ФКНТ Кафедра АСУ ДонНТУ   Портал магістрів

Реферат за темою випускної роботи

Зміст

Вступ

З точки зору астрономів, наше Сонце - зірка спокійна. Однак час від часу на ньому виникають спалахи, і потік жорсткого електромагнітного випромінювання від світила збільшується в тисячі разів. Звичайні сонячні спалахи тривають лише кілька хвилин. Але і цього достатньо для того, щоб надати серйозні наслідки для життя на Земле.Уже через вісім хвилин після початку спалаху невидимі ультрафіолетові, рентгенівські й гамма-промені досягають орбіти Землі. Потоки заряджених частинок, прискорених до гігантських енергій, і величезні викиди плазми раптово обрушуються в міжпланетний простір. На щастя, атмосфера Землі захищає нас від небезпечного випромінювання, а її магнітне поле - від заряджених частинок. Однак навіть на Землі, а тим більше в космосі сонячні спалахи досить небезпечні, вони можуть викликати серйозні проблеми для космічної промисловості, зв'язку на базі електромагнітних та енергетичних систем, радіопередачі.

1. Актуальність теми

Прогнозування сонячних спалахів більше, ніж за день до їх виникнення, забезпечить завчасне попередження для захисту супутників, енергосистем і астронавтів від потенційно небезпечного випромінювання. Супутники, наприклад, можуть бути сконструйовані таким чином, що б тимчасово бути закритими. Електромережі так само можуть бути захищені перед спалахом.

Досі прогнози сонячної погоди робилися вручну: експерти розглядали двовимірні супутникові фотографії Сонця і на око оцінювали ймовірність майбутньої актівності.Поетому виникає потреба в автоматизованій системі прогнозування сонячних спалахів, яка дозволила б отримувати точні прогнози на основі свіжих даних про поверхню Сонця. Магістерська робота присвячена актуальній науковій задачі розробки автоматизованої системи прогнозування спалахів на Сонці.

2. Постановка завдання

Поставлена мета досягається на основі рішення наступних завдань:

  1. Аналіз основних інформаційних складових зміни фізичних процесів у різних структурах сонячної атмосфери на стадіях, що передують потужним сонячним подіям для максимізації точності прогнозу в задачі короткострокового прогнозування сонячної активності;
  2. Дослідження існуючих методів класифікації сонячних плям для досягнення високого відсотка точності прогнозів
  3. Розробка алгоритму обробки послідовності MDI зображенні магнітограми.
  4. Проектування автоматизованої системи

Оцінка числа сонячних плям на будь-яку задану дату може бути описана наступним рівнянням

Де a - амплітуда циклу, пов'язана із зростанням мінімального циклу, с - асиметрія циклу, b - час в місяцях від мінімальної до максимальної

В якості цільової функції пропонується використовувати мінімальну різницю чисел плям.

| F (t) - F (t ') | -> min

де F (t) - рівняння оцінки числа сонячних плям для даних отриманих з бази.

F (t ') - рівняння оцінки числа сонячних плям для даних отриманих системою

Вибір такої цільової функції забезпечить виконання максимізації точності прогнозу в задачі короткострокового прогнозування сонячної активності. Обмеження задачі можна записати таким чином:

  1. Кількість магнітограми Аi має бути> 0 на момент складання прогнозу;
            Сума Ai> 0, для кожного періоду часу (i)
  2. Період за який відбувається оцінка числа плям повинен бути> 5 років.
             T-T0> 5, на кожен момент складання прогнозів
             де Т0 - час початку спалахової активності,
             Т - час закінчення спалахової активності.
  3. Амплітуда циклу а прагне до min;
                      a-> min
  4. Потужність спалаху Вi повинна соотвествовать касу Х або М
       Сума Bi> = 1,0 * 0,00001 Вт \ м2

3. Мета дослідження

Метою дослідження є розробка автоматизованої системи, яка дозволяє завчасно отримувати прогнози спалахів на сонці з метою запобігання проблем в космічній промисловості, наносяться сонячними спалахами, а так само для безперебійної роботи зв'язку на базі електромагнітних та енергетичних систем, радіопередач.

Предмет дослідження : методи прогнозування сонячних спалахів.


Малюнок 4.1 - Cпалах М-класу
(анімація: об'єм - 133 КБ, розмір - 600x368, кількість кадрів - 30, затримка між кадрами - 30 мс; затримка між останнім і першим кадрами - 100 мс; кількість циклів повторення - 7)

4. Огляд досліджень і розробок

Оскільки розробка такої системи є актуальним завданням нею займалися багато спеціалітов, як американські, так і вітчизняні. По даній темі було захищено багато дипломів і дисертацій, проводилося ряд досліджень.

