B­i­r­ ­b­i­l­i­m­ ­a­d­a­m­ı­ ­i­k­i­ ­a­ş­a­m­a­l­ı­ ­b­i­r­ ­g­ü­n­e­ş­ ­p­a­t­l­a­m­a­s­ı­ ­e­r­k­e­n­ ­u­y­a­r­ı­ ­s­i­s­t­e­m­i­n­i­ ­n­a­s­ı­l­ ­k­u­r­d­u­?­

Güneş patlamaları, güneş aktivitesi alanındaki manyetik alan tarafından yönlendirilen güneş fırtınası olaylarıdır. Bu parlama radyasyonu Dünya’nın çevresine geldiğinde, foto-iyonizasyon iyonosferin D-katmanındaki elektron yoğunluğunu arttırır, yüksek frekanslı radyo iletişiminin emilmesine, uydu iletişiminin parıldamasına ve radarla gelişmiş arka plan gürültü girişimine neden olur.

İstatistikler ve deneyimler, parlama ne kadar büyük olursa, güneş protonu olayı gibi diğer güneş patlamalarının eşlik etme olasılığının o kadar yüksek olduğunu ve Dünya üzerindeki etkilerinin o kadar şiddetli olduğunu, böylece uzay uçuşunu, iletişimi, navigasyonu, güç iletimini ve diğer teknolojik sistemler.

Parlama salgınlarının olasılığı ve yoğunluğu hakkında tahmin bilgisi sağlamak, operasyonel uzay hava tahmininin başlangıcında önemli bir unsurdur. Güneş parlaması tahmininin modelleme çalışması, doğru parlama tahmininin gerekli bir parçasıdır ve önemli uygulama değerine sahiptir. Yakın zamanda yayınlanan bir araştırma makalesinde Uzay: Bilim ve TeknolojiHuazhong Tarım Üniversitesi Fen Fakültesi’nden Hong Chen, önümüzdeki 48 saat içinde bir güneş patlaması olup olmayacağını tahmin edebilen bir uyarı sistemi oluşturmak için k-araç kümeleme algoritmasını ve birkaç CNN modelini birleştirdi.

İlk olarak, yazar makalede kullanılan verileri tanıttı ve güneş patlaması uyarı sisteminin tasarımına bir temel sağlamak için bunları istatistiksel açıdan analiz etti. Projeksiyon etkisini azaltmak için, güneş diski merkezinin ±30° içinde bulunan aktif bölgenin merkezi seçildi. Bundan sonra yazar, NOAA tarafından sağlanan güneş patlaması verilerine göre, patlamaların başlangıç ​​ve bitiş zamanları, aktif bölge sayısı, patlamaların büyüklüğü vb.

Veri setindeki pozitif ve negatif örneklerin sayısı arasında ciddi bir dengesizlik vardı. Pozitif ve negatif örneklerin dengesizliğini hafifletmek için, mümkün olduğunca pozitif örnekleri olan olayları seçme ilkesi bulunmuştur. Yazar, tüm negatif örneklerde ve tüm pozitif örneklerde her özelliğin olasılık yoğunluk dağılımını görselleştirdi. Negatif örneklerin olasılık yoğunluk dağılımlarının hepsinin negatif çarpık dağılımlar olduğu ve pozitif örneklerin özelliklerinin genellikle negatif örneklerinkinden daha büyük olduğu kolayca bulunabilir. Böylece her bir olayın öznitelik değerlerine göre pozitif örneklere sahip olayları filtrelemek mümkün olmuştur.

Daha sonra yazar, tüm boru hattını şu iki adımı içeren bir yöntemle oluşturdu: veri ön işleme ve model eğitimi. Veri ön işlemesini yürütmek için, yalnızca negatif örnekleri içeren olayları mümkün olduğunca azaltmak için olayları kümelemek için denetimsiz bir kümeleme yöntemi olan K-means kullanıldı.

