基于卷積神經(jīng)網(wǎng)絡(luò)的急始磁暴自動識別研究

郭宗斌 李健*

（1、山東省地震局聊城地震監(jiān)測中心站，山東聊城 252000 2、海南省地震局，海南?？?570203）

磁暴是空間天氣擾動的一種主要形式之一，對衛(wèi)星、地面通訊、電力系統(tǒng)[1]、油氣管道[2]等均有嚴重的影響。磁暴在形態(tài)上分為初相、主相、恢復(fù)相三個階段。受行星際激波影響，磁場水平分量H 在數(shù)分鐘內(nèi)出現(xiàn)高于暴前水平的起伏變化，稱作初相，初相后磁場迅速下降并劇烈抖動，這個過程稱為主相，初相和主相的突然變化對現(xiàn)代通訊、管道等系統(tǒng)有很大的沖擊，隨后磁場緩慢恢復(fù)，這個過程稱為恢復(fù)相。

除對磁暴機理作出研究外[1-2]。從磁場及磁暴對實際生產(chǎn)生活（如電網(wǎng)、通信等）的影響角度出發(fā)，如何快速識別磁暴并進行提早防范至關(guān)重要。

近年來，一些學(xué)者應(yīng)用傳統(tǒng)機器學(xué)習(xí)方法通過人工提取地磁數(shù)據(jù)能量特征實現(xiàn)對磁暴過程識別[3-4]。易世華（2007）應(yīng)用小波包分析技術(shù)提取了地磁水平分量序列的能量特征，用Fisher方法進行識別，研究了磁暴與非磁暴的識別率在不同時間長度t 下的變化規(guī)律，平均識別率83.8%[5]?？等鹎澹?013）提出一種基于Fisher 和核Fisher 組合的磁暴識別方法，該方法對于磁暴與非磁暴的平均識別率達到了85%以上[6]。

由于磁暴定義為具有明顯初相- 主相- 恢復(fù)相完整形態(tài)且最低點Dst 不大于-30nT 的磁擾，磁暴屬于一種特殊的磁擾，針對能量特征識別的算法并不能有效區(qū)分磁暴與磁擾。以上研究均只是針對急始磁暴的某一項或某幾項單一特征進行的識別，人為對數(shù)據(jù)進行降維使用，并未保證數(shù)據(jù)的全面性，勢必難以實現(xiàn)磁暴識別的普適性判斷。同時對特征的人為提取也增加了數(shù)據(jù)處理的時間成本。為實現(xiàn)對急始磁暴的快速高效自動識別，在前人研究的基礎(chǔ)上，本文融合Adam 優(yōu)化算法、dropout 技術(shù)等方法，設(shè)計出可以自動提取并可組合底層特征的一維卷積神經(jīng)網(wǎng)絡(luò)模型進行監(jiān)督學(xué)習(xí)，實現(xiàn)對事件磁暴數(shù)據(jù)的訓(xùn)練識別。

研究中，選取包含事件記錄全部信息的磁場數(shù)據(jù)作為模型的訓(xùn)練與測試的輸入數(shù)據(jù)，而不是預(yù)先提取若干判據(jù)或部分數(shù)據(jù)進行降維使用。隨后，使用訓(xùn)練數(shù)據(jù)集基于卷積神經(jīng)網(wǎng)絡(luò)建立識別磁暴事件的分類器，然后用訓(xùn)練好的分類器對測試數(shù)據(jù)集以事件為識別單元進行識別以2008 -2018 年期間發(fā)生磁暴事件以及疑似磁暴的磁擾事件分別構(gòu)建訓(xùn)練集、驗證集和測試集。

1 原理與方法

1.1 卷積神經(jīng)網(wǎng)絡(luò)基本原理

卷積神經(jīng)網(wǎng)絡(luò)是本研究采用的關(guān)鍵框架，它是人工神經(jīng)網(wǎng)絡(luò)與深度學(xué)習(xí)相結(jié)合，通過反向傳播算法訓(xùn)練卷積神經(jīng)網(wǎng)絡(luò)中的權(quán)重，從而實現(xiàn)深度學(xué)習(xí)的方法。

