一種日冕物質拋射多伴隨現象的檢測方法
【技術領域】
[0001] 本發明涉及太陽物理領域，尤指日冕物質拋射相關現象的檢測。
【背景技術】
[0002] 日冕物質拋射（CME)是太陽系中最壯觀、最頻繁的大尺度活動現象。CME起源于太 陽日面，從太陽低層拋射到太陽風層，是一種由等離子體和磁場組成的大尺度爆發現象，其 一直以來被認為是空間災害天氣最主要的驅動源。由于太陽是距離地球最近的恒星，太陽 上的劇烈活動極有可能對我們人類賴以生存的地球空間環境安全造成嚴重影響。CME拋射 出的等離子體通常攜帶較強的南向磁場分量，當其與地球磁場相互作用時，會將巨大的能 量和物質瞬間在地球周圍的空間中耗散和轉換掉，從而引起地磁暴、電離層暴、極光等地磁 擾動。當這種擾動足夠劇烈時，還會對衛星導航、空間通訊、電網、石油管道等人類賴以生存 的高科技活動產生災害性的影響。近年來由于大量CME觀測數據的定量分析需求，需要開 發快速有效的計算機算法代替純人工處理方式。
[0003] CME通常伴隨很多物理過程，如耀斑、爆發日珥、射電爆發、高能粒子事件和日冕暗 化等，對這些伴隨物理過程開展細致深入的研宄，可以幫助我們更好地理解CME的起源、傳 播和演化規律，而檢測它們的發生情況則是首要任務。
[0004] 許多工作已經表明CME和其伴隨現象之間是相互關聯的，同時各伴隨現象之間也 存在密切的關系。但是，很少有檢測算法使用到現象之間的關聯關系。已有的現象檢測算 法主要分為四類：基于統計特征的方法、基于閾值的方法、基于圖像處理的方法、基于機器 學習的方法和基于模式識別的方法。
[0005] 基于統計特征的方法常用在日冕暗化的檢測，考慮統計特征在整個過程的變化情 況實現現象檢測。基于閾值的方法由于其簡單方便的特點，被廣泛應用于日冕暗化、日冕 洞、暗條、耀斑和"S"形狀的檢測工作中。基于圖像處理的方法主要包含用在日冕暗化檢測 的水平集方法、用于暗條檢測的區域增長方法和直方圖方法。基于機器學習的方法主要用 在暗條和耀斑的檢測中，包含傳統的SVM、Bayes、MLP、RBF、CCNN、RBFN等學習方法。基于模 式識別的方法已被用在"S"形狀的檢測中，通過模板匹配的方式識別"S"形狀。目前已經 有耀斑的檢測方法利用到它和太陽黑子的關系，但是大多數現象的檢測方法均沒有用到現 象之間的相關關系，而且不同的現象檢測時需要使用不同的數據特征，不能同時檢測多種 現象的發生情況。由于CME常常伴隨多種物理現象發生，同時，現象之間相互關聯；將多現 象作為標簽，則這正符合多標記學習方法的數據特點。本發明采用多標記學習的方法，結合 不同現象之間存在的相關關系，基于同一組特征數據，實現多種日冕物質拋射多伴隨現象 的同時檢測。
【發明內容】
[0006] 鑒于現有的CME伴隨現象檢測方法的局限性，本發明的目的是提供一種考慮多現 象之間相關關系的多伴隨現象檢測方法--基于多標記學習的CME伴隨現象檢測方法。
[0007] 具體實施步驟如下所示：
[0008] -種日冕物質拋射多伴隨現象的檢測方法，包括如下步驟：
[0009] 步驟1 :根據事件發生記錄catalog獲取η次CME現象，記錄每次CME的發生時間 段αρΛ，tp， 2)和中央位置角度CPAp，其中1彡ρ彡η表示第ρ次CME ;
[0010] 步驟 2 :取某一時間段 t = (tp，/，tp，2'），tp，# t ρ>1' < tp，2' 彡 tp，2,調入 catalog 數據關于t時間段內六種伴隨現象（記Y= {:日冕暗化，日冕洞，日冕波，暗條爆發，耀 斑，"S〃形狀})的出現情況Q 1%將Yp作為該CME的標簽集；
[0011] 步驟3 :對CME在t時間段內提取紋理特征向量xp;根據catalog，對AIA某一頻道 對應t時間段內圖像序列順序隨機選擇k張圖像I= U1, I2, ···〗,}，對每張圖像Iq, KqSk 進行步驟3. 1-3. 3,得到56Xk維特征向量xp;
