用深度學習網路,恢復電離圖

Recovery of Ionospheric Signals Using Fully Convolutional DenseNet and Its Challenges

Merlin M. Mendoza, Yu-Chi Chang, Alexei V. Dmitriev, Chia-Hsien Lin, Lung-Chih Tsai, Yung-Hui Li, Mon-Chai Hsieh, Hao-Wei Hsu, Guan-Han Huang, Yu-Ciang Lin and Enkhtuya Tsogtbaatar

摘要

電離探測器的主動電離層探測技術需要復雜的方法來恢復電離圖的實驗數據。在這項工作中,我們應用了一種先進的深度學習算法來識別和分類來自不同電離層的信號。

我們收集了從台灣低緯度電離探空儀獲得的 6131 個手動標記的電離圖數據集。在電離圖中,我們根據電離層區分了 11 類不同的信號,並開發了一個基於 FC-DenseNet 卷積神經網絡的人工神經網路 FC-DenseNet24以及一種雙過濾算法來減少錯誤分類的信號。

這使得從平均信噪比低,SNR = 1.43 的高度噪聲污染的電離圖中成功恢復零星的 E 層和 F2 層成為可能。這兩個信號類別的恢復的聯合交集 (IoU) 大於 0.6,高於之前報告的模型。我們還確定了三個會降低迴收精度的因素:(1)樣本統計量較小; (2)不同信號的混合和重疊; (3)信號的緊湊形狀。

回到頂端