一种日冕物质抛射多伴随现象的检测方法
【技术领域】
[0001] 本发明涉及太阳物理领域，尤指日冕物质抛射相关现象的检测。
【背景技术】
[0002] 日冕物质抛射（CME)是太阳系中最壮观、最频繁的大尺度活动现象。CME起源于太 阳日面，从太阳低层抛射到太阳风层，是一种由等离子体和磁场组成的大尺度爆发现象，其 一直以来被认为是空间灾害天气最主要的驱动源。由于太阳是距离地球最近的恒星，太阳 上的剧烈活动极有可能对我们人类赖以生存的地球空间环境安全造成严重影响。CME抛射 出的等离子体通常携带较强的南向磁场分量，当其与地球磁场相互作用时，会将巨大的能 量和物质瞬间在地球周围的空间中耗散和转换掉，从而引起地磁暴、电离层暴、极光等地磁 扰动。当这种扰动足够剧烈时，还会对卫星导航、空间通讯、电网、石油管道等人类赖以生存 的高科技活动产生灾害性的影响。近年来由于大量CME观测数据的定量分析需求，需要开 发快速有效的计算机算法代替纯人工处理方式。
[0003] CME通常伴随很多物理过程，如耀斑、爆发日珥、射电爆发、高能粒子事件和日冕暗 化等，对这些伴随物理过程开展细致深入的研宄，可以帮助我们更好地理解CME的起源、传 播和演化规律，而检测它们的发生情况则是首要任务。
[0004] 许多工作已经表明CME和其伴随现象之间是相互关联的，同时各伴随现象之间也 存在密切的关系。但是，很少有检测算法使用到现象之间的关联关系。已有的现象检测算 法主要分为四类：基于统计特征的方法、基于阈值的方法、基于图像处理的方法、基于机器 学习的方法和基于模式识别的方法。
[0005] 基于统计特征的方法常用在日冕暗化的检测，考虑统计特征在整个过程的变化情 况实现现象检测。基于阈值的方法由于其简单方便的特点，被广泛应用于日冕暗化、日冕 洞、暗条、耀斑和"S"形状的检测工作中。基于图像处理的方法主要包含用在日冕暗化检测 的水平集方法、用于暗条检测的区域增长方法和直方图方法。基于机器学习的方法主要用 在暗条和耀斑的检测中，包含传统的SVM、Bayes、MLP、RBF、CCNN、RBFN等学习方法。基于模 式识别的方法已被用在"S"形状的检测中，通过模板匹配的方式识别"S"形状。目前已经 有耀斑的检测方法利用到它和太阳黑子的关系，但是大多数现象的检测方法均没有用到现 象之间的相关关系，而且不同的现象检测时需要使用不同的数据特征，不能同时检测多种 现象的发生情况。由于CME常常伴随多种物理现象发生，同时，现象之间相互关联；将多现 象作为标签，则这正符合多标记学习方法的数据特点。本发明采用多标记学习的方法，结合 不同现象之间存在的相关关系，基于同一组特征数据，实现多种日冕物质抛射多伴随现象 的同时检测。
【发明内容】
[0006] 鉴于现有的CME伴随现象检测方法的局限性，本发明的目的是提供一种考虑多现 象之间相关关系的多伴随现象检测方法--基于多标记学习的CME伴随现象检测方法。
[0007] 具体实施步骤如下所示：
[0008] -种日冕物质抛射多伴随现象的检测方法，包括如下步骤：
[0009] 步骤1 :根据事件发生记录catalog获取η次CME现象，记录每次CME的发生时间 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] 步骤 2 :取某一时间段 t = (tp，/，tp，2'），tp，# t ρ>1' < tp，2' 彡 tp，2,调入 catalog 数据关于t时间段内六种伴随现象（记Y= {:日冕暗化，日冕洞，日冕波，暗条爆发，耀 斑，"S〃形状})的出现情况Q 1%将Yp作为该CME的标签集；
[0011] 步骤3 :对CME在t时间段内提取纹理特征向量xp;根据catalog，对AIA某一频道 对应t时间段内图像序列顺序随机选择k张图像I= U1, I2, ···〗,}，对每张图像Iq, KqSk 进行步骤3. 1-3. 3,得到56Xk维特征向量xp;