4.1 Огляд міжнародних джерел

На сьогоднішній день розробкою такої системи займаються британські вчені R. Qahwaji Roger. Green. Ними було написано ряд статей на цю тему.Ознакомітся з ними можна на їх сайті; [2-6] У своїх статтях вони докладно описують методи, якими користувалися у своїх дослідженнях і досягли за цей час результати.

Інший спосіб прогнозування у своїх статтях розглядають американські вчені з Університету Пердью. Нова система попередження аналізує відмінності в гамма-випромінюванні, яке випускається в момент розпаду атомів радіоактивних елементів. Ця швидкість розпаду вважається постійною, але останні результати досліджень ставлять це твердження під сумнів. Вчені висунули гіпотезу, яка говорить, що швидкість радіоактивного розпаду змінюється під впливом сонячної активності, можливо, за потоку субатомних частинок нейтрино від Сонця. [6]

У своїй роботі H. Alomari. Mohammad і Stanley S. Ipson [7] викладені дослідження впровадження нового, повністю компьютерізірованого, машинного навчання на основі правил прийняття рішень і моделей, яке може бути використаний в конструкції системи для автоматизованого прогнозування космічної погоди. Проектування системи в цій книзі, складається з трьох етапів: (1) Інструменти проектування комп'ютері, щоб знайти серед асоціацій сонячних подій і особливості (2) застосування алгоритмів машинного навчання до наборів даних, асоціацій і (3) вивчення еволюції моделей груп плям використанням часових рядів методами

4.2 Огляд національних джерел

У науково-дослідному радіофізичному інституті Нижнього Новгорода, Н.С. Беллюстин, А.А. Тельних, Ю.В. Тихомиров, О.В. Шемагіна, О.М. Яшина пропонують новий метод прогнозування потужного енерговиділення в атмосфері Сонця по послідовності зображень сонячного диска, що передують потужної сонячної спалаху. Метод використовує виділення ознак зображення, найбільш ефективно відокремлюють попередні спалахів зображення від інших зображень, прогнозування забезпечується об'єднанням відібраних ознак в комітети. [9]

В Одеському Національному Технічному Університеті, С.Г. Антощук, О.Ю. Бабілунга, А.А. Ніколенко розглядають виділення контурів зображень об'єктів наполутонових зображень, методом морфологічної обробки на основі гіперболічного вейвлет-перетворення. [10]

В. П. Максимов у своїх роботах займається дослідженнями космічної погоди, видкліл сонячні фактори, що визначають стан космічної погоди, і завдання прогнозування. [11]

5. Аналіз методів для прогнозування спалахів на Сонці

В даний час існує велика кількість методів прогнозування, найбільш поширені методи представлені на рис.1:

Малюнок 4.2 Методи прогнозування

Малюнок 4.2 Методи прогнозування

Найбільш поширеними методами прогнозування сонячних спалахів є:

  • Прогнозування з використанням зображень, одержуваних Сонячної геліосферной-обсерваторією
  • Прогнозування шляхом вимірювання відмінностей в атомах радіоактивного розпаду елементів гамма-випромінювання
  • Прогнозування сонячних спалахів за допомогою нейронних мереж

    • Метод прогнозування з використанням тривимірних зображень, одержуваних Сонячної геліосферной-обсерваторією. Даний метод передбачає вилучення функцій, які будуть використовуватися для створення відповідних 3D-моделей. Ці моделі будуть забезпечувати фізичні та візуальні опису особливостей інтересу, який був би більш повним, ніж поточні текстові описи і специфікації моделей. Прогнозування за допомогою даного методу не дає можливості досягти високого відсотка точності прогнозу і вимагає значно більше часу для складання прогнозу, в порівняння з іншими методами.

    Метод прогнозування шляхом вимірювання відмінностей в атомах радіоактивного розпаду елементів гамма-випромінювання. Даний спосіб прогнозування грунтується на гіпотезі, що сила радіоактивного розпаду залежить від сонячної активності, такий як потоки субатомних частинок, званих нейтрино, що рухаються від Сонця. Цей вплив може мінятися залежно від сезонних змін у відстані від Землі до Сонця, а також під час сонячних спалахів. Недоліком даного методу є не дуже високий відсоток точності прогнозування і не можливість визначення класу спалаху, що є чимало важливим чинником прогнозування сонячних спалахів.

    Розроблювана система прогнозування сонячних спалахів буде грунтуватися на методі прогнозування за допомогою нейронних мереж, а саме мереж каскадних Кореляції. Цей метод дає найбільш точні прогнози про можливі спалахи на сонці. Точність прогнозів за допомогою нейронних мереж становить близько 80%.

    6. Основні етапи прогнозування сонячних спалахів.

