CN119475199A 一种基于深度学习算法的木星磁重联事件检测方法及系统 （中国科学院国家空间科学中心）_第1页
CN119475199A 一种基于深度学习算法的木星磁重联事件检测方法及系统 （中国科学院国家空间科学中心）_第2页
CN119475199A 一种基于深度学习算法的木星磁重联事件检测方法及系统 （中国科学院国家空间科学中心）_第3页
CN119475199A 一种基于深度学习算法的木星磁重联事件检测方法及系统 （中国科学院国家空间科学中心）_第4页
CN119475199A 一种基于深度学习算法的木星磁重联事件检测方法及系统 （中国科学院国家空间科学中心）_第5页
已阅读5页，还剩17页未读， 继续免费阅读

下载本文档

版权说明：本文档由用户提供并上传，收益归属内容提供方，若内容存在侵权，请进行举报或认领

文档简介

号一种基于深度学习算法的木星磁重联事件本发明属于机器学习技术在空间物理领域星磁重联的区域块，从而实现磁重联事件的检2将预处理后的数据输入预先建立和训练好的磁重联事件检测模所述磁重联事件检测模型采用1DResNet残差网络，用于对磁场观测;;;;对于经过预处理的数据进行木星磁重联事件的标注，包括每个磁重联事件的起止时3对于标注后的具有木星磁重联事件的数据针对时间片对进行切片所述检测输出模块，用于将预处理后的数据输入预先建立和训练好的所述磁重联事件检测模型采用1DResNet残差网络，用于对磁场观测4要目的为检测与发现木星的磁重联事件。目前木星的磁层观测数据主要来源于伽利略号观测，其轨道周期大约是53地球日，远日点约113木星半径。Vogtetal.(2010)以及[0009]所述磁重联事件检测模型采用1DResNet残差网络，用于对磁场观测数据进行挖5[0034]所述磁重联事件检测模型采用1DResNet残差网络，用于对磁场观测数据进行挖[0036]本发明根据木星磁重联事件的典型特点，提出基于有监督的深度网络模型6[0043]随着深度学习神经网络在各类图像以及时序数据特征提取任务中取得巨大成功Magnetometer(FGM)原始观测7[0053]如图1所示为球坐标转化方法示意。后续的计算以球坐标系下的三分量为主计算于背景磁场的扰动量，这里采用计算平静时期前10小时的磁场平静值作为背景磁场的标多尺度特征融合方面表现优异的1DResNet残差网络作为木星磁重联事件检测的网络模型。[0064]步骤5是模型评估，将标注数据集样本数据作为选定的木星磁重联检测模型的输8[0069]精确度(Precision)是模型预测为正类并实际为正类的样本数与模型预测为正的[0073]本发明的实施例1提出了一种基于深度学习算法的木星磁重联事件检测方法，其[0074](1)首先根据文献以及需要应用的JUNO卫星磁场仪器FGM数据，筛选出从2016_征来进行信号分解。基本思想是把一个频率不规则的波化为多个单一频率的波+残波的形9于深度学习1DResnet的方法同时需要训练负样本，Loss采用交叉熵，适用于2分类任务。ResNet网络是参考了VGG19网络，在其基础上进行了修改，并通过短路机制加入了残差单分解的传统方法得到的木星磁重联事件检测的精确率为78%，召回率为80.8%，F1值达[0083]本发明的实施例2提供了一种基于深度学习算法的木星磁重联事件检测系统，基[0086]所述磁重联事件检测模型采用1DResNet残差网络，用于对磁场观测数据进行挖

人人文库> 全部分类> 行业资料 > 信息产业

温馨提示

  • 1. 本站所有资源如无特殊说明，都需要本地电脑安装OFFICE2007和PDF阅读器。图纸软件为CAD,CAXA,PROE,UG,SolidWorks等.压缩文件请下载最新的WinRAR软件解压。
  • 2. 本站的文档不包含任何第三方提供的附件图纸等，如果需要附件，请联系上传者。文件的所有权益归上传用户所有。
  • 3. 本站RAR压缩包中若带图纸，网页内容里面会有图纸预览，若没有图纸预览就没有图纸。
  • 4. 未经权益所有人同意不得将文件中的内容挪作商业或盈利用途。
  • 5. 人人文库网仅提供信息存储空间，仅对用户上传内容的表现方式做保护处理，对用户上传分享的文档内容本身不做任何修改或编辑，并不能对任何下载内容负责。
  • 6. 下载文件中如有侵权或不适当内容，请与我们联系，我们立即纠正。
  • 7. 本站不保证下载资源的准确性、安全性和完整性, 同时也不承担用户因使用这些下载资源对自己和他人造成任何形式的伤害或损失。

最新文档

评论

0/150

提交评论