基于CNN的电离图分类

基于CNN的电离图分类方法

原创于 2025-10-05 00:01:20 发布 · 794 阅读

0 ·

CC 4.0 BY-SA版权

文章标签：

#CNN # 电离图分类 # 深度学习

基于CNN的电离图自动分类

IT. DESCRIPTION OF METHOD

电离图的自动分类研究近年来受到广泛关注，已有大量工作致力于利用深度学习技术对电离图进行自动识别与分类。目前公开的数据集中包含超过20,000张电离图样本[7]，涵盖了多种典型类别，包括： Es 、 Es-h 、 F2 、 foF2 、 fxI 、 foE 、 foEs 等。本文构建了一个包含15,000张电离图用于训练、7,000张用于测试的数据集，以评估模型性能。

示意图0

图1. 电离图的典型类别示例

图 CLASSIFICATION METHOD

A. CNN模型架构

卷积神经网络（Convolutional Neural Network, CNN）因其在图像识别任务中的卓越表现而被广泛应用于图像分类领域。CNN通过局部感受野、权值共享和池化操作，能够自动提取图像中的空间特征，并逐层抽象出高级语义信息。本文采用经典的CNN架构作为基础模型，输入为标准化后的电离图图像，经过多个卷积层和池化层后，由全连接层输出分类结果。激活函数选用ReLU，输出层采用Softmax函数实现多类别概率分布输出。

具体而言，本文设计的CNN模型包含三个卷积层，每个卷积核大小为3×3，步长为1，填充方式为same。卷积层后接2×2的最大池化层以降低特征维度并增强平移不变性。最终通过全连接层映射到类别空间。模型结构如图2所示。

示意图1

图2. 用于电离图分类的CNN模型架构

该模型通过对电离图的视觉模式进行学习，能够有效区分不同类型的电离层扰动特征。实验表明，基于CNN的方法在自动分类电离图方面具有显著优势，特别是在处理Es、F2层临界频率（foF2）等复杂形态时表现出较高的准确率。

B. 数据预处理与训练策略

为提升模型泛化能力，对原始电离图进行了标准化预处理：统一调整图像尺寸至256×256像素，归一化像素值至[0,1]区间，并采用数据增强技术（如随机旋转、翻转）扩充训练样本。模型使用交叉熵损失函数进行优化，采用Adam优化器，初始学习率为0.001，批量大小设为32，训练轮次为50。

分类任务共涉及7个类别： Es 、 Es-h 、 foF2 、 F2 、 fxI 、 foE 、 foEs 。评价指标包括准确率（Accuracy）、精确率（Precision）、召回率（Recall）和F1分数。混淆矩阵用于详细分析各类别的分类性能。

图3. 电离层扰动类型的分类流程图

实验结果与分析

为验证所提出方法的有效性，我们在自建数据集上进行了充分实验。表1展示了CNN模型在测试集上的分类性能，总体准确率达到90%以上，表明该模型能够高效、准确地区分不同类型的电离图。

类别	精确率（Precision）	召回率（Recall）	F1分数（F1-Score）
Es	0.92	0.91	0.915
Es-h	0.89	0.87	0.88
foF2	0.93	0.94	0.935
F2	0.95	0.96	0.955
fxI	0.88	0.85	0.865
foE	0.90	0.92	0.91
foEs	0.87	0.88	0.875

从表中可以看出，模型对 F2 和 foF2 类别的识别效果最佳，F1分数均超过0.95，说明CNN能够很好地捕捉F层主峰及其临界频率的典型特征。对于 Es 和 foEs 等较为复杂的突发性E层现象，模型仍保持了较高的分类稳定性。

为进一步分析分类误差来源，图4给出了测试集上的混淆矩阵。

图4. 混淆矩阵：实际标签 vs 预测标签

横轴为预测类别，纵轴为真实标签，“True Positive”表示正确分类样本数，“False Negative”和“False Positive”分别反映漏检与误判情况。观察可知，大部分误分类发生在 Es 与 Es-h 之间，以及 fxI 与 foE 之间，这主要由于这些类别的电离图在视觉形态上存在相似性，例如都表现为短促的高频反射迹线或弱回波信号。

此外，我们将本文方法与传统人工判读及其他机器学习方法进行了对比，结果如表2所示：