摘" 要： 文中提出一種基于改進(jìn)的ResNet的太陽(yáng)黑子圖像分類方法，該方法在ResNet的基礎(chǔ)上引入了空洞卷積和殘差連接等技術(shù)，增強(qiáng)了訓(xùn)練模型的特征提取能力以及感受野。在模型訓(xùn)練過程中，采用交叉熵?fù)p失函數(shù)和SGD優(yōu)化器進(jìn)行參數(shù)優(yōu)化，以提高模型的準(zhǔn)確性和泛化能力。其中深度可分離卷積被用于替代傳統(tǒng)的卷積操作，以減少模型的參數(shù)量和計(jì)算量。最后，在太陽(yáng)黑子圖像分類的公共數(shù)據(jù)集上進(jìn)行實(shí)驗(yàn)評(píng)估。實(shí)驗(yàn)結(jié)果表明，提出的基于改進(jìn)的ResNet模型在太陽(yáng)黑子圖像分類任務(wù)上表現(xiàn)出較高的準(zhǔn)確率和魯棒性，相比于傳統(tǒng)的ResNet模型，可以取得更好的分類效果。該方法為太陽(yáng)黑子圖像分類提供了一種新的思路和技術(shù)方案，對(duì)于太陽(yáng)活動(dòng)預(yù)測(cè)和環(huán)境監(jiān)測(cè)等領(lǐng)域具有重要意義。

關(guān)鍵詞： 太陽(yáng)黑子； ResNet； 空洞卷積； 殘差連接； 交叉熵； SGD

中圖分類號(hào)： TN911.73?34； TP399" " " " " " " " " 文獻(xiàn)標(biāo)識(shí)碼： A" " " " " " " " " "文章編號(hào)： 1004?373X（2024）05?0080?05

Research on sunspot classification method based on improved ResNet algorithm

FAN Shiming

（Faculty of Information Engineering and Automation， Kunming University of Science and Technology， Kunming 650500， China）

Abstract： A sunspot image classification method based on improved ResNet is proposed in this study. In the method， techniques such as dilated convolution and residual concatenation are introduced on the basis of ResNet to enhance the feature extraction ability of the training model and the perceptual field. In the process of model training， the cross?entropy loss function and SGD （stochastic gradient descent） optimizer are used for parameter optimization， so as to improve the accuracy and generalization ability of the model. Among them， depth?separable convolution is used to replace the traditional convolution operation to reduce the number of parameters and the computational effort of the model. An experimental evaluation is performed on a public dataset for sunspot image classification. The experimental results show that the model based on improved ResNet exhibits high accuracy and robustness in the task of sunspot image classification and can achieve better classification results in comparison with the traditional ResNet model. The proposed method provides a new idea and technical scheme for sunspot image classification， which is important in the fields of solar activity prediction and environmental monitoring.

Keywords： sunspot; ResNet; dilated convolution; residual concatenation; cross?entropy; SGD

0" 引" 言

隨著現(xiàn)代天文學(xué)和太空科學(xué)的發(fā)展，太陽(yáng)黑子[1]成為了一個(gè)備受關(guān)注的研究領(lǐng)域。太陽(yáng)黑子是太陽(yáng)表面的一種暗斑，具有一定的周期性和規(guī)律性，與太陽(yáng)活動(dòng)周期密切相關(guān)。太陽(yáng)風(fēng)暴曾造成當(dāng)時(shí)無線電報(bào)網(wǎng)出現(xiàn)周期性大范圍中斷，太陽(yáng)風(fēng)暴引起地球磁場(chǎng)的劇烈變化，在地面誘生地磁感應(yīng)電流，會(huì)損毀電網(wǎng)變壓器，造成停電事故。而自人類進(jìn)入太空以來，已多次經(jīng)歷衛(wèi)星運(yùn)行受太陽(yáng)風(fēng)暴影響的事例，衛(wèi)星發(fā)生故障、材料退化、通信質(zhì)量下降或中斷，甚至導(dǎo)致衛(wèi)星失效、提前退役。隨著人類進(jìn)行空間探索和空間活動(dòng)不斷深入，各種與人類生活息息相關(guān)的活動(dòng)都依賴于導(dǎo)航、通信、廣播、電視等空間技術(shù)系統(tǒng)，這些空間技術(shù)系統(tǒng)的安全已經(jīng)不是單純的科學(xué)問題，而是與國(guó)民經(jīng)濟(jì)、國(guó)家安全緊密相關(guān)的應(yīng)用問題。太陽(yáng)黑子的出現(xiàn)和消失對(duì)太陽(yáng)活動(dòng)、地球天氣和人類生活產(chǎn)生著重要的影響，因此對(duì)太陽(yáng)黑子的監(jiān)測(cè)和研究具有重要的意義。