它由卷積層、池化層、激活層等組成。卷積運算是最基本也是最重要的操作，在卷積層中，一個可學(xué)習(xí)的卷積核與上一層輸出的特征圖像進行卷積操作，加上一個偏置項后通過激活函數(shù)后輸出。

當(dāng)圖像輸入卷積網(wǎng)絡(luò)后，首先進入卷積層，通過卷積運算提取圖像的局部特征，對于磁場水平分量數(shù)據(jù)，磁暴發(fā)生時擁有初相、主相、恢復(fù)相的變化階段，通過不同的卷積核后具有不同特征的區(qū)域?qū)⒈患せ?。第一次卷積后較低層次的特征被提取出來經(jīng)過池化層降維后進入更深的卷積層，這些特征被重新組合得到更高層次的特征，經(jīng)過一步步濃縮，最后經(jīng)過全連接層實現(xiàn)分類的任務(wù)。

1.2 訓(xùn)練模型設(shè)計

圖1 二維卷積映射過程

本研究力圖借助卷積神經(jīng)網(wǎng)絡(luò)的泛化能力，實現(xiàn)在數(shù)據(jù)收集或積累不充分的情況下，通過對部分地磁水平分量數(shù)據(jù)的學(xué)習(xí)挖掘隱含的磁暴信號特征，從而實現(xiàn)對其他磁場異?；顒拥淖R別。

針對磁暴數(shù)據(jù)，由于是一維數(shù)據(jù)，設(shè)計出相應(yīng)的一維卷積神經(jīng)網(wǎng)絡(luò)模型（圖2）。輸入數(shù)據(jù)取磁暴數(shù)據(jù)3 天的長度。本網(wǎng)絡(luò)結(jié)構(gòu)由輸入層，卷積層1，池化層1，卷積層2，池化層2，dropout層，全連接層1，全連接層2，softmax 層組成。

圖2 一維卷積神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)示意圖

采用relu 激活函數(shù)，損失函數(shù)采用交叉熵，輸出為2 分類問題采用獨熱編碼，10 代表磁暴，01 代表非磁暴。Adam。學(xué)習(xí)速率為0.0001。

2 數(shù)據(jù)資料

本文的磁暴事件采用國家地磁臺網(wǎng)中心發(fā)布的磁暴目錄，及ISGI(International Service of Geomagnetic Indices)發(fā)布的SSC目錄。地磁數(shù)據(jù)來自國家地磁臺網(wǎng)中心，Dst 數(shù)據(jù)來自ISGI。（http://isgi.unistra.fr/indices_dst.php）。

首先，需對2008-2018 年的磁暴事件進行統(tǒng)計，由于ISGI 與國家地磁臺網(wǎng)中心提供的事件有所不同，故需對磁暴事件進行篩選，本文采用的篩選規(guī)則如下：

2.1 國家地磁臺網(wǎng)中心與ISGI 收錄的同類型同時間均記錄的事件，確認為磁暴事件，選取進入本文的數(shù)據(jù)集。

2.2 只要是ISGI 收錄的SI（sudden impulse）事件或國家臺網(wǎng)中心收錄的GC（緩始磁暴）事件均排除，認為其不是磁暴事件，均進行排除，不選取進入本文的數(shù)據(jù)集。

2.3 ISGI 和國家地磁臺網(wǎng)中心單方收錄且磁暴形態(tài)較為明顯，Dst 指數(shù)小于-30nT 的事件，均認為其為磁暴事件，選取進入本文的數(shù)據(jù)集。

最終，共選取2008-2018 年期間的55 個磁暴事件與42 個磁擾事件，于國家地磁臺網(wǎng)中心獲取上述事件發(fā)生期間泉州、武漢、瓊中三臺記錄的地磁H 分量數(shù)據(jù)。

