DeepLearningforClassificationofSolarRadio

Spectrum01020403 太陽(yáng)探測(cè)手段太陽(yáng)射電觀測(cè)目錄CONTNETS概述太陽(yáng)結(jié)構(gòu)、太陽(yáng)是一顆普通的恒星唯一一顆能在幾乎所有參數(shù)（時(shí)間波段／頻譜、空間、偏振）上進(jìn)行高精度和高分辯率觀測(cè)的恒星可運(yùn)用原子物理、核物理、量子輻射理論、磁流體力學(xué)和等離子體物理等進(jìn)行詳細(xì)研究是天然的天體物理實(shí)驗(yàn)室概述在日核處，每秒有500萬(wàn)噸的氫在熱核反應(yīng)中形成氦，產(chǎn)生能量。電磁輻射在太陽(yáng)內(nèi)部向外傳播時(shí)非常緩慢，內(nèi)部為不透明的，像濃霧，要經(jīng)歷許多次反射。如果直接出來(lái)，僅需2秒，但經(jīng)歷許多次反射后需要1千萬(wàn)年！在0.71R⊙和R⊙之間(R⊙=139wkm,

約為地球109倍)，由于氣體溫度迅速下降變得不穩(wěn)定，產(chǎn)生了湍流對(duì)流運(yùn)動(dòng)。日冕太陽(yáng)結(jié)構(gòu)太陽(yáng)大氣太陽(yáng)大氣有三個(gè)層次：光球（photosphere）輻射大部分太陽(yáng)光，僅有500km厚，密度為1023

m-3

（是地球大氣密度的百分之一）色球（chromosphere）是比光球更稀更透明的一層，約有2500km厚，密度為1017

m-3日冕（corona）則在色球之上更為稀薄，密度為1015

m-3，它伸展到地球軌道（密度為107

m-3）及以遠(yuǎn)的地方。太陽(yáng)探測(cè)不透明透明γ射線

X射線紫外

可見(jiàn)光

紅外線

毫米波微波短波中波甚低頻大氣層部分或全部吸收觀測(cè)波

長(zhǎng)大氣層吸收電離層吸收遙觀測(cè)數(shù)據(jù)：圖像： 光學(xué)

(可見(jiàn)光、紅外、紫外), 射電、X射線、γ射線強(qiáng)度： 射電、X射線、γ射線、光學(xué)譜： 光學(xué)、射電、X射線、γ射線局地探測(cè)數(shù)據(jù)：太陽(yáng)風(fēng)中的磁場(chǎng)、電場(chǎng)、電子流量、質(zhì)子流量、太陽(yáng)風(fēng)速可見(jiàn)光:光球毫米波：色球厘米波：色球上部與日冕底部分米波:低日冕米波: 十米波日冕 (30MHz):→2R☉2MHz:→10R☉～10

KHz→200R☉,1AU不同波段的射電輻射對(duì)應(yīng)于不同的太陽(yáng)高度射電觀測(cè)可以提供從色球到日地空間廣闊區(qū)域里有關(guān)等離子體和高能帶電粒子的信息，這是其他探測(cè)波段所不具備的德國(guó)二戰(zhàn)時(shí)期設(shè)在捷克的軍用雷達(dá)天線太陽(yáng)射電觀測(cè)儀器澳大利亞Culgoora日像儀美國(guó)的VLA印度GMRT45米天線陣GMRTislocatedatasiteabout80kmnorthofPune.Itconsistsof30fullysteerablegiganticparabolicdishesof45mdiametereachspreadoverdistancesofupto25kmoperatinginthefrequencyrangeofabout50to1500

MHz.美國(guó)歐文斯谷日本野邊山2《0天14體-Ju物ly-理7

學(xué)前沿》法國(guó)南茜俄羅斯SSRT俄羅斯RATAN-600國(guó)內(nèi)太陽(yáng)觀測(cè)設(shè)備UrumqiYNAOHuairouNAOCFuxianLakeInner

MongoliaNanjing除了上述太陽(yáng)觀測(cè)臺(tái)站之外，山東大學(xué)威海分校，國(guó)家氣象局空間天氣監(jiān)測(cè)預(yù)警中心等單位分別山東威海和石島等地設(shè)置了太陽(yáng)光學(xué)和射電觀測(cè)站點(diǎn)。7Distributionofthemajorsolarphysics

facilities明安圖觀測(cè)站（Mingantu

ObservingStation）中國(guó)科學(xué)院國(guó)家天文臺(tái)明安圖觀測(cè)站位于內(nèi)蒙古錫林郭勒盟正鑲白旗。新一代厘米-分米波射電于2009年開(kāi)始建造，2015年底項(xiàng)目竣工。01020403 LSTMforsolarradio

spectrumclassificationTECforecastby

LSTM目錄CONTNETSSolarradiospectrum

database.CNNforsolarradio

spectrumclassification數(shù)據(jù)：

Solar

Broadband

RadioSpectrometer

(SBRS)

of

China，contain

solar

radio

spectrum

aswellastheir

labels.類(lèi)型：3typeinclude

“burst”

“non-burst”

and“calibration”.two-dimensionalgray-scalimagewithonedemensionoffrequencyandtheotheroftime