太陽(yáng)黑子群又稱為太陽(yáng)活動(dòng)區(qū)，是太陽(yáng)風(fēng)暴爆發(fā)的主要源區(qū)。在空間環(huán)境業(yè)務(wù)預(yù)報(bào)和研究中，活動(dòng)區(qū)的形態(tài)特征和磁場(chǎng)特征通常被用作太陽(yáng)風(fēng)暴預(yù)報(bào)的主要參考因子，如Wilson山磁分類[2]、McIntosh分類、磁剪切、中性線長(zhǎng)度等。在當(dāng)前太陽(yáng)觀測(cè)數(shù)據(jù)量呈指數(shù)增長(zhǎng)的情形下，傳統(tǒng)的人工提取太陽(yáng)活動(dòng)特征的方法顯然已經(jīng)不能滿足太陽(yáng)風(fēng)暴預(yù)報(bào)和空間環(huán)境預(yù)報(bào)的時(shí)效性需求，也不能滿足廣泛利用海量數(shù)據(jù)開展太陽(yáng)風(fēng)暴預(yù)報(bào)研究的要求。另外，太陽(yáng)風(fēng)暴預(yù)報(bào)模型主要通過統(tǒng)計(jì)關(guān)系來建立?；谌斯そ?jīng)驗(yàn)提取的太陽(yáng)風(fēng)暴爆發(fā)的特征參量作為模型輸入，觀測(cè)數(shù)據(jù)中所包含的與太陽(yáng)風(fēng)暴相關(guān)的信息難以被充分利用，這限制了模式預(yù)報(bào)精度的進(jìn)一步提高。

隨著計(jì)算機(jī)視覺和深度學(xué)習(xí)技術(shù)的不斷發(fā)展，基于圖像識(shí)別和分類的太陽(yáng)黑子研究成為了一種新的研究方法和手段。然而，由于太陽(yáng)黑子圖像的特殊性質(zhì)和復(fù)雜性，傳統(tǒng)的圖像處理和分類方法往往難以滿足實(shí)際需求，因此需要更加先進(jìn)和有效的技術(shù)和方法。

本文針對(duì)太陽(yáng)黑子的圖像分類問題，提出了一種基于改進(jìn)的ResNet的太陽(yáng)黑子圖像分類方法。該方法綜合運(yùn)用了數(shù)據(jù)增強(qiáng)、深度殘差網(wǎng)絡(luò)和優(yōu)化技術(shù)等先進(jìn)技術(shù)和方法，對(duì)太陽(yáng)黑子圖像進(jìn)行高效、準(zhǔn)確的分類和識(shí)別，為太陽(yáng)黑子研究提供了新的思路和手段。通過對(duì)實(shí)驗(yàn)結(jié)果的分析和評(píng)估，證明了本文方法在太陽(yáng)黑子圖像分類方面具有較高的準(zhǔn)確率和泛化能力，具有較好的應(yīng)用前景和推廣價(jià)值。

