Иркутск, Россия
Развит самосогласованный, управляемый данными подход к классификации данных, получаемых на среднеширотных радарах когерентного рассеяния ИСЗФ СО РАН. На основе материала 2021 г. приведено решение задачи автоматической классификации данных без их разметки экспертом и без постулирования количества классов. Алгоритм самостоятельно проводит разметку, определяет оптимальное количество классов сигналов, наблюдаемых радарами, и обучает двухслойную классифицирующую нейронную сеть предельно простой структуры. При траекторных расчетах используется метод волновой оптики и международные ссылочные модели ионосферы и магнитного поля Земли. Модель обучена на сигналах, приходящих с главного лепестка диаграммы направленности. При обучении для адаптации части данных, полученных с повышенным спектральным разрешением проводится их иcкусственное загрубление до стандартного разрешения. Каждый класс сигнала, определенный нейронной сетью, проинтерпретирован с физической точки зрения исходя из статистических характеристик сигналов, принадлежащих ему. Показано, что количество классов в данных составляет от 23 до 35. Проведена оценка значимости различных параметров входных данных. Показано, что наиболее важными для классификации параметрами являются расчетные высота рассеяния и наклон траектории в точке рассеяния, а наименее важными — спектральная ширина принятого сигнала и расчетное количество отражений от нижележащей поверхности.
декаметровый радар, СЕКИРА, ионосфера, автоматическая классификация
1. Бернгардт О.И. Первый сравнительный анализ метеорного эхо и спорадического рассеяния, идентифицированных самообучившейся нейронной сетью по данным радаров EKB и MAGW ИСЗФ СО РАН. Солнечно-земная физика. 2022, т. 8, № 4, с. 66–76. DOI:https://doi.org/10.12737/szf-84202206 / Berngardt O.I. The first comparative analysis of meteor echo and sporadic scattering identified by a self-learned neural network in EKB and MAGW ISTP SB RAS radar data. Solar-Terrestrial Physics. 2022, vol. 8, no. 4, pp. 63–72. DOI:https://doi.org/10.12737/stp-84202206.
2. Бернгардт О.И., Куркин В.И., Кушнарев Д.С. и др. Декаметровые радары ИСЗФ СО РАН. Солнечно-земная физика. 2020, т. 6, № 2, c. 79–92. DOI:https://doi.org/10.12737/szf-62202006 / Berngardt O., Kurkin V., Kushnarev D., et al. ISTP SB RAS decameter radars. Solar-Terrestrial Physics. 2020, vol. 6, no. 2, pp. 63–73. DOI:https://doi.org/10.12737/stp-62202006.
3. Arnold V. On the function of three variables. American Mathematical Society Translations. 1963, pp. 51–54.
4. Barthes L., Andrè R., Cerisier J.-C., Villain J.-P. Separation of multiple echoes using a high-resolution spectral analysis for SuperDARN HF radars. Radio Sci. 1998, vol. 33, no. 4, pp. 1005–1017. DOI:https://doi.org/10.1029/98RS00714.
5. Berngardt O.I. Superclustering by finding statistically significant separable groups of optimal Gaussian clusters. 2023. DOI:https://doi.org/10.48550/arXiv.2309.02623.
6. Berngardt, O.I. Minimum number of neurons in fully connected layers of a given neural network (the first approximation). 2024. DOI:https://doi.org/10.48550/arXiv.2405.14147.
7. Berngardt O.I., Kutelev K.A., Potekhin A.P. SuperDARN scalar radar equations. Radio Sci. 2016, vol. 51, no. 10, pp. 1703–1724. DOI:https://doi.org/10.1002/2016RS006081.
8. Berngardt O.I., Grkovich K.V., Fedorov R.R. Synthesis of Symmetric Sounding Sequences for Ekaterinburg Coherent Decameter Radar. Radiophysics and Quantum Electronics. 2020, vol. 62, no. 11, pp. 721–733. DOI:https://doi.org/10.1007/s11141-020-10018-y.
9. Berngardt O.I., Fedorov R.R., Ponomarenko P., Grkovich K.V. Interferometric calibration and the first elevation observations at EKB ISTP SB RAS radar at 10–12 MHz. Polar Science. 2021, vol. 28, p. 100628. DOI:https://doi.org/10.1016/j.polar.2020.100628.
10. Berngardt O.I., Kusonsky O.A., Poddelsky A.I., Oinats A.V. Self-trained artificial neural network for physical classification of ionospheric radar data. Adv. Space Res. 2022, vol. 70, no. 10, pp. 2905–2919. DOI:https://doi.org/10.1016/j.asr.2022.07.054.
11. Bilitza D., Pezzopane M., Truhlik V., et al. The International Reference Ionosphere Model: A review and description of an ionospheric benchmark. Rev. Geophys. 2022, vol. 60, no. 4, e2022RG000792. DOI:https://doi.org/10.1029/2022RG000792.