.deep

learningSolarradiospectrm

database(a)“burst”typeof

spectrum(b)“non-burst”typeof

spectrumdeep

learningSolarradiospectrum

databaseSpectrumtypesburstnon-burstcalibrationtotalThenumber

ofspectrum115866709888816Thesolarradiospectrumdatabaseincludes3typesof

spectrums.deep

learning一、CNN模型簡(jiǎn)單的講，左圖CNN模型做的事情是：給定一張圖片，是車(chē)還是馬未知，判斷這張圖片里具體是一個(gè)什么東西，總之輸出一個(gè)結(jié)果。deep

learning1.卷積層Y=

σ(W×X+b)對(duì)圖像和濾波矩陣（一個(gè)恒定的濾波器filter）做內(nèi)積（逐個(gè)元素相乘再求和）的操作就是所謂的『卷積』操作。左邊是圖像輸入，中間部分就是濾波器filter不同的濾波器filter會(huì)得到不同的輸出數(shù)據(jù)，比如輸入圖像顏色深淺、輪廓。相當(dāng)于如果想提取圖像的不同特征，則用不同的濾波器filter，提取想要的關(guān)于圖像的特定信息：顏色深淺或輪廓。deep

learning2.CNN之激勵(lì)層因?yàn)榫€性模型的表達(dá)能力不夠，激活函數(shù)是用來(lái)加入非線性因素的，常用的非線性激活函數(shù)有sigmoid、tanh、relu等等，前兩者sigmoid/tanh比較常見(jiàn)于全連接層，后者relu常見(jiàn)于卷積層。Rulesigmoiddeep

learning3.池化pool層簡(jiǎn)言之，即取區(qū)域平均或最大，如右圖所示。引入了位移不變性，更關(guān)注是否存在某些特征而不是特征具體的位置。比如最常見(jiàn)的max

pooling，因?yàn)槿∫黄瑓^(qū)域的最大值，所以這個(gè)最大值在該區(qū)域內(nèi)無(wú)論在哪，max-pooling之后都是它，相當(dāng)于對(duì)微小位移的不變性。改變輸出的維度。4.全連接層輸出層的神經(jīng)元和輸入層的每個(gè)神經(jīng)元都連接。Fig.OurCNNmodel

networkdeep

learningStructure:fourfairsconvolutionlayersandfourpoolinglayers(C1-P1,C2-P2,C3-P3C4-P4)，followedbyafullyconnected

layer(F1).deep

learningLayer Layer

Type kernel

size stride outputInput (120,120,1)C1 convolution (1,5) (1,1) (120,120,32)P1 max-pooling (2,2) (2,2) (60,60,32)C2 convolution (1,5) (1,1) (60,60,64)P2 max-pooling (2,2) (2,2) (30,30,64)C3 convolution (1,5) (1,1) (30,30,128)P3 max-pooling (2,2) (2,2) (15,15,128)C4 convolution (1,5) (1,1) (15,15,256)P4 max-pooling (2,2) (2,2) (8,8,256)F1 full-connected 1024Output softmax 3Parameter:input:spectrumof120*120after

pre-processing.output: 3isburst

,non-burstor

calibration.leaningrate

：0.01costfunction

：softmax.optimization：theAdamoptimizer二、LSTM

networkarchitectureLSTMcellLSTMcellLSTMcell...... hT...x1Non-burstBurstCalibrationSoftmax

layerLSTM

layerInput

layer...xT...x2...h1h2ct-1ctσσtanhσtanh××+xtht-1hthtftitot×ct=ftct?1+

it

tanh Wcx

xt +Wchht?1+

bcht=

ot

tanh ctit=

σWixxt+

Wihht?1

+ bift=

σot=

σWfx

xt

+Wfhht?1

+

bfWoxxt+

Wohht?1

+ boforgetgatedeterminehowmuchofthepreviousinternalstateispreserved.Thiscombinationofwriteandforgetgatesallowsthenetworktocontrolwhatinformationshouldbestoredandoverwrittenacrosseach

time-stepinputgatewhichcontrolshowmuchoftheinputtoeachhiddenunitiswrittentotheinternalstate

vectoroutputgatecontrolshowmuchofeachunit’sactivationispreserved.ItallowstheLSTMcelltokeepinformationthatisnotrelevanttothecurrentoutput,butmayberelevant

laterExperimentalresultsand

analysisTable1.Thedetailsofthe

databaseSpectrum

TypeNon-burstBurstCalibrationTotalTraining

Number8008008002400Testing

Number58703581886416SpectrumSize120×120120×120120×120120×120Spectrum

TypeNon-burstBurstCalibrationTotalSpectrum

Number667011589888816Spectrum

Size120×120120×120120×120120×120Table2.The

split

of trainingandtesting

dataPerformance

comparisonsThegainoftheproposedmodelmaycomefromthree

aspects.A

spectrum

is

reorganized

into

a

time

sequence

so

that

its

innerstructurecanbeexploitedtobenefit

classification.LSTMisemployedtolearntherelationsandinteractionsofsequentialdataandgeneratestherepresentationofsolarradiospectrumfor

classification.Pre-processingofspectrumsenhancesvariationofsolar

radioradiationateachfrequencychannelofa

spectrum.SpectrumTypeLSTMCNNMultimodalDeepMultimodalDBNPCA+SVMTPRFPRTPRFPRTPRFPRTPRFPRTPRFPRTPRFPRNon-burst92.30%8.20%83.60%9.40%83.30%9.60%80.90%13.90%86.40%14.10%0.10%16.60%Burst85.40%6.70%89.70%8.70%82.20%22.50%70.90%15.60%67.40%13.20%52.70%26.60%Calibration96.20%0.90%100.00%0.70%92.50%1.70%96.80%3.20%95.70%0.40%38.30%72.20%三、ForecastingofIonosphericVerticalTotalContent(TEC)UsingLSTM

NetworksWhatis

T