1" 黑子分類

太陽(yáng)黑子群分類是太陽(yáng)物理學(xué)領(lǐng)域的研究熱點(diǎn)之一，近年來，利用深度學(xué)習(xí)技術(shù)進(jìn)行太陽(yáng)黑子群分類的研究不斷取得了進(jìn)展。一方面，深度學(xué)習(xí)技術(shù)的應(yīng)用使得太陽(yáng)黑子群分類的準(zhǔn)確性得到了顯著提高。傳統(tǒng)的太陽(yáng)黑子群分類方法主要基于人工經(jīng)驗(yàn)和主觀判斷，分類結(jié)果的準(zhǔn)確性有限。而利用深度學(xué)習(xí)方法可以通過對(duì)太陽(yáng)黑子群圖像進(jìn)行特征提取和分類，實(shí)現(xiàn)對(duì)太陽(yáng)黑子群磁類型的自動(dòng)化分類，提高了分類準(zhǔn)確性。目前國(guó)內(nèi)已有多篇相關(guān)論文報(bào)道了利用深度學(xué)習(xí)方法開發(fā)多種模型，用于對(duì)太陽(yáng)黑子群進(jìn)行分類，這些模型包括：文獻(xiàn)[3]開發(fā)了識(shí)別簡(jiǎn)化Wilson山磁分類的CNN模型，文獻(xiàn)[4]利用Faster R?CNN和R?FCN的深度學(xué)習(xí)模型實(shí)現(xiàn)對(duì)太陽(yáng)黑子群的McIntosh分類，文獻(xiàn)[5]使用CNN完成Wilson山磁分類，文獻(xiàn)[6]基于CornerNet?Saccade目標(biāo)檢測(cè)網(wǎng)絡(luò)實(shí)現(xiàn)對(duì)全日面圖像中太陽(yáng)黑子群的Wilson山磁分類，文獻(xiàn)[7]提出了一種基于深度學(xué)習(xí)的太陽(yáng)黑子群磁分類方法，將黑子群分成了α、β和β?x三個(gè)類別。另一方面，深度學(xué)習(xí)方法的應(yīng)用還可以提高太陽(yáng)黑子群分類的效率。傳統(tǒng)的太陽(yáng)黑子群分類方法需要人工處理，分類效率低下，而利用深度學(xué)習(xí)方法可以對(duì)大量的太陽(yáng)黑子群圖像進(jìn)行快速處理，實(shí)現(xiàn)對(duì)太陽(yáng)黑子群磁類型的自動(dòng)化分類，提高了分類效率。比較經(jīng)典的、常見的對(duì)太陽(yáng)黑子分類的方法有：McIntosh分類法、Zurich黑子群分類和Wilson山磁分類，都是用于太陽(yáng)活動(dòng)的分類系統(tǒng)。

Wilson山磁分類是由美國(guó)天文學(xué)家W.O.Wilson于1919年提出的，它基于太陽(yáng)上的磁場(chǎng)結(jié)構(gòu)來分類太陽(yáng)區(qū)域。根據(jù)對(duì)應(yīng)磁場(chǎng)的極性，制定了一套太陽(yáng)黑子分類方案，它將雙極性太陽(yáng)黑子群視為基本類型，其他類型則被視為雙極性太陽(yáng)黑子群的變形。類別如下：

1） α：太陽(yáng)黑子的單極性群。

2） β：太陽(yáng)黑子的雙極性群，其中具有正負(fù)磁極，并且在相反磁極之間有明顯的區(qū)別。

3） γ：太陽(yáng)活動(dòng)區(qū)磁圖的復(fù)雜類型，其正負(fù)磁極的分布非常不規(guī)則。

4） β?γ：太陽(yáng)黑子的雙極性群，分布足夠復(fù)雜，相反磁極之間沒有明顯的邊界。

5） δ：具有相反磁極的雙極性太陽(yáng)黑子群，共享一個(gè)半暗帶，距離太陽(yáng)中心的跨度小于2°。

6） β?δ：包含一個(gè)或多個(gè)δ太陽(yáng)黑子的β磁性分類的太陽(yáng)黑子組。

7） β?γ?δ：包含一個(gè)或多個(gè)δ太陽(yáng)黑子的β?γ磁性分類的太陽(yáng)黑子組。

8） γ?δ：包含一個(gè)或多個(gè)δ太陽(yáng)黑子的γ磁性分類的太陽(yáng)黑子組。

在本文的研究中，由于γ、δ及γ?δ在近10年幾乎沒有出現(xiàn)，因此忽略這三類，同時(shí)，β?γ、β?γ?δ、β?δ三種占比也較少，為了便于深度學(xué)習(xí)模型訓(xùn)練，將他們?nèi)惤y(tǒng)一歸為β?x類。

