發(fā)布時(shí)間：2018-10-04 20:33

【摘要】： 隨著光學(xué)技術(shù)、數(shù)據(jù)存儲(chǔ)技術(shù)以及空間探測(cè)技術(shù)的不斷進(jìn)步，越來越先進(jìn)的系統(tǒng)被應(yīng)用于太陽觀測(cè)，，高分辨率的太陽圖像數(shù)據(jù)越來越豐富。這些數(shù)據(jù)記錄了各種太陽活動(dòng)過程和太陽物理規(guī)律，迫切需要開發(fā)快速、有效的方法挖掘太陽圖像中蘊(yùn)含的有用知識(shí)。當(dāng)前太陽物理學(xué)者主要利用手工分析或者計(jì)算機(jī)圖像處理的半自動(dòng)方法來發(fā)現(xiàn)知識(shí)。該方式效率較低、分析精度也受到研究人員主觀因素的影響，因此本文提出一種基于概念體的太陽物理知識(shí)自動(dòng)發(fā)現(xiàn)的方法，給出了該方法的基本算法框架，并且將這一框架應(yīng)用于太陽寧靜區(qū)磁場(chǎng)流場(chǎng)圖像知識(shí)發(fā)現(xiàn)。 首先，分析了太陽物理知識(shí)和物理研究者對(duì)太陽圖像的描述方式，以及當(dāng)前基于手工方式，基于圖像處理技術(shù)的半自動(dòng)方式和基于物理模型的理論推測(cè)的知識(shí)提取模式。發(fā)現(xiàn)現(xiàn)有的知識(shí)描述都是基于概念體進(jìn)行的，知識(shí)提取模式主要目的是得到新的概念或者研究已有概念體的一些特性。太陽圖像上的研究只有基于概念體才具有物理意義，才能進(jìn)行后續(xù)的物理知識(shí)發(fā)現(xiàn)�；谙袼鼗蚧谙袼丶瘓F(tuán)來進(jìn)行研究體現(xiàn)不出物理概念。因此本文提出了基于概念體的太陽圖像知識(shí)發(fā)現(xiàn)，并給出了基于概念體的太陽圖像知識(shí)發(fā)現(xiàn)的一般框架。該框架包含圖像中概念體的提取，概念體的刻畫和細(xì)分，概念體中隱含的知識(shí)提取三大部分。整個(gè)框架不僅融合了人工智能研究領(lǐng)域的認(rèn)知心理學(xué)的思想和人類智能的一個(gè)公認(rèn)的特點(diǎn) 信息�；乃枷�，而且有效的為圖像領(lǐng)域知識(shí)的引入提供了接口，能提高對(duì)信息的利用率。此外，還能從多個(gè)不同的高維空間中對(duì)各種概念體挖掘出多角度不易發(fā)現(xiàn)的規(guī)律。 其次，研究了太陽圖像中概念體的提取方法。概念體是太陽圖像具有物理含義的信息表達(dá)的基本單元，是太陽物理知識(shí)自動(dòng)發(fā)現(xiàn)的前提。通過領(lǐng)域知識(shí)可知，寧靜區(qū)太陽米粒圖像包含了米粒和暗徑兩種概念體，而磁場(chǎng)圖像中包含了磁元這種概念體。所以對(duì)磁場(chǎng)和米粒圖像去噪后進(jìn)行自動(dòng)分割即可得到概念體。對(duì)于米粒圖像，本文采用二維維納濾波對(duì)其進(jìn)行去噪，并基于形態(tài)學(xué)方法提取每個(gè)米粒的中心區(qū)域作為標(biāo)記；而磁場(chǎng)圖像則是在偏振信號(hào)上去除一倍噪聲的數(shù)據(jù)，并用在所有方向都是極值的局部極值像素作為標(biāo)記。用帶標(biāo)記的分水嶺方法對(duì)米粒和磁場(chǎng)圖像進(jìn)行分割，并對(duì)米粒和磁元的分割效果進(jìn)行了評(píng)價(jià)和對(duì)比分析。分析表明帶標(biāo)記的分水嶺算法能夠有效抑制圖像中的噪聲，防止過分割和欠分割現(xiàn)象，能夠比較精確的得到圖像中的概念體，這為后續(xù)的物理知識(shí)發(fā)現(xiàn)打下了基礎(chǔ)。 然后，研究了磁元和米粒等概念體的刻畫和細(xì)分方法。為了研究概念體在特征空間的結(jié)構(gòu)，提取了磁元的周長(zhǎng)、面積、磁場(chǎng)特性等6個(gè)屬性和米粒的周長(zhǎng)、面積、亮度、速度等10個(gè)屬性對(duì)概念體進(jìn)行刻畫。此時(shí)磁元和米�？梢员硎境煽臻g的一個(gè)點(diǎn)，采用領(lǐng)域知識(shí)和自動(dòng)聚類算法，探索了這些概念體在特征空間中的結(jié)構(gòu)�；谙闰�(yàn)信息可以將米粒分成運(yùn)動(dòng)方向向上的米粒和向下的米粒，或者大米粒和小米粒。而利用X-means聚類算法，也可以將5個(gè)特征描述的米粒分成2類，6個(gè)特征描述的磁元分成2類，4個(gè)特征描述的磁元?jiǎng)t分成4類。 最后，進(jìn)行了基于概念體的寧靜太陽圖像數(shù)據(jù)挖掘。分析了概念體在單一屬性描述下的均值、方差和概率分布特性。利用1-規(guī)則算法和決策樹算法分別提取了米粒在5個(gè)屬性描述的空間中分成2類的規(guī)則，表明了米粒能夠分成大小米粒群。利用決策樹算法提取了磁元在6個(gè)屬性描述的空間里分成2類和4個(gè)屬性描述的空間里分成4類的規(guī)則。得出的規(guī)則表明，通過亮度，可以分成亮磁元和暗磁元2類；而通過面積和磁通量可以分成面積大且磁通量大、面積大但磁通量小、面積中等和面積小4類不同的磁元。利用線性相關(guān)系數(shù)、信息熵和支持向量機(jī)等方法分析了米粒的直徑等6個(gè)屬性與米粒運(yùn)動(dòng)速度之間的相關(guān)程度。研究表明，與米粒運(yùn)動(dòng)方向較相關(guān)的屬性分別為米粒的亮度、米粒的直徑以及相鄰暗徑的速度，而磁場(chǎng)特性對(duì)速度的影響不大。上述研究例證了本文提出的方法的有效性。