K-ortalama kümelemesinden sonra, tüm olaylar kategori A, kategori B ve kategori C olmak üzere üç kategoriye ayrıldı. Yazar, kategori C’deki pozitif örneklerin oranının tüm veri setinden çok daha büyük olan 0.340633 olduğunu buldu. Bu nedenle, algoritmanın bir sonraki aşamasında girdi verisi olarak sadece C kategorisindeki veriler seçilmiştir.

2. aşamada yazarın kullandığı sinir ağları derin öğrenmede yaygın olarak kullanılan Resnet18, Resnet34 ve Xception idi. C kategorisindeki örneklerin dörtte üçü rastgele seçilmiştir. Her olayda sinir ağı modelleri için eğitim verileri vardı ve örneklerin geri kalanı eğitim modeli sürecinde doğrulama verileri olarak kabul edildi.

Yazar, boyutun etkisinden kaçınmak için orijinal verileri de standartlaştırdı. Standardizasyon yöntemi yaygın olarak kullanılanlardan farklıydı. Standardizasyon hesaplama formülüne göre, bir numunenin etiketinin sinir ağı tarafından 1 olduğu tahmin edilirse, bu numune önümüzdeki 48 saat içinde meydana gelecek bir güneş patlaması sinyali olarak kabul edildi. Ancak 0 olduğu tahmin edilirse, önümüzdeki 48 saat içinde güneş patlaması meydana gelme olasılığı o kadar küçük olur ki göz ardı edilebilir.

Daha sonra yazar deneyler yaptı ve sonuçları tartıştı. Yazar önce deneysel ortamın bir tanıtımını yaptı ve ardından k-ortalama kümeleme algoritmasının ve güçlendirme stratejisinin gelişimini doğrulamak için birkaç ablasyon deneyi ve farklı modellerle karşılaştırmalar yaptı. Ayrıca yazar, deneyde kullanılan yöntem ile tahmin performansını sunmak için yaygın olarak kullanılan diğer 13 ikili sınıflandırma algoritması arasında karşılaştırmalar yaptı.

Deneysel sonuçlar, birkaç sinir ağını entegre eden modelin tahmin performansının tek bir evrişimli sinir ağından daha iyi olduğunu göstermiştir. Son olarak, Resnet18, Resnet34 ve Xception’ın tahmin sonuçları, güçlendirme stratejisiyle birleştirildi. Tüm ağlar için, kümelemeden sonra geri çağırma değişmeyebilir veya hatta büyük ölçüde azaltılabilir. Bununla birlikte, kesinlik önemli ölçüde artacaktı.

Kümelemeden sonra, pozitif örnek oranı %5’ten %34’e büyük ölçüde iyileşecek olsa da, pozitif örneklere ait bilgilerin yaklaşık %40’ı da kaybolacaktır. Yazar, hatırlamanın değişmemesinin veya hatta azalmasının ana nedeninin bu olduğunu düşündü. Bu aynı zamanda deneyde tahmin edilen pozitif numune sayısının kümeleme olmadan olandan daha az olduğu, ancak tahmin edilen pozitif numunenin gerçek pozitif olma olasılığının daha yüksek olduğu anlamına geliyordu.

Kümelemeden sonra diğer ikili sınıflandırma yöntemlerinin tahmin performansının düştüğü veya hatta çok zayıf olduğu olgusunun aksine, kümelemeden sonra yazarın yönteminin performansı %9’dan fazla arttı. Sonuç olarak, iki aşamalı güneş patlaması erken uyarı sistemi, denetimsiz bir kümeleme algoritması (k-ortalamalar) ve birkaç CNN modelinden oluşuyordu; burada birincisi pozitif örnekleme oranını artırmaktı ve ikincisi, CNN modellerinin tahmin sonuçlarını entegre ediyordu. tahmin performansını iyileştirmek için.

Deneyin sonuçları, yöntemin etkinliğini kanıtladı.