2" 實(shí)驗(yàn)及結(jié)果

2.1" 數(shù)據(jù)預(yù)處理

本文中的數(shù)據(jù)集采用的是天池大賽中的太陽(yáng)黑子類型智能分類中的數(shù)據(jù)集。在所有的磁圖中，有4 709張α磁型圖像、7 352張β磁型圖像和2 407張β?x磁型圖像。在所有連續(xù)體圖像中，α磁型的圖片有4 709張，β磁型的圖片有7 352張，β?x磁型的圖片有2 407張。數(shù)據(jù)集中每種類型的數(shù)據(jù)量分布均勻。連續(xù)體圖像中最少的磁類型是β?x。圖像樣本的數(shù)量如表1所示。

為了進(jìn)行模型的訓(xùn)練和測(cè)試，將數(shù)據(jù)集劃分為訓(xùn)練集、測(cè)試集兩部分，其中訓(xùn)練集占80%，測(cè)試集占20%。然后，對(duì)每個(gè)數(shù)據(jù)集中的圖像進(jìn)行預(yù)處理和標(biāo)準(zhǔn)化處理，以便于后續(xù)的模型訓(xùn)練和測(cè)試。

此外，將灰色圖像樣本插值到一個(gè)統(tǒng)一的尺寸224×112，用以滿足神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)的輸入要求。同時(shí)，使用連續(xù)體圖像和磁圖兩個(gè)單通道圖像組合到一起，輸入為兩個(gè)通道，但為了契合AlexNet、VGG、Inception、ResNet等網(wǎng)絡(luò)的預(yù)訓(xùn)練模型，第三個(gè)通道予以填充，這里將黑色圖像作為填補(bǔ)要求。由于樣本數(shù)目不均衡，以防由于樣本數(shù)量造成準(zhǔn)確率降低，采取了圖像旋轉(zhuǎn)、翻轉(zhuǎn)的方式對(duì)α和β?x的樣本進(jìn)行了擴(kuò)充。最后，圖像樣本數(shù)量如表2所示。

2.2" 實(shí)驗(yàn)環(huán)境

本文服務(wù)器操作系統(tǒng)使用Ubuntu的開源Linux操作系統(tǒng)，在GPU環(huán)境下進(jìn)行計(jì)算，使用Pytorch深度學(xué)習(xí)框架，IDE為Pycharm，開發(fā)語(yǔ)言是Python。具體實(shí)驗(yàn)環(huán)境如表3所示。

2.3" Dilated ResNet網(wǎng)絡(luò)

在本文中使用改進(jìn)的ResNet模型，即Dilated ResNet來實(shí)現(xiàn)太陽(yáng)黑子圖像的分類。Dilated ResNet是在ResNet的基礎(chǔ)上引入了空洞卷積[8?10]（Dilated Convolution），以增加卷積層的感受野和視野，提高網(wǎng)絡(luò)的分類精度。具體來說，Dilated ResNet由多個(gè)殘差塊組成，每個(gè)殘差塊包含多個(gè)卷積層和批量歸一化層，其中第一個(gè)卷積層采用空洞卷積，其余卷積層采用普通卷積?？斩淳矸e核的大小可以根據(jù)需要進(jìn)行調(diào)整，以適應(yīng)不同的圖像尺寸和任務(wù)要求。同時(shí)，網(wǎng)絡(luò)中還包含了池化層和全局平均池化層，以進(jìn)行特征提取和降維處理。最后，網(wǎng)絡(luò)輸出一個(gè)Softmax分類器，將圖像分為不同的類別。整個(gè)網(wǎng)絡(luò)的訓(xùn)練采用了交叉熵?fù)p失函數(shù)和隨機(jī)梯度下降（SGD）優(yōu)化器，以最小化損失函數(shù)并優(yōu)化網(wǎng)絡(luò)參數(shù)。