將所有磁暴事件以及非磁暴事件中隨機選取50%作為訓(xùn)練集，25%作為驗證集，剩下25%作為測試集。分類完畢后，每個事件截取長度為3 天的數(shù)據(jù)。將數(shù)據(jù)中少量缺數(shù)的位置采用三次樣條插值，對于大面積缺數(shù)的數(shù)據(jù)采取刪除處理。隨后進行歸一化處理，本文采用比較簡單的歸一化方式歸一化特征值等于(特征值- 訓(xùn)練集最小值)/(訓(xùn)練集最大值- 訓(xùn)練集最小值)。最終形成數(shù)據(jù)集并生成訓(xùn)練集和測試集；其中：訓(xùn)練集中磁暴數(shù)據(jù)樣本量為615，非磁暴數(shù)據(jù)樣本量為430，測試集中磁暴數(shù)據(jù)數(shù)據(jù)量為130，非磁暴數(shù)據(jù)數(shù)據(jù)量為120 個。

隨后，以預(yù)處理好的地磁數(shù)據(jù)集為輸入，設(shè)定磁暴事件SoftMax 層輸出為[1,0]，磁擾事件輸出為[0,1]，初始化相關(guān)參數(shù)，進行系統(tǒng)的訓(xùn)練，每30 次訓(xùn)練計算一次測試集Loss（代價函數(shù)）和準確率。通過調(diào)整超參數(shù)得到最佳的訓(xùn)練效果，最終確定超參數(shù)如下：在一維卷積神經(jīng)網(wǎng)絡(luò)中，訓(xùn)練輪數(shù)為200，訓(xùn)練批大小為50，訓(xùn)練速率恒定為0.0001.Dropout 幾率為50%。

3 識別結(jié)果

隨著訓(xùn)練次數(shù)的增加，訓(xùn)練集和驗證集準確率逐漸上升并超越90%，與此同時，從訓(xùn)練集和驗證集的代價函數(shù)曲線也可明顯看出，一維卷積網(wǎng)絡(luò)在350 次迭代時驗證集準確率不再上升，之后驗證集的準確率和代價函數(shù)大小幾乎不再發(fā)生變化，如圖3 所示。

圖3 一維卷積網(wǎng)絡(luò)訓(xùn)練過程

表1 為一維卷積神經(jīng)網(wǎng)絡(luò)的詳細訓(xùn)練結(jié)果情況。由表可知，驗證集對磁暴識別的準確率在約為90%左右，識別結(jié)果誤差與人工識別的誤差相差不大，驗證集LOSS 略大于測試集LOSS。因此，利用人工智能深度學(xué)習(xí)可以很好的實現(xiàn)急始磁暴的自動識別。

表1 訓(xùn)練結(jié)果

4 結(jié)論與討論

本文針對性的設(shè)計了磁暴非磁暴自動判別算法。采用基于卷積神經(jīng)網(wǎng)絡(luò)遷移學(xué)習(xí)的方法以及設(shè)計一維卷積神經(jīng)網(wǎng)絡(luò)對磁暴和磁擾事件進行訓(xùn)練識別，結(jié)果表明，一維卷積神經(jīng)網(wǎng)絡(luò)訓(xùn)練效果有不錯的表現(xiàn)，與人工標注引發(fā)的誤差較為接近，且一維卷積神經(jīng)網(wǎng)絡(luò)由于參數(shù)少結(jié)構(gòu)簡單，訓(xùn)練速度最快，適合用于磁暴自動識別。值得注意的是，本文只是針對特定數(shù)據(jù)的遷移學(xué)習(xí)測試并不能用來評判網(wǎng)絡(luò)性能的好壞。同時，由于訓(xùn)練樣本和測試樣本較少，本次結(jié)果并不一定能代表神經(jīng)網(wǎng)絡(luò)的真實表現(xiàn)。因此有待于盡可能多的獲取磁暴數(shù)據(jù)進行訓(xùn)練。

致謝

感謝ISGI 以及國家地磁臺網(wǎng)中心的數(shù)據(jù)，感謝編輯老師及匿名審稿專家提出的各類建議。