Новый метод прогнозирования мощных солнечных вспышек по

ISBN 978-5-7262-1375-0. НЕЙРОИНФОРМАТИКА – 2011. Часть 1
Н.С. БЕЛЛЮСТИН, А.А. ТЕЛЬНЫХ, Ю.В. ТИХОМИРОВ, О.В.
ШЕМАГИНА, А.Н. ЯШИНА
Институт прикладной физики РАН, Нижний Новгород
Научно-исследовательский радиофизический институт, Нижний Новгород
Нижегородский государственный технический университет им. Р.Е.
Алексеева
nbell@awp.nnov.ru
НОВЫЙ МЕТОД ПРОГНОЗИРОВАНИЯ МОЩНЫХ СОЛНЕЧНЫХ
ВСПЫШЕК ПО ПОСЛЕДОВАТЕЛЬНОСТИ ИЗОБРАЖЕНИЙ
ДИСКА СОЛНЦА
В РАЗЛИЧНЫХ ЧАСТОТНЫХ ДИАПАЗОНАХ
Предлагается новый метод прогнозирования мощного энерговыделения в атмосфере Солнца по последовательности изображений солнечного
диска, предшествующих мощной солнечной вспышке. Метод использует
выделение признаков изображения, наиболее эффективно отделяющих
предшествующие вспышкам изображения от остальных изображений,
прогнозирование обеспечивается объединением отобранных признаков в
комитеты.
Ключевые слова: Солнце, вспышки, прогнозирование, радиоизображения, нейроноподобные алгоритмы, комитет нейронных элементов
Введение
В последние годы становится все более актуальной задача прогнозирования тех событий в атмосфере Солнца, которые связаны с мощным
энерговыделением и могут вызывать сильные существенные последствия
на поверхности Земли и в околоземном космическом пространстве. В достаточно общей постановке задача сводится к выделению специфических
временных последовательностей двумерных полутоновых изображений
Солнца, получаемых в различных диапазонах частот электромагнитных
волн, с последующим разделением таких изображений на два класса: тех,
которые предшествуют по времени мощной вспышке, и тех изображений,
которые такой вспышке не предшествуют.
При решении этой практически важной задачи оказалось существенным, что вопросы детектирования и классификации объектов разных тиУДК 004.032.26(06) Нейронные сети
56
ISBN 978-5-7262-1375-0. НЕЙРОИНФОРМАТИКА – 2011. Часть 1
пов на цифровых изображениях сейчас актуальны для широкого набора
приложений, и многие прикладные задачи успешно решены – например,
выделение буквенных символов в тексте, детектирование лиц людей на
фотографиях или видеокадрах. Известно, что для работы с полутоновыми
двумерными изображениями успешно применяются нейроноподобные
алгоритмы, используемые живыми системами, где первый слой рецепторов суммирует освещенности точек «рецептивного поля» со знакопеременными весами [1]. Роль знакопеременных функций связи достаточно
подробно исследовалась в рамках нелинейного динамического уравнения:



u  u
 u  F  T        r  u , t  d   uex  r , t 
t



(здесь u  r , t  – двумерное распределение возбуждения в нейроноподоб-

  
ной системе, T – порог, u – постоянная времени,   r  – колоколообразная знакопеременная функция пространственной связи между нейроноподобными элементами слоя (см. рис. 1а),  – нормировочная константа, F  Z  – монотонно возрастающая ступенчато-образная функция).
Знакопеременные рецептивные функции позволяют выделять ключевые точки и признаки на двумерных изображениях, и они сыграли важную роль в задачах детектирования заданных объектов или событий на
цифровых изображениях. Результат свертки такой рецептивной функции с
полутоновым видеоизображением дает числовое значение одного из диагностических признаков, по совокупности которых можно отделить изображения, содержащие требуемый объект или событие, от изображений,
объекта не содержащих. Общее число рецепторов, накладываемых на исследуемое полутоновое изображение, выражается сотнями тысяч, но они
формируются на основе небольшого количества типов рецептивных
функций. На рис. 1, б. показаны четыре типа простейших рецептивных
функций, выбранных для задачи прогнозирования мощных солнечных
вспышек. Все эти функции двух переменных выбраны бинарными – показанные черным цветом пространственные области здесь соответствуют
значению функции -1, белые – значению +1. Свертка с такими функциями
соответствует тому, что при их наложении на исследуемое полутоновое
изображение яркости сигнала в соответствующих областях изображения
суммируются, а затем в качестве диагностического признака берется разность этих величин.
