一种基于长短期记忆网络的日冕指数预报方法

1.本发明属于日冕指数预报技术领域，具体涉及一种基于长短期记忆网络的日冕指数预报方法。


背景技术：

2.日冕是一种自然现象，是指太阳大气的最外层(其内部分别为色球层和光球层)，厚度达到几百万公里以上。日冕是太阳大气的最外层，从色球边缘向外延伸到几个太阳半径处，甚至更远。分内冕、中冕和外冕，内冕只延伸到离太阳表面约1.3倍太阳半径处；外冕则可达到几个太阳半径，甚至更远。日冕由很稀薄地完全电离地等离子体组成，其中主要是质子、高度电离的离子和高速的自由电子。日冕温度是太阳表面温度的数百倍。
3.目前日冕观测技术中采用图像预处理、基于阈值的二值化方法进行图像分割，得到cme前景图像，并提取cme的相关特征，完成cme检测和分类，基于阈值的方法受到阈值选择的影响，而阈值选择过程复杂，且选择的阈值并不一定合适，误判率比较高，因此需要设计一种基于长短期记忆网络的日冕指数预报方法解决上述问题。


技术实现要素：

4.本发明的目的在于提供一种基于长短期记忆网络的日冕指数预报方法，以解决上述背景技术中提出的问题。
5.为实现上述目的，本发明提供如下技术方案：一种基于长短期记忆网络的日冕指数预报方法，预报方法包括以下步骤：
6.s1、开启日冕指数预报系统，通过系统观测设备对日冕进行观测，根据观测设备实时采集获取图像数据；
7.s2、预设日冕指数预报范围，获取采集图像，通过记忆模型进行对比并判断是否有日冕事件发生，并根据日冕指数预报范围进行分类预报，若有日冕物质抛射事件发生则执行s3；若无日冕物质抛射事件发生，则执行s5；所述记忆模型通过长短期记忆网络进行随时更新；
8.s3、报警并调整日冕图像的观测模式；
9.s4、判断是否有晕状日冕物质抛射事件发生，若有晕状日冕物质抛射事件发生则再次报警，并执行s5；
10.s5、采集图像数据并存入硬盘中。
11.优选的，所述长短期记忆网络构建步骤为：
12.s11、对历史日冕观测图像进行提取和分析；
13.s12、对历史的观测图像异常数据和缺失数据的周期性预处理；
14.s13、长短期记忆网络模型构建。
15.优选的，所述s11具体步骤为：通过训练记忆网络，可以自动学习历史日冕观测图像中的特征，并识别出图像中目标的特征进行提取。
16.优选的，所述s12中对历史的观测图像中模糊和确实图像进行删除，并对正常图像中的日冕特征进行提取，然后计算日冕指数，通过s13构建成预测模型，训练后的模型作为长短期记忆网络日冕指数预测模型。
17.优选的，所述s13中形成的模型根据历史数据时间序列，对该时间序列进行与s12相同的周期性处理，处理后的数据形成基于长短期记忆网络日冕指数预测模型的预报数据集；长短期记忆网络日冕指数预测模型的预报数据集数据输入长短期记忆网络日冕指数预测模型，获得日冕指数预测结果。
18.优选的，所述s1中采集获取图像数据为相隔六十秒的图像。
19.优选的，所述s2中判断晕状日冕是否发生的具体过程为：确定二值化阈值，对获取的差分数据进行二值化分割，并利用形态学的膨胀、腐蚀处理二值化的图像；对处理后的二值化图像的强度、面积、角度进行计算；当角度大于120
°
时，则认为有晕状日冕发生；反之，则认为无晕状日冕发生。
20.优选的，所述s2中调整观测模式的过程为：当判断有日冕发生时，则启动快速观测模式，调动系统资源以适应快速采集和存储数据的工作方式；当无日冕物质抛射事件发生的时间间隔超过一定时长时，则恢复常规观测模式。
21.优选的，所述s2中记忆模型所构建的长短期记忆网络模型，训练后的模型作为短期预测模型。
22.优选的，所述记忆模型中原始数据的异常值和缺失值，采用均值插补法，取异常数据所在位置的前后数据作为插补数据，对异常数据进行预处理。
23.与现有技术相比，本发明的有益效果是：
24.1.本发明采用基于长短期记忆网络预测模型智能化对日冕指数观测方法能够自动判别日冕图像指数，且自动调节采集参数，获取的数据速度快，提高了准确率。
25.2.本发明改善了现有方法在受到阈值选择的影响中误判率比较高的情况，有效地提升了对日冕指数的特征提取能力，充分地捕捉日冕指数过程中的时空依赖，显著地提高了预测的精度。
