基于循環(huán)神經(jīng)網(wǎng)絡(luò)的Super DARN雷達(dá)對(duì)流圖像重構(gòu)探究

李激揚(yáng) 劉二小

摘 要 電離層對(duì)流圖像能夠表征高緯電離層等離子體對(duì)流，Super DARN高頻雷達(dá)網(wǎng)是研究中高緯電離層等離子體對(duì)流的重要手段。本文基于Super DARN雷達(dá)2014年10月的電離層對(duì)流圖像數(shù)據(jù)，利用循環(huán)神經(jīng)網(wǎng)絡(luò)算法對(duì)電離層對(duì)流圖像進(jìn)行了重構(gòu)，然后利用獨(dú)立的數(shù)據(jù)集，對(duì)圖像重構(gòu)模型的性能進(jìn)行了評(píng)估。結(jié)果表明，基于循環(huán)神經(jīng)網(wǎng)絡(luò)算法進(jìn)行的對(duì)流圖像重構(gòu)誤差較小，具有廣泛的應(yīng)用前景。

關(guān)鍵詞 循環(huán)神經(jīng)網(wǎng)絡(luò);Super DARN;圖像重構(gòu)

引言

電離層對(duì)流是空間天氣中的重要現(xiàn)象[1]。電離層對(duì)流過(guò)程蘊(yùn)含了太陽(yáng)風(fēng)和磁層之間能量耦合以及后續(xù)太陽(yáng)風(fēng)能量轉(zhuǎn)移至磁層、電離層等一系列過(guò)程的許多重要信息。許多關(guān)于電離層對(duì)流的研究集中于分析電離層等離子體對(duì)流對(duì)近地空間各種參數(shù)的依賴(lài)關(guān)系。Super DARN雷達(dá)是當(dāng)前國(guó)際上探測(cè)電離層等離子體對(duì)流的重要手段之一[2]，在南北半球的極區(qū)電離層探測(cè)領(lǐng)域具有很重要的貢獻(xiàn)。本文提出基于循環(huán)神經(jīng)網(wǎng)絡(luò)算法，結(jié)合Super DARN雷達(dá)2014年10月的圖像數(shù)據(jù)（圖像之間間隔約為2分鐘，除去明顯畸變和因雷達(dá)回波點(diǎn)太少的圖像數(shù)據(jù)，共6576副圖像），構(gòu)建對(duì)流圖像的深度學(xué)習(xí)模型。循環(huán)神經(jīng)網(wǎng)絡(luò)算法可用于構(gòu)建時(shí)間序列模型及其長(zhǎng)期依賴(lài)關(guān)系，在許多領(lǐng)域都與重要的應(yīng)用[3]。本文用到的循環(huán)神經(jīng)網(wǎng)絡(luò)算法架構(gòu)如圖1所示。

1算法評(píng)估

為評(píng)估雷達(dá)實(shí)測(cè)值和深度學(xué)習(xí)算法值之間的誤差，本文引入了二者之間的越極蓋電勢(shì)差CP， 電勢(shì)和最小電勢(shì)點(diǎn)之間的距離d和斜率k。為了更好評(píng)估循環(huán)神經(jīng)網(wǎng)絡(luò)算法的電離層重構(gòu)對(duì)流圖像與原圖的相似程度，特地引入了參數(shù)SSIM（structural similarity index），結(jié)構(gòu)相似性指數(shù)，是一種衡量?jī)煞鶊D像相似度的指標(biāo)，給定兩張圖像x和y，二者的結(jié)構(gòu)相似度可以按照以下方式求導(dǎo)出：

通常，SSIM的值越接近1，表示兩幅圖像的結(jié)構(gòu)相似性越好。具體評(píng)估結(jié)果如圖2所示。由圖可知，雷達(dá)測(cè)量圖像的CP值為51.97，循環(huán)神經(jīng)網(wǎng)絡(luò)算法的CP值為53.30，引入的相對(duì)誤差約為2.62%。雷達(dá)測(cè)量圖像的d值和k值與循環(huán)神經(jīng)網(wǎng)絡(luò)算法得到圖像的值是保持一致的。對(duì)于SSIM參數(shù)，其值較高，為0.999。綜合考慮，重構(gòu)圖像與雷達(dá)實(shí)測(cè)圖像之間的誤差較小，結(jié)構(gòu)相似性較高，因此循環(huán)神經(jīng)網(wǎng)絡(luò)算法在Super DARN雷達(dá)圖像重構(gòu)中的效果較好。同時(shí)，通過(guò)統(tǒng)計(jì)分析，所有重構(gòu)圖像的SSIM均在0.8以上，其中90%的重構(gòu)圖形，其結(jié)構(gòu)相似性在0.9以上，證明了循環(huán)神經(jīng)網(wǎng)絡(luò)在圖像重構(gòu)中的應(yīng)用潛力。

越極蓋電勢(shì)CP是對(duì)流圖像重要的參數(shù)之一，因此本文從統(tǒng)計(jì)角度研究了實(shí)測(cè)圖像和循環(huán)神經(jīng)網(wǎng)絡(luò)圖像中CP值的直方圖對(duì)比，結(jié)果如圖3所示。其中cp1為實(shí)測(cè)圖，cp2為循環(huán)神經(jīng)網(wǎng)絡(luò)結(jié)果圖。由圖可知，二者較接近，即絕大部分循環(huán)神經(jīng)網(wǎng)絡(luò)重構(gòu)的對(duì)流圖像中的CP值都與實(shí)測(cè)值相近，進(jìn)一步證明了循環(huán)神經(jīng)網(wǎng)絡(luò)算法的有效性。

2結(jié)束語(yǔ)

本文利用循環(huán)神經(jīng)網(wǎng)絡(luò)算法構(gòu)建了Super DARN雷達(dá)網(wǎng)的電離層對(duì)流圖像，然后基于結(jié)構(gòu)相似性系數(shù)對(duì)深度學(xué)習(xí)模型進(jìn)行了評(píng)估. 結(jié)果表明， 該算法能夠有效地對(duì)對(duì)流圖像進(jìn)行重構(gòu)，證明了該算法在圖像重構(gòu)中的優(yōu)勢(shì)，該模型可為以后空間天氣中電離層對(duì)流建模與預(yù)測(cè)提供一定的參考。

參考文獻(xiàn)

[1] Lester M. Ionospheric convection and its relevance for space weather. Advances in Space Research， 2003， 31（4）：941-950.

[2] Chisham G，Lester M，Milan S E， et al. A decade of the Super Dual Auroral Radar Network （SuperDARN）： scientific achievements， new techniques and future directions[J]. Surv Geophys， 2007， 28（1）：33-109.

[3] 許可.卷積神經(jīng)網(wǎng)絡(luò)在圖像識(shí)別上的應(yīng)用的研究[D].浙江：浙江大學(xué)，2012.

作者簡(jiǎn)介

李激揚(yáng)（1997-），男，浙江杭州人;學(xué)歷：本科，研究方向：雷達(dá)數(shù)據(jù)處理。

通訊作者：劉二小（1984-），男，內(nèi)蒙古包頭人;學(xué)歷：博士，研究方向：深度學(xué)習(xí)，雷達(dá)數(shù)據(jù)處理。