练分类器前对这些数据进行压缩并降低其复杂度。我们发现 XGBoost 分类器在压缩数据上给出最准确结果，预测率超过 95%，优于卷积神经网络、K 近邻、朴素贝叶斯分类器与 SVM 等其他机器学习方法。我们发现压缩与未压缩数据上的分类性能相当，意味着在较低信息损失程度下可实现大幅压缩率。
引用
@article{arxiv.2009.07156,
title = {Solar activity classification based on Mg II spectra: towards classification on compressed data},
author = {Sergey Ivanov and Maksym Tsizh and Denis Ullmann and Brandon Panos and Slava Voloshynovskiy},
journal= {arXiv preprint arXiv:2009.07156},
year = {2021}
}
备注
9 figures, 1 table