太阳风的机器学习分类
摘要：太阳风的四类分类算法：基于高斯过程。这四类分类是基于Xu & Borovsky [2015]的：射出物、冠层空洞来源等离子体、带状过渡带来源等离子体和扇区反转来源等离子体。该算法在OMNI数据集的部分标记数据上进行训练和测试。它使用了七个输入变量：太阳风速度$V\_{sw}$、温度标准差$sigma\_T$、太阳黑子数$R$、$f\_{10.7}$指数、阿尔文速度$v\_A$、质子比熵$S\_p$和质子温度$T\_p$与基于速度的期望温度进行比较。高斯过程分类器的输出是一个包含每个类别的事件（来自每小时平均的OMNI数据库）属于该类别的概率的四维向量。预测的概率性质可以更详细和灵活地解释结果，例如能够将事件分类为“未决定”。即使使用少量数据进行训练，这种新方法对于所有类别的中位数准确性都大于90%。接收者操作特性曲线和可靠性图也证明了这种新方法的优秀质量。最后，我们使用该算法对OMNI数据集的大部分数据进行分类，并首次提出了不同太阳风类别之间的过渡概率。这些概率代表确定太阳风基线的“气候学”统计数据。
作者：Enrico Camporeale, Algo Car`e, Joseph E. Borovsky
论文ID：1710.02313
分类：Space Physics
分类简称：physics.space-ph
提交时间：2017-12-27