具體來說，在ResNet中引入了空洞卷積，并對(duì)網(wǎng)絡(luò)進(jìn)行了一定的調(diào)整和改進(jìn)，以適應(yīng)太陽(yáng)黑子圖像的分類任務(wù)。Dilated ResNet的具體結(jié)構(gòu)如圖1所示。

Dilated ResNet由多個(gè)殘差塊組成，每個(gè)殘差塊包含兩個(gè)卷積層和兩個(gè)歸一化層，并使用空洞卷積來增加感受野和視野。具體地，將第3、第4和第5個(gè)殘差塊中的卷積層替換為空洞卷積，其中第3個(gè)殘差塊使用了空洞率為2的卷積核，第4個(gè)殘差塊使用了空洞率為4的卷積核，第5個(gè)殘差塊使用了空洞率為8的卷積核。還在網(wǎng)絡(luò)的最后添加了全局平均池化層和全連接層，用于將卷積層輸出的特征圖轉(zhuǎn)換為分類結(jié)果。Dilated Residual Block具體結(jié)構(gòu)如圖2所示。

其中，Residual Block和Dilated Residual Block都采用了兩個(gè)卷積層，每個(gè)卷積層后面都跟著歸一化層和ReLU激活函數(shù)。Residual Block還采用了殘差連接，即將輸入直接加到輸出上。Dilated Residual Block則采用空洞卷積來增加感受野和視野。具體地，空洞卷積是在卷積核中插入一些空洞，這些空洞在卷積操作中可以讓卷積核跨越更大的區(qū)域，從而增加了感受野和視野。

此外，在實(shí)現(xiàn)Dilated ResNet模型時(shí)，還采用了一些超參數(shù)的調(diào)整。具體地，采用了批量大小為64、學(xué)習(xí)率為0.001、動(dòng)量為0.9、權(quán)重衰減為0.000 1的SGD優(yōu)化器，并使用了學(xué)習(xí)率衰減策略，將學(xué)習(xí)率在第40個(gè)和80個(gè)epoch時(shí)分別乘以0.1。將模型在訓(xùn)練集上訓(xùn)練100個(gè)epoch，并在測(cè)試集上進(jìn)行模型選擇，選擇測(cè)試集上具有最高精度的模型作為最終模型。

2.4" 模型訓(xùn)練和評(píng)估

在訓(xùn)練深度學(xué)習(xí)模型前，需要將數(shù)據(jù)集劃分為訓(xùn)練集、測(cè)試集。具體地，將數(shù)據(jù)集中80%的數(shù)據(jù)用于訓(xùn)練，20%用于測(cè)試。訓(xùn)練集用于訓(xùn)練模型和調(diào)整超參數(shù)，測(cè)試集則用于評(píng)估模型性能。

使用全連接神經(jīng)網(wǎng)絡(luò)的輸出通過一個(gè)Softmax函數(shù)得到輸出分類的概率分布，然后將結(jié)果與數(shù)據(jù)標(biāo)簽進(jìn)行比較得到交叉熵，從而得到損失函數(shù)。Softmax函數(shù)和交叉熵公式如下：

[Softmax（pi）=epij=1neyj]

式中：[n]是太陽(yáng)黑子類型的數(shù)量；[pi]是第[i]個(gè)網(wǎng)絡(luò)單元的輸出。

[L=-1Ni=1Nyilog（pi）+（1-yi）log（1-pi）]

式中：[N]是訓(xùn)練樣本數(shù)量；[yi]是樣本[i]的真實(shí)標(biāo)簽；[pi]是模型對(duì)樣本[i]的預(yù)測(cè)值。

使用PyTorch框架中的SGD優(yōu)化器進(jìn)行模型訓(xùn)練。具體地，采用了批量大小為64、學(xué)習(xí)率為0.001、動(dòng)量為0.9、權(quán)重衰減為0.000 1的SGD優(yōu)化器，并使用了學(xué)習(xí)率衰減策略，將學(xué)習(xí)率在第40個(gè)和80個(gè)epoch時(shí)分別乘以0.1。