附图说明
26.图1为本发明的步骤示意图。
具体实施方式
27.下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
28.请参阅图1，本发明提供一种技术方案：一种基于长短期记忆网络的日冕指数预报方法，预报方法包括以下步骤：
29.s1、开启日冕指数预报系统，通过系统观测设备对日冕进行观测，根据观测设备实时采集获取图像数据；
30.s2、预设日冕指数预报范围，获取采集图像，通过记忆模型进行对比并判断是否有
日冕事件发生，并根据日冕指数预报范围进行分类预报，若有日冕物质抛射事件发生则执行s3；若无日冕物质抛射事件发生，则执行s5；所述记忆模型通过长短期记忆网络进行随时更新；
31.s3、报警并调整日冕图像的观测模式；
32.s4、判断是否有晕状日冕物质抛射事件发生，若有晕状日冕物质抛射事件发生则再次报警，并执行s5；
33.s5、采集图像数据并存入硬盘中；
34.进一步地，所述长短期记忆网络构建步骤为：
35.s11、对历史日冕观测图像进行提取和分析；
36.s12、对历史的观测图像异常数据和缺失数据的周期性预处理；
37.s13、长短期记忆网络模型构建。
38.进一步地，所述s11具体步骤为：通过训练记忆网络，可以自动学习历史日冕观测图像中的特征，并识别出图像中目标的特征进行提取；所述s12中对历史的观测图像中模糊和确实图像进行删除，并对正常图像中的日冕特征进行提取，然后计算日冕指数，通过s13构建成预测模型，训练后的模型作为长短期记忆网络日冕指数预测模型；所述s13中形成的模型根据历史数据时间序列，对该时间序列进行与s12相同的周期性处理，处理后的数据形成基于长短期记忆网络日冕指数预测模型的预报数据集；长短期记忆网络日冕指数预测模型的预报数据集数据输入长短期记忆网络日冕指数预测模型，获得日冕指数预测结果。
39.从上述描述可知，本发明具有以下有益效果：本发明采用基于长短期记忆网络预测模型智能化对日冕指数观测方法能够自动判别日冕图像指数，且自动调节采集参数，获取的数据速度快，提高了准确率。
40.进一步地，所述s1中采集获取图像数据为相隔六十秒的图像；所述s2中判断晕状日冕是否发生的具体过程为：确定二值化阈值，对获取的差分数据进行二值化分割，并利用形态学的膨胀、腐蚀处理二值化的图像；对处理后的二值化图像的强度、面积、角度进行计算；当角度大于120
°
时，则认为有晕状日冕发生；反之，则认为无晕状日冕发生；所述s2中调整观测模式的过程为：当判断有日冕发生时，则启动快速观测模式，调动系统资源以适应快速采集和存储数据的工作方式；当无日冕物质抛射事件发生的时间间隔超过一定时长时，则恢复常规观测模式；所述s2中记忆模型所构建的长短期记忆网络模型，训练后的模型作为短期预测模型；所述记忆模型中原始数据的异常值和缺失值，采用均值插补法，取异常数据所在位置的前后数据作为插补数据，对异常数据进行预处理。
41.采用上述技术方案，本发明改善了现有方法在受到阈值选择的影响中误判率比较高的情况，有效地提升了对日冕指数的特征提取能力，充分地捕捉日冕指数过程中的时空依赖，显著地提高了预测的精度。
42.需要说明的是，在本文中，诸如第一和第二等之类的关系术语仅仅用来将一个实体或者操作与另一个实体或操作区分开来，而不一定要求或者暗示这些实体或操作之间存在任何这种实际的关系或者顺序。而且，术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性地包含，从而使得包括一系列要素的过程、方法、物品或者设备不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程、方法、物品或者设备所固有的要素。在没有更多限制的情况下，由语句“包括一个
……”
限定的要素，并不排除在
包括所述要素的过程、方法、物品或者设备中还存在另外的相同要素。
43.以上所述，仅用以说明本发明的技术方案而非限制，本领域普通技术人员对本发明的技术方案所做的其它修改或者等同替换，只要不脱离本发明技术方案的精神和范围，均应涵盖在本发明的权利要求范围当中。

