[口头报告]非均匀分布样本在太阳耀斑预报深度学习建模中的影响

非均匀分布样本在太阳耀斑预报深度学习建模中的影响

编号：150 稿件编号：3732 访问权限：私有更新：2023-04-08 10:18:02 浏览：924次口头报告

报告开始：2023年05月06日 14:50 （Asia/Shanghai）

报告时间：8min

所在会议：[11] 11、空间物理与空间探测 » [11-1] 11-1 空间物理与空间探测(1)

暂无文件

摘要

太阳耀斑事件一般按其能量分级，具有不同的先兆特征，不同等级事件发生频次具有跨数量级的区别。因此，基于常规卷积神经网络的耀斑等级预报难以捕捉稀有的M、X类耀斑先兆特征。为了改进深度学习模型的全类耀斑预报精度，本研究以长尾分布学习理论中的训练集优化，损失函数优化，网络权重优化等方法，基于SDO/HMI太阳磁图开展了未来24小时耀斑预报实验。对比常规基准模型，本研究分析了非均匀分布样本在耀斑预报中的影响，实验结果显著提高了稀有耀斑类别的预报的精确率和召回率，验证了长尾学习理论方法的有效性。