闪电哨声波作为探索空间物理环境的重要媒介,淹没在海量的电磁卫星数据中.近年来随着计算机视觉和深度学习等人工智能技术的发展,从电磁卫星的存档数据中自动检测闪电哨声波的算法取得了一定的效果.本文对近年来闪电哨声波智能检测算法的文献进行了整理和总结.首先,阐述闪电哨声波在电磁卫星数据中呈现的时频特征和类型;然后,介绍了闪电哨声波智能检测算法的流程并从闪电哨声波的特征提取、分类和定位三个方面对主要的智能检测算法进行归纳、总结和评述;其次,简述了闪电哨声波智能检测模型的评价指标;接着,在张衡一号(ZH-1)卫星的磁场数据上对三种典型的闪电哨声波智能检测算法进行复现,并对三种算法的优缺点进行了较深入的分析;最后,对基于电磁卫星的闪电哨声波智能检测的研究领域进行总结和展望.
相似文献针对ZH-1卫星朗缪尔探针(LAP)原位电子密度观测数据远小于其他系统观测数据的问题,本文利用COSMIC及COSMIC 2在中纬度地区的掩星数据,得到对LAP数据的校正关系,并进一步利用与ZH-1具有相似飞行高度的Swarm B卫星全球等离子观测数据对校正后的LAP数据进行检验,以评估校正结果的准确性和可靠性.检验结果认为:(1)校正后的LAP数据与Swarm B数据基本一致,两者在中纬度地区符合较好,在赤道地区仍有明显偏差.(2)这一偏差与观测数据值的大小有关,在较小观测值时两者符合较好,较大观测值时差异变大,可能与两个卫星载荷的不同动态响应特性有关.(3)经过线性校正的LAP数据不会改变相对变化关系,但拓展了数据的应用场合.
相似文献闪电哨声波是一种重要的电磁波动,了解其传播特征及传播过程有助于揭开圈层电磁耦合机理.从卫星观测资料识别闪电哨声波通常需要将原始电磁波形进行滤波处理再转化为时频图像,最后采用目视方法识别图像中的色散状形态,整个过程消耗大量人机时间和内存资源,不能满足张衡一号(ZH-1)卫星观测的海量电磁场数据处理的需求.针对该问题,鉴于闪电哨声波原始波形数据能够通过播放器产生降调的声音,本文打破以视觉分析为主的闪电哨声波研究惯例,首次采用语音智能技术研究其自动识别算法.首先,以张衡一号卫星感应磁力仪(SCM)的VLF波段的波形数据为研究对象,截取时间窗口为0.16 s的波形数据作为音频片段;然后对该片段进行去趋势处理;基于梅尔频率倒谱系数(MFCCs)能够刻画人耳的听觉机理,提取闪电哨声波的MFCCs特征;其次,构建长短期记忆(LSTM)神经网络并输入波形数据的MFCCs特征训练分类模型;最后利用MFCCs特征和训练得到的LSTM分类模型实现闪电哨声波自动识别.通过对10200数据集(5100段包含闪电哨声波,5100段无闪电哨声波)上开展实验发现:该方法的准确率为96.7%,召回率为84.2%,调和平均得分(F1-score)为90.0%,AUC(Area under Curve)评分为90.1%,而且消耗的时间成本是2.28 s,消耗内存资源是82.89 MB;当前最优的基于时频图的闪电哨声波识别算法在本数据集上的准确率为97.3%,内存消耗为233 MB,在CPU上处理0.16 s的片段数据所消耗的时间是6.71 s,内存消耗和时间消耗比较严重.相比而言,基于智能语音的闪电哨声波识别算法准确率略低0.6%,但能够节约66%的时间成本以及65%的内存资源.这表明该算法不仅仅适合从卫星观测的海量数据中快速准确识别出闪电哨声波,且更适合应用于星载识别.
相似文献张衡一号卫星感应式磁力仪(Search Coil Magnetometer,SCM)探测到了大量的低频电磁波动数据.本文探索从中自动识别闪电哨声波(Lightning Whistler,LW)的算法,相关结果对进一步研究空间天气闪电事件的时空变化规律具有重要研究意义.首先,以20 s的时间窗提取SCM原始波形数据,再对其做短时傅里叶变换(Short-Time Fourier Transform,STFT)得到时频图;接着,以LW在时频图中呈现明显的L形态特征为依据创建LW时频图像数据集,该数据集包括316个LW时频图,8000个非闪电哨声波的时频图;再对时频图像进行灰度化处理和尺度缩放处理以降低计算维度,同时增强闪电哨声波特征;通过设计模糊卷积核,对图像进行卷积计算以滤除大量阶跃边缘信息的影响;基于LW的形态特征设计L形态卷积核,对图像进行卷积处理以进一步增强图像中的L形态特征.最后,将增强后的L特征图输入支持向量机(Support Vector Machines,SVM)进行分类识别.大量数据处理实验结果表明:本文提出的闪电哨声波自动识别方案有效,其识别效果在精度、召回率、F1值(F1 score)和接受者操作特性曲线面积(Area Under Curve,AUC)指标上均达到94%以上.
相似文献