По каждому из четырех типов формируется большое число рецепторов, отличающихся своим положением на изображении, т.е. осуществляУДК 004.032.26(06) Нейронные сети
57
ISBN 978-5-7262-1375-0. НЕЙРОИНФОРМАТИКА – 2011. Часть 1
ется сканирование исследуемого изображения пространственным шагом
h, изменением которого можно регулировать количество используемых
признаков. Кроме того, для каждого из указанных типов меняется и пространственный масштаб признака с коэффициентом уменьшения масштаба k, при каждом значении масштаба вновь осуществляется сканирование
рецептора данного типа и масштаба по анализируемому изображению
[2, 3].
а)
б)
Рис. 1. Знакопеременные двумерные рецептивные функции: а) колоколообразная непрерывная функция, б) варианты дискретных рецептивных
функций, применяемые для прогнозирования мощных геоэффективных
вспышек по изображению диска Солнца
На рис. 2 показаны два варианта наложения рецептивного признака
первого типа (см. рис. 1, б) на изображение диска Солнца. В настоящее
время есть наборы таких изображений в оптическом, ультрафиолетовом,
рентгеновском диапазонах, кроме того, имеются и последовательности
радиоизображений Солнца, полученных японским гелиографом в Нобеяме на частоте 17 Мгц с разрешением 10". Такое разрешение соответствуют пространственному масштабу ~ 1 тыс. км на диске Солнца, что
позволяет формировать изображения размером до 1 – 2* 10 6 точек (пикУДК 004.032.26(06) Нейронные сети
58
ISBN 978-5-7262-1375-0. НЕЙРОИНФОРМАТИКА – 2011. Часть 1
селей), вполне сопоставимые по размеру с изображениями в более высокочастотных диапазонах за счет большого пространственного размера
наземной антенны. Из-за вращения Земли вокруг оси ориентировать такую антенну на Солнце можно до 7 часов в сутки, в остальные 17 часов
данные с такого инструмента отсутствуют, что дает радионаблюдениям
очевидный недостаток. С другой стороны, радиоизлучение имеет ряд преимуществ перед высокочастотными диапазонами за счет того, что оно
идет из хромосферы и несет информацию о структуре магнитных полей,
динамика которых определяет области формирования солнечных вспышек в хромосфере и короне. Особенно важно, что гелиографы последнего
поколения проводят измерения не только яркостных температур, но также
и поляризационные измерения, которые могут оказаться наиболее информативными для прогнозирования солнечных вспышек.
Описание алгоритма прогнозирования
В каждом случае количественное значение диагностического признака
получается путем вычитания суммарной освещенности в правой части
рецептивного поля (квадрата, накрываемого рецептором) из суммарной
освещенности левой части рецептивного квадрата. Показанные два признака относятся к одному типу рецептора, но отличаются положением и
масштабом. Общее количество N i рецепторов каждого i-того типа на
изображении, накладываемых на исследуемую часть изображения диска
Солнца, зависит от параметров сдвига сканирования h и масштабного коэффициента k – оно меняется в вычислительных экспериментах от ~ 10 5
до ~ 10 7 .
Набор обучающих прецедентов связан с обучающими примерами динамики видеокадров изображения диска Солнца, предшествующих солнечной вспышке уровня М1 и выше в рентгеновском диапазоне. За последние 20 лет наблюдений имеются несколько десятков таких событий, и
предшествующие им последовательности видеокадров использовались в
качестве обучающей базы данных.
В первом варианте прогнозирующего алгоритма по каждому из этих
событий рассматривалось 56 радиокадров Солнца, регистрируемых с часовым интервалом в течение 7 суток. Эти кадры независимо друг от друга
участвовали в отборе тех признаков, которые должны наиболее эффективно отделять последовательности кадров, предшествующие мощным
вспышкам, от кадров, не сопровождающихся такими вспышками. Для
каждого из описанных выше рецептивных признаков число обучающих
УДК 004.032.26(06) Нейронные сети
59
ISBN 978-5-7262-1375-0. НЕЙРОИНФОРМАТИКА – 2011. Часть 1
примеров становится равным 56* N i , дальнейшее их увеличение ограничивается вычислительными возможностями имеющегося компьютера.