    Основні етапи прогнозування за допомогою нейронних мереж, зводяться до того що, на першому етапі відбувається обробка MDI зображень Сонця для виявлення плям. Другий етап - це класифікація отриманих плям в групи. Третій етап передбачає застосування нейронної мережі для розрахунків ймовірності виникнення спалаху та визначення її можливого класу. Найбільш краще для цього підходить мережа каскадних Кореляції, оскільки забезпечує кращий зв'язок між сонячними спалахами і плямами класів. Мережа каскадних Кореляції - багатошарова мережа спеціальної (каскадної) архітектури, що дозволяє навчати її конструктивним способом: при припиненні збіжності до мережі додається новий нейрон і при подальшому навчанні модифікуються зв'язку тільки цього нейрона. Такий підхід дозволяє визначити розмір мережі, адекватний розв'язуваної задачі, і істотно скоротити обчислювальні витрати на навчання.

    Малюнок 4.3 Етапи прогнозування

    Малюнок 4.3 Етапи прогнозування

    7. Алгоритм обробки магнітограммного зображення Сонця

    MDI магнітограми (MDI-Michelson Doppler Imager) представляють собою висококонтрастні чорно-білі цифрові зображення, на яких фотометрична міра кодує радіальну компоненту магнітного поля Сонця з просторовим дозволом 2n (~1700) км\піксель і тимчасовим дискретом 96m. Білі області на магнітограми відповідають сильному негативному полю, чорні-сильному позитивному, сірі області характеризують магнітне поле близьке до 0.

    Малюнок 4.4 MDIмагнітограмма Солнца

    Малюнок 4.4 MDIмагнітограмма Солнца

    Ідея обробки MDI зводиться до виконання наступних етапів:

    1. Сегментація.Фрагмент магнітограми, яка містить АТ, представляється як цифрове зображення, кожен піксель x якого, кодується напруженістю радіальної компоненти магнітного поля рівнем сірого I (x). Таким чином, магнітограми представляється як цифрова функція яскравості I (x): RxZxZ-> R, задана на решітці цілочисельних координат x належить області ZxZ. Пікселі перевищують рівень сірого I (x)> = h маркуються чорним кольором і відносяться до класу сильна позитивна область. Пікселі менше заданого рівня сірого I (x)> = h маркуються білим кольором і відносяться до класу сильна негативна область. Решта пікселів маркуються сірим і вважаються нейтральними.
    2. Пошук активних областей. На даному етапі шукається область, яка є найбільш активною на основі обраного критерію. Критерієм будемо вважати прямокутну область, що обмежує сильно негативне і позитивне поля.

    8. Мережа каскадної кореляції

    Дана мережа підходить нам за рахунок того, що топологія в цих мережах не зафіксовано. Мережа каскадної кореляції - це багатошарова мережа, яка навчається конструктивним способом, т.е в міру навчання до мережі додаються нові нейрони.

    При цьому алгоритм навчання влаштований так, що навчається фактично, тільки один шар учнів зв'язків, що дозволяє обмежиться спрощеної (і більше обчислювально простий) реалізацією алгоритму зворотного поширення помилки. Дана мережа швидко навчається, причому більшість параметрів навчання (такі як архітектура, розмір мережі або параметри швидкості навчання) визначаються самим процесом навчання. Робота алгоритму починається з простого початкового наближення, яке представляє собою мережу з одним шаром учнів зв'язків.

    Малюнок 4.5 Мережа каскадной корреляціі

    Малюнок 4.5 Мережа каскадной корреляціі

    Початковий наближення навчається так, щоб мінімізувати середньоквадратичнепомилку:

    Однією з основних проблем, що стоять перед цими мережами є більш облягаючі навчання даних, особливо при роботі з реальними проблемами (Smieja, 1993). З іншого боку, Каскад-кореляційний архітектура має кілька переваг. По-перше, вона дуже швидко вчиться, принаймні в 10 разів швидше, ніж алгоритм зі зворотним поширенням помилки (Shet співавт., 2005). По-друге, мережа визначає свої розміри і топологію і вона зберігає структури навіть якщо вона створила навчальний набір змін (Fahlmann і Lebiere, 1989). По-третє, вона не вимагає зворотного поширення помилки сигналу через зв'язку мережі (Fahlmann і Lebiere, 1989). Нарешті, ця структура корисна для інкрементного навчання, при якій нова інформація додається до вже навченої мережі (Shet співавт., 2005).

    Можна зробити висновок, що мережа каскадної кореляції забезпечить оптимальне виконання нейронних мереж для обробки сонячних даних в каталогах.

