基于深度学习的太阳黑子群磁类型自动识别

抽象的

太阳黑子是太阳光球层上较暗的区域，大多数太阳喷发发生在复杂的太阳黑子群中。Mount Wilson分类法描述了太阳黑子群磁极的空间分布，它在太阳耀斑的预测中起着重要的作用。随着太阳观测数据的快速积累，太阳黑子群磁型的自动识别对于快速预测太阳喷发至关重要。基于2010-2017年的SDO/HMI SHARP数据，利用卷积神经网络(CNN)方法自动识别太阳黑子群中预定义的磁类型。三种不同的模型(A、B和C)分别以磁图、连续图像和双通道图像作为输入。结果表明，CNN在识别太阳活动区(ARs)的磁类型方面具有较好的效果。单独使用连续图像作为输入数据时，识别结果最好，总准确率超过95%，其中Alpha类型的识别准确率达到98%，而Beta类型的识别准确率略低，但保持在88%以上。

1.介绍

1908年黑尔利用塞曼效应原理计算太阳黑子内部的磁场强度，发现太阳黑子内部的磁场强度要比周围区域强[1]．由于磁化等离子体中的对流受到强磁场的抑制，太阳黑子的温度和辐射低于其周围环境。太阳黑子在白光图像中呈现为黑暗区域，相对来说是暂时现象，可以持续几天、几周甚至几个月。一个发育良好的太阳黑子是由一个暗的中心和它周围较浅的黑色部分组成的。前者是本影，后者是半影。太阳黑子是一种值得注意的现象，它不仅反映了某一时期太阳活动的总体水平，而且还为揭示其他太阳活动提供了线索。

太阳耀斑是太阳大气中最剧烈的现象之一。长期观测表明，大多数太阳耀斑出现在太阳黑子群的上方。然而，引起太阳耀斑的机理还远未被完全理解。大量的文献集中在太阳黑子群和太阳耀斑之间的关系上[2- - - - - -9]．太阳黑子群的特征是预测太阳耀斑的重要因素。实际上，许多参数，包括磁梯度、磁切变、太阳黑子数、磁图的泽尼克矩和麦金托什太阳黑子分类已经被使用[10- - - - - -13]．特别是，太阳黑子群的磁型形态一直是预测太阳耀斑的一个重要视角。Atac (1987) (14]发现，产生大型耀斑的太阳黑子是DKI或EKI的磁场D. McIntosh（1990）[15]建议提供3组件McIntosh分类来描述太阳黑子的复杂性，从而建立了用于预测X射线太阳耀斑的专家系统。S. Eren等人。（2017）[16]研究了1996 - 2014年的太阳黑子和太阳耀斑数据，共覆盖4262个活动区(ARs)。他们的结果表明，大型和复杂的太阳黑子群产生耀斑的可能性比小型和简单的太阳黑子群高8倍。

目前，太阳黑子的识别和分类主要由专家手工进行，这是一个主观、耗时、劳动密集的过程。另一方面，越来越多的空间任务导致了太阳活动数据集的快速积累。因此，对太阳黑子磁类型实施自动识别程序已经提上议事日程相当长一段时间了。虽然在太阳黑子的自动识别方面已经做了很多工作[17- - - - - -19[机器学习方法，少量自动分类太阳黑子磁性类型。Sinh Hoa Nguyen等。（2005）[20.应用基于粗糙集理论的分层学习方法对卫星图像中的太阳黑子进行分类。Trung Thanh Nguyen等人(2006)[21，22]利用机器学习技术对太阳黑子群进行分类，该分类基于7类改进的苏黎世方案。Colak et al. (2008) [23]采用图像处理算法和完全连接的神经网络，以根据McIntosh分类系统自动检测和分类SunSpots。Mehmmood A. Abd等人。（2010）[24]采用支持向量机，实现全磁盘白光太阳能图像上的SunSpot组的自动分类。Sreejith padinhattereeri等。（2016）[25]提出了一种名为“太阳监测活动区域跟踪-三角洲探测器”的系统，该系统在δ.磁性类型识别。然而，威尔逊山的太阳黑子群分类缺乏全面的自动识别程序。

在这项工作中，基于威尔逊山分类系统，ARs的磁性类型被标记为一个单极群Alpha，双极群Beta，和其他复杂的多极群Beta x。利用2010-2017年的SDO/HMI数据，利用卷积神经网络(CNN)方法自动识别出这三种磁类型。得到了识别精度高的训练模型。本文的组织如下:本节简要介绍了威尔逊山磁学分类2；数据源和预处理方法都在本节中解释3.；CNN的结构在部分中示出4以及使用不同输入数据的模型的训练结果;部分5总结了纸。