[Abstract]:With the development of optical technology, data storage technology and space exploration technology, more and more advanced systems are applied to the solar observation, and the high-resolution solar image data becomes more and more abundant. These data record various solar activity processes and solar physics laws, and there is an urgent need to develop a rapid and efficient method for mining useful knowledge contained in solar images. The current solar physics mainly uses manual analysis or semi-automatic method of computer image processing to discover knowledge. In this paper, the method of automatic discovery of solar physics knowledge based on conceptual body is proposed in this paper, and the basic algorithm frame of this method is given. and the framework is applied to the field image knowledge discovery of the solar quiet zone magnetic field. Firstly, the description of solar physics knowledge and physical researcher's description of the solar image and the knowledge based on the manual mode, the semi-automatic mode based on the image processing technology and the theory speculation based on the physical model are analyzed. Extraction mode. It is found that the existing knowledge description is based on the concept. The main purpose of the knowledge extraction model is to get a new concept or study the existing concept. Some properties. The study of the solar image only has physical significance on the basis of conceptual bodies, so that subsequent physics can be carried out Knowledge Discovery. It is not shown on pixel-based or pixel-based groups In this paper, a concept-based solar image knowledge discovery is presented, and a concept-based solar image knowledge discovery is presented in this paper. General framework, which includes the extraction of conceptual entities in images, the characterization and subdivision of conceptual bodies, the implicit knowledge extraction in conceptual bodies, 涓夊ぇ閮ㄥ垎.鏁翠釜妗嗘灦涓嶄粎铻嶅悎浜?jiǎn)錆h宸ユ櫤鑳界爺絀墮鍩熺殑璁ょ煡蹇?jī)鐞嗗鐨勬�濇兂鍜屼漢綾繪櫤鑳界殑涓

本文編號(hào)：2251786