為了評(píng)估模型的性能，采用準(zhǔn)確率作為評(píng)估指標(biāo)，即：

[Accuracy=TP+TNTP+TN+FP+FN]

式中：TP是真正例數(shù)；TN是真反例數(shù)；FP是假正例數(shù)；FN是假反例數(shù)。使用測(cè)試集對(duì)模型進(jìn)行評(píng)估，并記錄模型在測(cè)試集上的準(zhǔn)確率作為最終性能指標(biāo)。

2.5" 實(shí)驗(yàn)結(jié)果及分析

擴(kuò)充樣本后灰度圖像的數(shù)據(jù)集的損失函數(shù)和準(zhǔn)確率如表4所示。

從表4中可以看出，提出的基于深度學(xué)習(xí)的太陽(yáng)黑子群磁類型分類方法中的Dilated ResNet模型相比于之前的ResNet模型，在灰度圖像中準(zhǔn)確率達(dá)到92%。這表明，采用帶有空洞殘差卷積的模型可以顯著提高太陽(yáng)黑子群磁類型分類的精度。

此外，混淆矩陣[11?13]用于評(píng)估模型對(duì)太陽(yáng)磁場(chǎng)活動(dòng)區(qū)磁性類型的分類性能。混淆矩陣定義如表5所示。

表5中：被正確識(shí)別為“α”的樣本數(shù)為True α（TA）；被錯(cuò)誤識(shí)別為“β”的樣本數(shù)為False α_B（AB）；被錯(cuò)誤識(shí)別為“β?x”的樣本數(shù)為False α_C（AC）；被正確識(shí)別為“β”的樣本數(shù)為True β（TB）；被錯(cuò)誤識(shí)別為“α”的樣本數(shù)為False β_A（BA）；被錯(cuò)誤識(shí)別為“β?x”的樣本數(shù)為False β_C（BC）；被正確識(shí)別為“β?x”的樣本數(shù)為True β?x（TC）；被錯(cuò)誤識(shí)別為“α”的樣本數(shù)為False β?x_A（CA）；被錯(cuò)誤識(shí)別為“β”的樣本數(shù)為False β?x_B（CB）。

為了更好地理解模型的性能，還繪制了Dilated ResNet模型在測(cè)試集上的混淆矩陣，如表6所示。從表6中可以看出，當(dāng)模型識(shí)別錯(cuò)誤發(fā)生時(shí)，α磁型偶爾會(huì)被誤認(rèn)為β磁型，β磁型有時(shí)會(huì)被誤分類為α或β?x，錯(cuò)誤率超過6%，β?x磁型主要誤劃為β。人工分類時(shí)，難免會(huì)因個(gè)人經(jīng)驗(yàn)和個(gè)人意見產(chǎn)生分歧，主要是區(qū)分β磁型和β?x磁型。

從混淆矩陣可以看出，模型在大多數(shù)情況下能夠正確地將樣本分類到正確的類別中，但是在一些類別中仍存在一定程度的混淆。例如，α類別永遠(yuǎn)不會(huì)被識(shí)別為β?x類別，但模型會(huì)將12.6%的β?x類別誤分類為類別β，這表明，對(duì)于一些相似的類別，模型仍需要進(jìn)一步改進(jìn)以提高分類性能。

3" 結(jié)" 論

本文提出了一種基于深度學(xué)習(xí)的太陽(yáng)黑子群磁類型分類方法，采用了AlexNet、VGG、ResNet和Dilated ResNet等多種深度學(xué)習(xí)模型對(duì)數(shù)據(jù)集進(jìn)行分類。實(shí)驗(yàn)結(jié)果表明，提出的方法中的Dilated ResNet模型取得了最好的性能，灰度圖像達(dá)到了92%的準(zhǔn)確率，比傳統(tǒng)的ResNet模型提高了5%。與傳統(tǒng)方法相比，基于深度學(xué)習(xí)的分類方法具有更高的分類精度、更好的可解釋性和魯棒性。這些結(jié)果表明，基于深度學(xué)習(xí)空洞殘差模型的方法可以顯著提高太陽(yáng)黑子群磁類型分類的精度，并為未來的太陽(yáng)物理研究提供重要的參考。