技术特征：
1.一种基于长短期记忆网络的日冕指数预报方法，其特征在于：预报方法包括以下步骤：s1、开启日冕指数预报系统，通过系统观测设备对日冕进行观测，根据观测设备实时采集获取图像数据；s2、预设日冕指数预报范围，获取采集图像，通过记忆模型进行对比并判断是否有日冕事件发生，并根据日冕指数预报范围进行分类预报，若有日冕物质抛射事件发生则执行s3；若无日冕物质抛射事件发生，则执行s5；所述记忆模型通过长短期记忆网络进行随时更新；s3、报警并调整日冕图像的观测模式；s4、判断是否有晕状日冕物质抛射事件发生，若有晕状日冕物质抛射事件发生则再次报警，并执行s5；s5、采集图像数据并存入硬盘中。2.根据权利要求1所述的一种基于长短期记忆网络的日冕指数预报方法，其特征在于：所述长短期记忆网络构建步骤为：s11、对历史日冕观测图像进行提取和分析；s12、对历史的观测图像异常数据和缺失数据的周期性预处理；s13、长短期记忆网络模型构建。3.根据权利要求2所述的一种基于长短期记忆网络的日冕指数预报方法，其特征在于：所述s11具体步骤为：通过训练记忆网络，可以自动学习历史日冕观测图像中的特征，并识别出图像中目标的特征进行提取。4.根据权利要求3所述的一种基于长短期记忆网络的日冕指数预报方法，其特征在于：所述s12中对历史的观测图像中模糊和确实图像进行删除，并对正常图像中的日冕特征进行提取，然后计算日冕指数，通过s13构建成预测模型，训练后的模型作为长短期记忆网络日冕指数预测模型。5.根据权利要求4所述的一种基于长短期记忆网络的日冕指数预报方法，其特征在于：所述s13中形成的模型根据历史数据时间序列，对该时间序列进行与s12相同的周期性处理，处理后的数据形成基于长短期记忆网络日冕指数预测模型的预报数据集；长短期记忆网络日冕指数预测模型的预报数据集数据输入长短期记忆网络日冕指数预测模型，获得日冕指数预测结果。6.根据权利要求1所述的一种基于长短期记忆网络的日冕指数预报方法，其特征在于：所述s1中采集获取图像数据为相隔六十秒的图像。7.根据权利要求1所述的一种基于长短期记忆网络的日冕指数预报方法，其特征在于：所述s2中判断晕状日冕是否发生的具体过程为：确定二值化阈值，对获取的差分数据进行二值化分割，并利用形态学的膨胀、腐蚀处理二值化的图像；对处理后的二值化图像的强度、面积、角度进行计算；当角度大于120
°
时，则认为有晕状日冕发生；反之，则认为无晕状日冕发生。8.根据权利要求1所述的一种基于长短期记忆网络的日冕指数预报方法，其特征在于：所述s2中调整观测模式的过程为：当判断有日冕发生时，则启动快速观测模式，调动系统资源以适应快速采集和存储数据的工作方式；当无日冕物质抛射事件发生的时间间隔超过一定时长时，则恢复常规观测模式。
9.根据权利要求1所述的一种基于长短期记忆网络的日冕指数预报方法，其特征在于：所述s2中记忆模型所构建的长短期记忆网络模型，训练后的模型作为短期预测模型。10.根据权利要求1所述的一种基于长短期记忆网络的日冕指数预报方法，其特征在于：所述记忆模型中原始数据的异常值和缺失值，采用均值插补法，取异常数据所在位置的前后数据作为插补数据，对异常数据进行预处理。

技术总结
本发明公开了一种基于长短期记忆网络的日冕指数预报方法，预报方法包括以下步骤：S1、开启日冕指数预报系统，通过系统观测设备对日冕进行观测，根据观测设备实时采集获取图像数据；S2、预设日冕指数预报范围，获取采集图像，通过记忆模型进行对比并判断是否有日冕事件发生，并根据日冕指数预报范围进行分类预报，若有日冕物质抛射事件发生则执行S3；若无日冕物质抛射事件发生，则执行S5；所述记忆模型通过长短期记忆网络进行随时更新；本发明采用基于长短期记忆网络预测模型智能化对日冕指数观测方法能够自动判别日冕图像指数，且自动调节采集参数，获取的数据速度快，提高了准确率。提高了准确率。提高了准确率。


技术研发人员：邓林华 向南彬 徐永华 向永源 蔡云芳
受保护的技术使用者：中国科学院云南天文台
技术研发日：2023.06.25
技术公布日：2023/10/19