12. Blanchard G.T., Sundeen S., Baker K.B. Probabilistic identification of high-frequency radar backscatter from the ground and ionosphere based on spectral characteristics. Radio Sci. 2009, vol. 44, no. 5. DOI:https://doi.org/10.1029/2009RS004141.
13. Breiman Leo. Random forests. Machine Learning. 2001, vol. 45, no. 1, pp. 5–32. DOI:https://doi.org/10.1023/a:1010933404324.
14. Burrell A.G., Milan S.E., Perry G.W., Automatically determining the origin direction and propagation mode of high-frequency radar backscatter. Radio Sci. 2015. vol. 50, no. 12, pp. 1225–1245. DOI:https://doi.org/10.1002/2015RS005808.
15. Chisham G., Freeman M.P. A reassessment of SuperDARN meteor echoes from the upper mesosphere and lower thermosphere. J. Atmos. Solar-Terr. Phys. 2013, vol. 102, pp. 207–221. DOI:https://doi.org/10.1016/j.jastp.2013.05.018.
16. Chisham G., Lester M., Milan S.E., et al. A decade of the Super Dual Auroral Radar Network (SuperDARN): scientific achievements, new techniques and future directions. Surveys in Geophysics. 2007, vol. 28, pp. 33–109. DOI: 10.1007/ s10712-007-9017-8.
17. Ester M., Kriegel H.-P., Sander J., Xu X. A density-based algorithm for discovering clusters in large spatial databases with noise. В: Proc. Second International Conference on Knowledge Discovery and Data Mining. KDD96. Portland, Oregon: AAAI Press, 1996, pp. 226–231.
18. Goodfellow I., Bengio Y., Courville A. Deep learning. Adaptive Computation and Machine Learning. MIT Press, 2016.
19. Greenwald R.A., Baker K.B., Dudeney J.R., et al. Darn/Superdarn: A global view of the dynamics of high-latitude convection. Space Sci. Rev. 1995, vol. 71, pp. 761–796. DOI:https://doi.org/10.1007/BF00751350.
20. Greenwald R.A., Oksavik K., Barnes R., et al. First radar measurements of ionospheric electric fields at sub-second temporal resolution. Geophys. Res. Lett. 2008, vol. 35, no. 3. DOI:https://doi.org/10.1029/2007GL032164.
21. Guo Chuan, Geoff Pleiss, Yu Sun, Weinberger K.Q. On calibration of modern neural networks. 2017. DOI: 10.48550/ arXiv.1706.04599.
22. Huang X., Kroening D., Ruan W., et al. A survey of safety and trustworthiness of deep neural networks: Verification, testing, adversarial attack and defence, and interpretability. Computer Sci. Rev. 2020, vol. 37, p. 100270. DOI:https://doi.org/10.1016/j.cosrev.2020.100270.
23. Hubert L., Arabie P. Comparing partitions. J. Classification. 1985, vol. 2, no. 1, pp. 193–218. DOI:https://doi.org/10.1007/bf01908075.
24. Ioffe S., Szegedy C. Batch normalization: accelerating deep network training by reducing internal covariate shift. 2015. DOI:https://doi.org/10.48550/arXiv.1502.03167.
25. Kolmogoroff A. Grundbegriffe der Wahrscheinlichkeitsrechnung. Springer Berlin Heidelberg. 1933. DOI:https://doi.org/10.1007/978-3-642-49888-6.
26. Kolmogorov A.N. On the representation of continuous functions of many variables by superposition of continuous functions of one variable and addition. Dokl. Akad. Nauk SSSR. 1957, pp. 953–956.
27. Kong Xing, Liu E., Shi S., Chen F. The implementation of deep clustering for SuperDARN backscatter echoes. Adv. Space Res. 2024, vol. 74, no. 1, pp. 243–254. DOI:https://doi.org/10.1016/j.asr. 2024.03.039.
28. Kravtsov Y.A., Namazov S.A. Characteristics of scattering of radio waves from magnetically oriented inhomogeneities of the ionosphere near critical frequency. Radiotekhnika i elektronika [J. Communications Technology and Electronics]. 1980, pp. 459–466. [In Russian].
29. Kunduri B.S.R., Baker J.B.H., Ruohoniemi J.M., et al. An examination of SuperDARN backscatter modes using machine learning guided by ray-tracing. Space Weather. 2022, vol. 20, no. 9, e2022SW003130. DOI:https://doi.org/10.1029/2022SW003130.
30. Lester M., Chapman P.J., Cowley S.W.H., et al. Stereo CUTLASS — A new capability for the SuperDARN HF radars. Ann. Geophys. 2004, vol. 22, no. 2, pp. 459–473. DOI:https://doi.org/10.5194/angeo-22-459-2004.