未來的工作將集中在改進(jìn)深度學(xué)習(xí)模型的結(jié)構(gòu)和算法上，收集更多的太陽(yáng)黑子群磁類型數(shù)據(jù)，并將該方法應(yīng)用到實(shí)際的太陽(yáng)物理研究中，例如太陽(yáng)活動(dòng)周期的預(yù)測(cè)、太陽(yáng)耀斑的識(shí)別和預(yù)報(bào)等方面的應(yīng)用?；谏疃葘W(xué)習(xí)的太陽(yáng)黑子群磁類型分類方法將會(huì)成為太陽(yáng)物理學(xué)研究中一種重要的工具和手段，為理解太陽(yáng)磁場(chǎng)的演化和太陽(yáng)活動(dòng)的變化提供重要的參考和指導(dǎo)。

參考文獻(xiàn)

[1] 李國(guó)慶，孫威，王穎，等.基于索周法探尋太陽(yáng)黑子的磁極性周期[J].地球物理學(xué)進(jìn)展，2020，35（6）：2075?2082.

[2] 李書馨，趙學(xué)斌，陳君，等.基于深度學(xué)習(xí)的太陽(yáng)黑子Wilson山磁類型識(shí)別方法[J].空間科學(xué)學(xué)報(bào)，2022，42（3）：333?339.

[3] 方園慧.機(jī)器學(xué)習(xí)在太陽(yáng)爆發(fā)預(yù)報(bào)中的應(yīng)用研究[D].北京：中國(guó)科學(xué)院大學(xué)（中國(guó)科學(xué)院國(guó)家空間科學(xué)中心），2020.

[4] 付小娜.基于深度學(xué)習(xí)的太陽(yáng)黑子群分類方法研究[D].昆明：昆明理工大學(xué)，2019.

[5] 王雅妮.利用卷積神經(jīng)網(wǎng)絡(luò)自動(dòng)歸類太陽(yáng)黑子[D].哈爾濱：哈爾濱工業(yè)大學(xué)，2020.

[6] 何遠(yuǎn)柏.基于CornerNet?Saccade的太陽(yáng)黑子群Wilson山磁分類研究[D].昆明：昆明理工大學(xué)，2021.

[7] FANG Y H， CUI Y M， AO X Z. Deep learning for automatic recognition of magnetic type in sunspot groups [J]. Advances in astronomy， 2019（1）： 1?10.

[8] 顏銘靖，蘇喜友.基于三維空洞卷積殘差神經(jīng)網(wǎng)絡(luò)的高光譜影像分類方法[J].光學(xué)學(xué)報(bào)，2020，40（16）：163?172.

[9] WEI Y C， XIAO H X， SHI H H， et al. Revisiting dilated convolution： A simple approach for weakly? and semi? supervised semantic segmentation [C]// Proceedings of the IEEE Conference on Computer Vision and Pattern Recognition. New York： IEEE， 2018： 7268?7277.

[10] LI Y H， ZHANG X F， CHEN D M. CSRNet： Dilated convolutional neural networks for understanding the highly congested scenes [C]// Proceedings of the IEEE Conference on Computer Vision and Pattern Recognition. New York： IEEE， 2018： 1091?1100.

[11] LIANG J. Confusion matrix： Machine learning [J]. POGIL activity clearinghouse， 2022， 3（4）： 26.

[12] VISA S， RAMSAY B， RALESCU A L， et al. Confusion matrix?based feature selection [C]// Proceedings of the 22nd Midwest Artificial Intelligence and Cognitive Science Conference 2011. [S.l.： s.n.]， 2011： 120?127.

[13] 張開放，蘇華友，竇勇.一種基于混淆矩陣的多分類任務(wù)準(zhǔn)確率評(píng)估新方法[J].計(jì)算機(jī)工程與科學(xué)，2021，43（11）：1910?1919.