    Висновки

    Вивчення сонячних спалахів необхідно для створення науково обгрунтованого, надійного прогнозу радіаційної обстановки в ближньому космосі. У цьому практична задача теорії спалахів. Важливо, однак, і інше. Спалахи на Сонці необхідно вивчати для розуміння різних вспалахо явищ в космічній плазмі. На відміну від спалахів на інших зірках, а також багатьох інших аналогічних (або здаються аналогічними) нестаціонарних явищ у Всесвіті, сонячні спалахи доступні самому всебічному дослідженню практично в усьому електромагнітному діапазоні - від кілометрових радіохвиль до жорстких гамма-променів. Фізика сонячних спалахів - своєрідний розріз через багато областей сучасної фізики: від кінетичної теорії плазми до фізики частинок високих енергій.

    Сучасні космічні спостереження дозволяють бачити появу і розвиток сонячної спалаху в УФ-і рентгенівських променях з високим просторовим, тимчасовим і спектральним дозволом. Величезний потік спостережних даних про спалахи і спричинених ними явищах в атмосфері Сонця, міжпланетному просторі, магнітосфері й атмосфері Землі дає можливість ретельно перевіряти всі результати теоретичного та лабораторного моделювання спалахів.

    Магістерська робота присвячена актуальній науковій задачі прогнозування спалахів на Сонці. У рамках проведених досліджень виконано:

    1. На підставі аналізу літературних джерел виділено основні алгоритми обробки послідовності MDI зображенні магнітограми.
    2. Проаналізовано основні інформаційні складові зміни фізичних процесів у різних структурах сонячної атмосфери на стадіях, що передують потужним сонячним подіям для максимізації точності прогнозу в задачі короткострокового прогнозування сонячної активності.
    3. Розглянуто існуючі методи класифікації сонячних плям і вибраний оптимальний.

    Подальші дослідження спрямовані на наступні аспекти:

    1. Якісне удосконалення обраного методу прогнозування, його доповнення та розширення.
    2. Підвищення точності що даються прогнозів.
          

    При написанні даного реферату магістерська робота ще не завершена. Остаточне завершення: грудень 2013 року. Повний текст роботи та матеріали по темі можуть бути отримані у автора або його керівника після зазначеної дати.

    Перелік посилань

    1. O. Ahmed, R. Qahwaji, T. Colak, P. Higgins. P. Gallagher and S. Bloomfield, Solar Flare Prediction using Advanced Feature Extraction, Machine Learning, and Feature Selection, Solar Physics, Springer, 283 (1): 157-175, 2013.
    2. Tsagour I and et al , "Progress in space weather modeling in an operational environment", Space Weather and Space Climate, 3, 2013.
    3. O. Ahmed , R. Qahwaji,T. Colak, T. Dudok de Wit and S. Ipson, A New Technique for the Calculation and 3D Visualisation of Magnetic Complexities on Solar Satellite Images, Visual Computer, DOI: 10.1007/s00371-010-0418-1 , 26 (5): 385-395, 2010.
    4. T. Colak and R. Qahwaji, Automated Prediction of Solar Flares Using Neural Networks and Sunspots Associations, 11th Online World Conference on Soft Computing in Industrial Applications (WSC11), 2006.
    5. R. Qahwaji, "Machine-Based Automatic Detection and Verification of Solar Features", International Conference on Telecomputing and Information Technology (IEEE ICTIT), pp. 87 - 91, Amman, Sep 2004.
    6. RDNews.[Электронный ресурс]. – Режим доступа: http://rnd.cnews.ru/news/line/index_science.shtm .
    7. Аpplied Machine Learning for Solar Data Processing: Developing Automated Technologies for Knowledge Extraction and Prediction of Solar Activities using Machine Learning/ Mohammad H. Alomari,Stanley S. Ipson – LAP LAMBERT Academic Publishing, 2011. – 152 pages.
    8. Земля и вселенная.[Электронный ресурс]. – Режим доступа: http://ziv.telescopes.ru/rubric/astronomy/index.html .
    9. Московский государственный уиверситет.[Электронный ресурс]. – Режим доступа: https://docs.google.com/viewer?a=v&q=cache:VteCw-EN8OoJ:dlaptev.org/papers/Laptev11 .
    10. Институт прикладной физики РАН, Нижний Новгород.[Электронный ресурс]. – Режим доступа: http://webcache/library.mephi.ru/data/scientific-sessions/2011/neiroinform .
    11. Одесский технический университет.[Электронный ресурс]. – Режим доступа: http://archive.nbuv.gov.ua/portal/21.pdf.
    12. Космофизика.[Электронный ресурс]. – Режим доступа: http://www.kosmofizika.ru/irkutsk/maksimov.htm .
    13. А. Орлов, Архитектура и обучение сети Каскадной Корреляции.[Электронный ресурс]. – Режим доступа: http://neural.ru/dictionary/ .