本頁只刊出中文翻譯與中文說明；英文原文請見下方原文連結。
原文連結
論文資訊
- 類型：已發表論文
- 日期：2022-09-02
摘要
目前對太陽噴發的業務預測是由人類專家結合基於形狀的定性分類系統和有關耀斑頻率的歷史數據進行的。在過去的十年中，人們對制定機器學習 (ML) 耀斑預測方法以從訓練集中提取潛在模式產生了極大的興趣 - 例如一組太陽磁圖圖像，每張圖像都具有源自磁場的特徵，並標記其是否是噴發前兆。這些透過各種方法（神經網路、支援向量機等）捕捉的模式可用於對新影像進行分類。任何機器學習方法的一個主要挑戰是資料的特徵化：預處理原始影像以提取更高層級的屬性，例如磁場特徵，這可以簡化這些方法的訓練和使用。從目前任務的角度來看，選擇資訊豐富的特徵是關鍵。迄今為止，大多數基於機器學習的太陽噴發方法都使用基於物理的磁場和電場特徵，例如無符號總磁通量、場梯度、垂直電流密度等。在本文中，我們擴展了相關特徵集以包括純粹基於二維磁圖圖像的幾何和拓撲的磁場特徵，並表明這提高了基於神經網路的耀斑預測方法的預測精度。