31. Milan S.E., Jones T.B., Robinson T.R., et al. Interferometric evidence for the observation of ground backscatter originating behind the CUTLASS coherent HF radars. Ann. Geophys. 1997, vol. 15, no. 1, pp. 29–39. DOI:https://doi.org/10.1007/s00585-997-0029-y.
32. Nishitani N., Ruohoniemi J.M., Lester M., et al. Review of the accomplishments of mid-latitude Super Dual Auroral Radar Network (SuperDARN) HF radars. Progress in Earth and Planetary Science. 2019, vol. 6, no. 1. DOI:https://doi.org/10.1186/s40645-019-0270-5.
33. Ponomarenko P.V. Blessing Iserhienrhien и Jean-Pierre St.-Maurice. Morphology and possible origins of near-range oblique HF backscatter at high and midlatitudes. Radio Sci. 2016, vol. 51, no. 6, pp. 718–730. DOI:https://doi.org/10.1002/2016RS006088.
34. Ponomarenko P., McWilliams K.A. Climatology of HF Propagation Characteristics at Very High Latitudes From SuperDARN Observations. Radio Sci. 2023, vol. 58, no. 5, e2023RS007657. DOI:https://doi.org/10.1029/2023RS007657.
35. Ponomarenko P.V., Waters C.L., Menk F.W. Factors determining spectral width of HF echoes from high latitudes. Ann. Geophys. 2007, vol. 25, no. 3, pp. 675–687. DOI:https://doi.org/10.5194/angeo-25-675-2007.
36. Ponomarenko P.V., Koustov A.V., St.-Maurice J.-P., Wiid J. Monitoring the F-region peak electron density using HF backscatter interferometry. Geophys. Res. Lett. 2011, vol. 38, no. 21. DOI:https://doi.org/10.1029/2011GL049675.
37. Ribeiro A.J., Ruohoniemi J.M., Baker J.B.H., et al. A new approach for identifying ionospheric backscatter in midlatitude SuperDARN HF radar observations. Radio Sci. 2011, vol. 46, no. 4. DOI:https://doi.org/10.1029/2011RS004676.
38. Ribeiro A.J., Ruohoniemi J.M., Ponomarenko P.V., et al. A comparison of SuperDARN ACF fitting methods. Radio Sci. 2013, vol. 48, no. 3, pp. 274–282. DOI:https://doi.org/10.1002/rds.20031.
39. Rousseeuw P.J. Silhouettes: A graphical aid to the interpretation and validation of cluster analysis. J. Computational and Applied Mathematics. 1987, vol. 20, pp. 53–65. DOI:https://doi.org/10.1016/0377-0427(87)90125-7.
40. Rumelhart D.E., Hinton G.E., Williams R.J. Learning Internal Representations by Error Propagation. В: Parallel Distributed Processing, Volume 1: Explorations in the Microstructure of Cognition: Foundations. The MIT Press. 1986. DOI:https://doi.org/10.7551/mitpress/5236.003.0012.
41. Saxena Amit, Mukesh Prasad, Akshansh Gupta, et al. A review of clustering techniques and developments. Neurocomputing. 2017, vol. 267, pp. 664–681. DOI:https://doi.org/10.1016/j.neucom.2017.06.053.
42. Schwarz Gideon. Estimating the dimension of a model. The Annals of Statistics. 1978, vol. 6, no. 2, pp. 461–464. DOI:https://doi.org/10.1214/aos/1176344136.
43. Shorten C., Khoshgoftaar T.M. A survey on image data augmentation for deep learning. J. Big Data. 2019, vol. 6, no. 1. DOI:https://doi.org/10.1186/s40537-019-0197-0.
44. Smiti A., Elouedi Z. Fuzzy density based clustering method: Soft DBSCAN-GM. В: 2016 IEEE 8th International Conference on Intelligent Systems, 2016, pp. 443–448. DOI:https://doi.org/10.1109/IS.2016.7737459.
45. Sutton R.S., Barto A.G. Reinforcement Learning: An Introduction. Second. The MIT Press. 2018.
46. Vallés-Pérez I., Soria-Olivas E., Martıénez-Sober M., et al. Empirical study of the modulus as activation function in computer vision applications. Engineering Applications of Artificial Intelligence. 2023, vol. 20, p. 105863. DOI:https://doi.org/10.1016/j.engappai.2023.105863.
47. URL: https://github.com/berng/WrappedClassifier/tree/master/v.3.0 (дата обращения 15 апреля 2025 г.).
48. URL: http://sdrus.iszf.irk.ru/node/107 (дата обращения 15 апреля 2025 г.).
49. URL: https://rscf.ru/project/24-22-00436/ (дата обращения 15 апреля 2025 г.).