[0012] 步骤3. 1 :提取图像Iq角度CPAp-45°彡Θ彡CPAp+45°日面区域，得到1日面；旋 转该区域到日面的西北（右上）区域，如同以日面中心为原点的直角坐标系中的第一象限 位置；使用R 0 XR0的正方形区域包含该i日面，其他无关区域值设置为〇,得到的图像I,' 尺寸小于原图像Iq的I;
【主权项】
1. 一种日冕物质抛射多伴随现象的检测方法，对事件发生记录catalog数据（提供多 种现象的发生时间及位置等描述信息）和大气成像仪（AIA)观测图像数据进行处理W获取 日冕物质抛射CME与其伴随现象之间相互关联关系，包括如下步骤： 步骤1 ;根据事件发生记录catalog获取n次CME现象，记录每次CME的发生时间段 (tp，i, tp，2)和中央位置角度CPAp，其中1《P《n表示第P次CME ; 步骤2;取某一时间段t= (tp，i'，tp，2'），tp，i《tp，i' <tp，2'《tp，2,调入catalog数据关 于t时间段内六种伴随现象（记Y= {日冕暗化，日冕洞，日冕波，暗条爆发，耀斑，"S" 形状})的出现情况5； y，将Yp作为该CME的标签集； 步骤3 ;对CME在t时间段内提取纹理特征向量Xp;根据catalog,对AIA某一频道对应 t时间段内图像序列顺序随机选择k张图像I = {Ii，12,…Ik}，对每张图像I。，1《q《k 进行步骤3. 1-3. 3,得到56Xk维特征向量Xp; 步骤3. 1 ;提取图像I。角度CPAp-45°《0《CPAp+45°日面区域，得到^日面；旋转 该区域到日面的西北（右上）区域，如同W日面中屯、为原点的直角坐标系中的第一象限位 置；使用R0 XR0的正方形区域包含该^日面，其他无关区域值设置为0,得到的图像I。'尺 寸小于原图像I。的 /,'(/. /)-min(/,') 步骤 3. 2 ;采用 = 瞧W ,)，I。'（ ?，?）表示图像 I。' 的像素值， (i，j)表示像素坐标，将图像灰度化后计算图像I。"在0=(〇°，45°，90° ,135° )，d =1，灰度值级数为256时的4个灰度共生矩阵，分别计算角二阶距、逆差距、对比度、滴、相 关度5个二次统计量，得到20维特征； 步骤3. 3 ;对图像I。'采用3级二维双树复小波变换得到18个复系数带通子图，计算每 一个子图的能量和标准差得到36维特征； 步骤4 ;将步骤2得到的标签和步骤3得到的特征向量相结合，得到带标签的CME实例 集合T= {柏"，（X2，Y2)，…（x"，Y。)};采用数据T，利用多标记学习方法训练多标签模型 h:X - 2Y，X表示特征空间； 步骤5 ;对于一个新的CME，在其某一频道随机按时间顺序选择k张图像，采用步骤 3. 1-3. 3所述的方法提取特征向量X，再利用已经训练好的多标签模型h对其伴随现象进行 检测，得到目标伴随现象集合y。
2. 根据权利要求1所述的一种日冕物质抛射多伴随现象的检测方法，其特征在于：步 骤3需要选取某一频道，选取的频道能清楚地观测到Yp中的越多现象越好。
3. 根据权利要求1所述的一种日冕物质抛射多伴随现象的检测方法，其特征在于：步 骤3在挑选k张图像时，要按时间顺序挑选，W反映出各个特征在时间段t内的变化情况； 同时，k值的选取越大则能体现出更多的现象特征；但是k值过大，需要的计算量也越多，甚 至可能产生信息冗余；因此，需要选取一个折中的k值。
【专利摘要】本发明公开了一种日冕物质抛射多伴随现象的检测方法，包括如下步骤：首先根据事件catalog数据得到CME的发生时间和中央位置角，根据其发生时间选取某一时间段，记录该时间段内其发生的伴随现象作为此CME的类别标签集合；其次，在所选择的时间段中按顺序随机选择k张图像，提取每张图像的纹理特征，组成CME的特征向量；最后使用多标记学习的方法构建多标签模型，当产生新的CME现象时，相应提取其纹理特征向量，检测其伴随现象。本发明有效地解决了当CME发生时，其多伴随现象的检测问题，同时检测多种伴随现象的发生情况。
【IPC分类】G01W1-00
【公开号】CN104597523
【申请号】CN201410841340
【发明人】彭博, 田红梅, 李天瑞
【申请人】西南交通大学
【公开日】2015年5月6日
【申请日】2014年12月30日