Первый вариант создания прогнозирующего алгоритма включал следующие этапы.
1. Формирование базы данных изображений диска Солнца, предшествующих вспышкам в рентгеновском, ультрафиолетовом, оптическом и
радиодиапазоне.
Рис. 2. Пример наложения признаков на изображение диска Солнца
2. Формирование обучающей базы изображений Солнца, не предшествующих вспышке. Эта база данных должна быть больше по объему,
поскольку общее количество примеров, не связанных с вспышками, существенно больше количества предвспышечных примеров.
3. Каждый из рецептивных признаков проверятся, насколько он пригоден в качестве признака, разделяющего изображения диска Солнца, предшествующие вспышкам и не предшествующие, и отбираются тот признак,
который разделяет два типа кадров лучшим образом. Простейший вариант
отбора связан с гипотезой о нормальном распределении случайной величины, в этом случае разделение на два класса может осуществляться простым введением порога (рис. 3). В ходе отбора рецептор-победитель поУДК 004.032.26(06) Нейронные сети
60
ISBN 978-5-7262-1375-0. НЕЙРОИНФОРМАТИКА – 2011. Часть 1
лучает индивидуальный весовой коэффициент, зависящий от степени
убедительности его победы.
Рис. 3. Пример успешного разделения кривых функции на изображения
диска Солнца в случае нормального распределения для признака
4. После определения лучшего признака осуществляется переоценка
весов для обучающих изображений – происходит уменьшение вклада тех
изображений, которые проголосовали за победивший признак. Эта процедура необходима для обеспечения достаточного разнообразия при отборе
победивших признаков – в противном случае победители будут слишком
похожи друг на друга, чтобы их комбинирование могло создать эффективную прогнозирующую систему. После переоценки весов обучающих
изображений процедура поиска лучшего разделяющего признака из
большого числа кандидатов повторяется, новый рецептор-победитель
также получает свой вес и добавляется к предыдущему победителю в
«комитет победителей». На этапе прогнозирования они будут голосовать
в комитете в соответствии со своими весами, присвоенными им на стадии
отбора признаков.
5. Далее процедура пополнения комитета победителями продолжается
рекурсивно до тех пор, пока этот процесс не будет закончен. При этом из
десятков первичных «слабых» классификаторов формируется «сильный»
классификатор, который в нашем случае будет применяться для прогноза
вспышек.
Авторы признательны В.Г. Яхно за постоянный интерес к работе и
И.А. Бакуниной за содействие в поиске исходных данных для прогнозирования.
Результаты и выводы
УДК 004.032.26(06) Нейронные сети
61
ISBN 978-5-7262-1375-0. НЕЙРОИНФОРМАТИКА – 2011. Часть 1
Проведенное тестирование метода на имеющихся данных радиодиапазона 1992–2010 гг. показало удовлетворительное качество прогнозирования предложенным методом. Результат прогнозирования может быть повышен за счет использования данных по предвспышечной динамике
изображения диска Солнца в других частотных диапазонах. Таким образом, в настоящем исследовании предложен новый метод прогнозирования
мощных солнечных вспышек и проведена предварительная апробация
метода путем проведения предварительных расчетов по имеющимся данным наблюдений.
Список литературы
1. Hubel D.H., Wiesel T.N. Ferrier lecture. Functional arshitecture of macaque monkey visual cortex.// Proc. R. Soc. Lond. B. Biol. Sci. 1977. N 198. P.
1-59.
2. Viola P., Jones M., Rapid object detection using a boosted cascade of
simple features, Proc. Conference of Computer Vision and Pattern Recognition.
V.1. 2001. P. 511–518.
3. Тельных А.А., Краева Т.А., Нуйдель И.В., Разумов В.А., Шемагина
О.В.,
Яхно В.Г. Интегральная биометрическая система как платформа для тестирования нейроноподобных алгоритмов //Всероссийская научнотехническая конференция "Нейроинформатика-2009". Сборник научных
трудов, часть 2. М.: МИФИ. С. 227–237.
УДК 004.032.26(06) Нейронные сети
62