一种基于交叉验证的太阳黑子区相关性评估方法

本发明属于耀斑预报，涉及一种解决黑子区编号冗余性的方法，具体涉及一种面向耀斑预报过程的基于交叉验证的太阳黑子区相关性评估方法。

背景技术：

1、在耀斑预报技术领域中，为了方便对太阳黑子进行观测和研究，科学家们采用了一套编号系统来命名各个黑子区，其基本方法是根据太阳表面上黑子的大小、形状和位置来识别和分类之后，由两个独立的观测站同时观测到一个活动区后确定编号。每个编号由字母和四位数字构成，例如“ar 5128”或者“noaa ar 5128”。这套编号系统从1972年1月5日开始实行，并且一直沿用至今。截至2002年6月14日，已经有超过10000个活动区被编号。然而，同一个黑子可能会被不同的观察者或仪器多次观察到并记录，导致相同的黑子被分配了不同的编号。因此这种太阳黑子区编号的方法存在冗余性。

2、为了解决这个问题，国际天文学联盟在2011年修订了太阳黑子编号系统，引入了“相对太阳黑子数”和“国际太阳黑子数”等标准化的测量方法，以便更好地比较和分析不同观察者和仪器之间的数据。但事实上，这种修正方法依然无法完备表征所有黑子区。一方面，这种冗余的编号会严重影响使用机器学习方法开展的预报任务；另一方面，由于黑子被多次观察并记录，导致数据集中存在大量重复的耀斑样本，这种冗余性会提高耀斑样本的复杂度，以至于影响机器学习算法的分析代价。而现有的技术并没有针对黑子区编号的冗余性展开详细的论述和研究。

3、综上所述，有必要设计一种适用于解决黑子区编号冗余性的方法，以提高分析精度和预报效率。

技术实现思路

1、为了有效评估黑子区编号之间的相关性，进而应对编号冗余性问题，本发明提供了一种基于交叉验证的太阳黑子区相关性评估方法。

2、本发明的目的是通过以下技术方案实现的：

3、一种基于交叉验证的太阳黑子区相关性评估方法，包括如下步骤：

4、步骤一：获取耀斑数据集，并按照黑子区编号进行数据集分割，得到各个数据子集；

5、步骤二：对步骤一得到的每个数据子集进行机器学习算法训练，得到该数据子集的机器学习模型；

6、步骤三：对步骤二中的每个机器学习模型计算相应的auc指标，得到a矩阵；

7、步骤四：利用步骤三计算得到的a矩阵进行相关性分析，得到相关性指数corr；

8、步骤五：判断相关性指数corr，得出给定区域相关性判定结论。

9、相比于现有技术，本发明具有如下优点：

10、本发明通过建立预报算法与黑子区编号的关系，基于交叉验证的评估方法，给出了“相关性指数”的计算方法。这种计算方法可以在一定程度上对建立预报算法的过程进行简化，在使用联邦迁移学习的过程中，可以将相似度较高的黑子区域进行算法聚合，以加速训练过程，进而提高预报效率。

技术特征：

1.一种基于交叉验证的太阳黑子区相关性评估方法，其特征在于所述方法包括如下步骤：

2.根据权利要求1所述的基于交叉验证的太阳黑子区相关性评估方法，其特征在于所述步骤一的具体步骤如下：

3.根据权利要求1所述的基于交叉验证的太阳黑子区相关性评估方法，其特征在于所述步骤二的具体步骤如下：

技术总结
本发明公开了一种基于交叉验证的太阳黑子区相关性评估方法，所述方法包括如下步骤：一：获取耀斑数据集，并按照黑子区编号进行数据集分割，得到各个数据子集；二：对每个数据子集进行机器学习算法训练，得到该数据子集的机器学习模型；三：对每个机器学习模型计算相应的AUC指标，得到A矩阵；四：利用A矩阵进行相关性分析，得到相关性指数Corr；五：判断相关性指数Corr，得出给定区域相关性判定结论。本发明给出了“相关性指数”的计算方法，该方法可以在一定程度上对建立预报算法的过程进行简化，在使用联邦迁移学习的过程中，可以将相似度较高的黑子区域进行算法聚合，以加速训练过程，进而提高预报效率。

技术研发人员：付俊丰,万杰,赵先一,韩轲,鄂鹏
受保护的技术使用者：哈尔滨工业大学
技术研发日：
技术公布日：2024/1/22