[0012] 步驟3. 1 :提取圖像Iq角度CPAp-45°彡Θ彡CPAp+45°日面區域，得到1日面；旋 轉該區域到日面的西北（右上）區域，如同以日面中心為原點的直角坐標系中的第一象限 位置；使用R 0 XR0的正方形區域包含該i日面，其他無關區域值設置為〇,得到的圖像I,' 尺寸小于原圖像Iq的I;
【主權項】
1. 一種日冕物質拋射多伴隨現象的檢測方法，對事件發生記錄catalog數據（提供多 種現象的發生時間及位置等描述信息）和大氣成像儀（AIA)觀測圖像數據進行處理W獲取 日冕物質拋射CME與其伴隨現象之間相互關聯關系，包括如下步驟： 步驟1 ;根據事件發生記錄catalog獲取n次CME現象，記錄每次CME的發生時間段 (tp，i, tp，2)和中央位置角度CPAp，其中1《P《n表示第P次CME ; 步驟2;取某一時間段t= (tp，i'，tp，2'），tp，i《tp，i' <tp，2'《tp，2,調入catalog數據關 于t時間段內六種伴隨現象（記Y= {日冕暗化，日冕洞，日冕波，暗條爆發，耀斑，"S" 形狀})的出現情況5； y，將Yp作為該CME的標簽集； 步驟3 ;對CME在t時間段內提取紋理特征向量Xp;根據catalog,對AIA某一頻道對應 t時間段內圖像序列順序隨機選擇k張圖像I = {Ii，12,…Ik}，對每張圖像I。，1《q《k 進行步驟3. 1-3. 3,得到56Xk維特征向量Xp; 步驟3. 1 ;提取圖像I。角度CPAp-45°《0《CPAp+45°日面區域，得到^日面；旋轉 該區域到日面的西北（右上）區域，如同W日面中屯、為原點的直角坐標系中的第一象限位 置；使用R0 XR0的正方形區域包含該^日面，其他無關區域值設置為0,得到的圖像I。'尺 寸小于原圖像I。的 /,'(/. /)-min(/,') 步驟 3. 2 ;采用 = 瞧W ,)，I。'（ ?，?）表示圖像 I。' 的像素值， (i，j)表示像素坐標，將圖像灰度化后計算圖像I。"在0=(〇°，45°，90° ,135° )，d =1，灰度值級數為256時的4個灰度共生矩陣，分別計算角二階距、逆差距、對比度、滴、相 關度5個二次統計量，得到20維特征； 步驟3. 3 ;對圖像I。'采用3級二維雙樹復小波變換得到18個復系數帶通子圖，計算每 一個子圖的能量和標準差得到36維特征； 步驟4 ;將步驟2得到的標簽和步驟3得到的特征向量相結合，得到帶標簽的CME實例 集合T= {柏"，（X2，Y2)，…（x"，Y。)};采用數據T，利用多標記學習方法訓練多標簽模型 h:X - 2Y，X表示特征空間； 步驟5 ;對于一個新的CME，在其某一頻道隨機按時間順序選擇k張圖像，采用步驟 3. 1-3. 3所述的方法提取特征向量X，再利用已經訓練好的多標簽模型h對其伴隨現象進行 檢測，得到目標伴隨現象集合y。
2. 根據權利要求1所述的一種日冕物質拋射多伴隨現象的檢測方法，其特征在于：步 驟3需要選取某一頻道，選取的頻道能清楚地觀測到Yp中的越多現象越好。
3. 根據權利要求1所述的一種日冕物質拋射多伴隨現象的檢測方法，其特征在于：步 驟3在挑選k張圖像時，要按時間順序挑選，W反映出各個特征在時間段t內的變化情況； 同時，k值的選取越大則能體現出更多的現象特征；但是k值過大，需要的計算量也越多，甚 至可能產生信息冗余；因此，需要選取一個折中的k值。
【專利摘要】本發明公開了一種日冕物質拋射多伴隨現象的檢測方法，包括如下步驟：首先根據事件catalog數據得到CME的發生時間和中央位置角，根據其發生時間選取某一時間段，記錄該時間段內其發生的伴隨現象作為此CME的類別標簽集合；其次，在所選擇的時間段中按順序隨機選擇k張圖像，提取每張圖像的紋理特征，組成CME的特征向量；最后使用多標記學習的方法構建多標簽模型，當產生新的CME現象時，相應提取其紋理特征向量，檢測其伴隨現象。本發明有效地解決了當CME發生時，其多伴隨現象的檢測問題，同時檢測多種伴隨現象的發生情況。
【IPC分類】G01W1-00
【公開號】CN104597523
【申請號】CN201410841340
【發明人】彭博, 田紅梅, 李天瑞
【申請人】西南交通大學
【公開日】2015年5月6日
【申請日】2014年12月30日