一种基于多任务机器学习的太阳黑子面积预测方法

YNAO OpenIR > 抚仙湖太阳观测和研究基地

	一种基于多任务机器学习的太阳黑子面积预测方法
	邓林华; 蔡云芳; 向南彬; 向永源; 陈泽华; 张志刚
申请（专利权）人	中国科学院云南天文台
专利号	ZL202310425150.6
申请号	CN202310425150.6
	2023-07-18
申请日期	2023-04-20
公开（公告）号	CN116452650A
公开日期	2023-07-18
IPC 分类号	G06T7/62G06V10/764G06V10/82G06V10/40G06N3/04G06N3/08
授权国家	中国
专利类型	发明
专利状态	公开
学科领域	天文学 ; 太阳与太阳系 ; 计算机科学技术 ; 计算机应用
产权排序	1
摘要	本发明公开了一种基于多任务机器学习的太阳黑子面积预测方法，包括以下步骤：S1、获取预测样本：获取太阳黑子图像数据；S2、建立预测模型：对太阳黑子图像数据进行处理，处理后的数据输入预测模型，对模型进行多任务机器学习训练，训练完成后，预测每一个太阳黑子面积的预测值；所述S2中的多任务机器学习训练为；本发明采用多任务机器学习的方法对太阳黑子出现面积进行预测，通过多任务学习模型对不同的太阳黑子图像进行分析，从而得到不同特征，然后通过共享特征提取用于多个任务执行的任务特征，并采用不同的子任务执行不同的任务，通过多任务机器学习模型即可以实现多个太阳黑子图像预测任务的执行过程，提高了太阳黑子面积预测的效率。
主权项	1.一种基于多任务机器学习的太阳黑子面积预测方法，其特征在于：包括以下步骤： S1、获取预测样本：获取太阳黑子图像数据； S2、建立预测模型：对太阳黑子图像数据进行处理，处理后的数据输入预测模型，对模型进行多任务机器学习训练，训练完成后，预测每一个太阳黑子面积的预测值。 2.根据权利要求1所述的一种基于多任务机器学习的太阳黑子面积预测方法，其特征在于：所述S2中的多任务机器学习训练为：将太阳黑子图像输入多任务机器学习模型中的共享特征中，或调用多任务机器学习模型中的共享特征对太阳黑子图像进行预测处理，基于预测结果对太阳黑子图像数据进行处理，以对太阳黑子的图像进行分类。 3.根据权利要求2所述的一种基于多任务机器学习的太阳黑子面积预测方法，其特征在于：所述多任务机器学习训练中将太阳黑子图像输入多任务机器学习模型中的共享特征的表达网络中，得到任务输出特征。 4.根据权利要求3所述的一种基于多任务机器学习的太阳黑子面积预测方法，其特征在于：所述多任务机器学习训练中后续使用中调用多任务机器学习模型中的共享太阳黑子图像特征表达网络对识别的太阳黑子图像进行处理，以得到任务输出特征。 5.根据权利要求4所述的一种基于多任务机器学习的太阳黑子面积预测方法，其特征在于：所述任务输出特征分别输入多任务机器学习模型中的多个子任务网络，以得到识别结果，包括：确定所述多任务机器学习模型中的所述子任务网络对应的目标任务，所述目标任务包括目标检测任务、太阳黑子识别任务或太阳黑子图像质量评估任务；基于所述目标任务提取所述任务输出特征中的太阳黑子预测特征参数，以得到太阳黑子识别结果。 6.根据权利要求5所述的一种基于多任务机器学习的太阳黑子面积预测方法，其特征在于：所述目标任务为目标检测任务为太阳黑子识别任务或图像质量评估任务，则基于所述目标任务解析任务输出特征中指示的特征图；将所述特征图分别输入与子任务网络对应的分类网络，以得到所述识别结果，所述分类网络基于场景识别任务或图像质量评估任务设定。 7.根据权利要求1所述的一种基于多任务机器学习的太阳黑子面积预测方法，其特征在于：所述S2中建立太阳黑子预测模型，将太阳黑子数据归一化处理并别输入太阳黑子预测模型，对太阳黑子预测模型进行训练包括：初始化预测神经网络，根据训练样本确定每层神经元的个数，计算权值数和阈值数；输入训练样本，初始化萤火虫算法参数，将预测神经网络的权值和阈值视为种群中的萤火虫个体；进入萤火虫算法迭代更新过程，搜索适应度最优个体权值和阈值；将最优个体权值和阈值传回预测神经网络，对太阳黑子预测模型进行训练。 8.根据权利要求1所述的一种基于多任务机器学习的太阳黑子面积预测方法，其特征在于：还包括获取与太阳黑子面积预测相关联的图像训练集；基于训练集调用目标损失函数对多任务机器学习模型进行训练，以对多任务机器学习模型进行更新。 9.根据权利要求8所述的一种基于多任务机器学习的太阳黑子面积预测方法，其特征在于：所述目标损失函数包括对应于子网络层的子损失函数，子损失函数用于指示所述目标损失函数的组成。 10.根据权利要求1所述的一种基于多任务机器学习的太阳黑子面积预测方法，其特征在于：所述基于所述训练集调用目标损失函数对所述多任务机器学习模型进行训练，以对所述多任务机器学习模型进行更新，包括：针对所述目标任务的类型调用对应的子损失函数；基于子损失函数进行加权计算，以得到对应于子网络层的目标损失函数；基于所述训练集调用目标损失函数对所述多任务机器学习模型进行训练，以对所述多任务机器学习模型进行更新。
语种	中文
专利代理人	连中浩
代理机构	北京箐昱专利代理事务所（普通合伙）
文献类型	专利
条目标识符	http://ir.ynao.ac.cn/handle/114a53/26139
专题	抚仙湖太阳观测和研究基地
作者单位	中国科学院云南天文台, 云南省昆明市官渡区羊方旺396号
第一作者单位	中国科学院云南天文台
推荐引用方式 GB/T 7714	邓林华,蔡云芳,向南彬,等. 一种基于多任务机器学习的太阳黑子面积预测方法. ZL202310425150.6[P]. 2023-07-18.

条目包含的文件
文件名称/大小	文献类型	版本类型	开放类型	使用许可
CN116452650A-一种基于多任务（398KB）	专利		开放获取	CC BY-NC-SA	浏览请求全文