2.威尔逊山太阳黑子分类方案

1919年，加州的威尔逊山天文台根据相应磁场的极性制定了太阳黑子的分类方案。26]．它认为双极黑子群是基本类型，其他类型则认为是双极黑子群的变形。类别如下(https://www.spaceweatherlive.com）：(1）单极太阳黑子群(2）贝塔:同时具有正和负磁极的太阳黑子群，在相反的磁极之间有简单而明确的划分（3)Gamma: AR的一种复杂类型。与Beta类不同，这种类型的正负极性分布非常不规则（4)-伽玛:一个两极太阳黑子群，其分布足够复杂，在相反的两极之间没有明显的界限（5）三角洲:一个两极的太阳黑子群，其极性相反的本影共享一个半影，相对于太阳中心跨度小于2度（6)德尔塔太阳黑子:由一个或多个德尔塔太阳黑子组成的德尔塔太阳黑子群（7）-伽玛-德尔塔:伽玛磁场分类中包含一个或多个德尔塔太阳黑子的一组太阳黑子（8）伽玛-德尔塔:伽玛磁分类中包含一个或多个德尔塔太阳黑子的一组太阳黑子。

从2010年5月到2017年5月，太阳区域摘要(SRS)文本文件共包含11306条磁类型分类记录，涵盖1592个ARs，可从NOAA/SWPC网站https://www.swpc.noaa.gov/下载。如表所示1，Alpha磁性类型出现3576次，占总记录的三分之一，并且β磁性类型出现6127次，占54％。复杂磁性类型：β-Gamma，Beta-Gamma-Delta和Beta-Δ，分别出现1143,385和75倍，占总记录的一小部分。此外，在此期间，尚未在SRS文件中报告伽玛，三角洲和伽马三角洲磁性类型，因此它们未列入表中1．

从统计上看，大型耀斑更有可能发生在磁型复杂的ARs中，而Alpha型的ARs爆发耀斑的概率较低[5]．在这项研究中，太阳黑子的磁场类型分为三类，单极群阿尔法，双极群贝塔，以及其他复杂的多极群，称为贝塔x。

3.数据预处理

本文使用的数据是通过SDO/HMI观察到的[27，28]．720s SHARP数据(快捷。sharp_720s -空间天气HMI活动区域补丁） ［29选择，其中包括12分钟的时间磁节的磁图和连续体图像。锐度数据提供有源区域映射，包括自动跟踪其整个寿命的磁性浓度。我们使用的所有数据文件从该网站http://jsoc.stanford.edu/下载，并处于灵活的图像传输系统（适合）格式。数据选择满足以下标准：(我)时间范围是2010年5月至2017年5月。(2)为了保证最近的AR图像之间有足够的变化，AR数据每96分钟拍摄一次。(3)数据的定位范围在离日盘中心的±75日经度范围内，以减少投影的影响。（iv）只有当一个SHARP数对应1时美国国家海洋和大气管理局AR同时，选择了清晰的数据。(v)所选的FITS文件必须是高质量的。忽略了由于仪器故障而损坏的数据或背景噪声较大的数据。

根据磁极和半影的空间分布，手工将每个AR磁图和连续体图像分别分配到相应的磁类型。在这个标签过程中，我们参考了NOAA SRS文件提供的AR信息。需要注意的是，少量的数据没有明显的磁性类型信息，这使得人工标记这些样品变得困难。这些数据不能包括在分析中。可用数据总量见表2．在所有的磁图中，有6696张阿尔法磁型图，8828张贝塔图，3646张贝塔x图。在所有连续图像中，Alpha磁型5481张，Beta 7993张，Beta x 2744张。数据集中每种类型的数据量分布不均匀。连续图像中，β -x的磁型数最小。

SDO/HMI磁图和连续图像数据批量读取，输出PNG格式根据 在哪里马克斯和最小值表示磁场强度的最大值和最小值，为和分别表示数据矩阵中相同索引的原始像素值和处理后的像素值。为了保持数据集的一致性，对磁图的灰度值范围进行了处理马克斯设置为800.0，而最小值将-800.0,PNG图像,像素点的灰度值与磁场强度大于或等于800年分配给255年,像素点的灰度值与磁场强度低于或等于-800的赋值为零。数字1展示了处理前后AR磁图的一个例子。与未处理的磁图相比，处理后的磁图具有更明显的特征信息。

此外，通过上述过程得到的图片将被插值到160×80的统一尺寸中，以满足CNN结构的输入要求。

4.分类模型

4.1。培训模式

作为人工智能的一个分支，机器学习算法允许机器从大量的历史数据中学习模式，从而智能地识别新的样本或预测未来。本文采用的机器学习方法是convolutional neural network (CNN)，它是深度学习的典型算法之一[30.，31]．CNN [32- - - - - -35]是一种具有卷积计算和深度结构的前馈神经网络，但与传统的多层前馈神经网络不同，CNN的输入是二维模式，例如图像。CNN的连接权是一个二维权矩阵，也称为卷积核。CNN的两个基本操作是二维离散卷积和池化。由于CNN可以直接处理二维模式，因此在计算机视觉领域得到了广泛的应用。本文CNN的结构示意图如图所示2:(我)输入数据依次经过三层卷积。卷积核的大小为5×5。第一层卷积核数为32，然后每层卷积核数加倍。利用卷积核提取图像特征。卷积时使用全零填充，步长设置为1。(2)每个卷积的结果由非线性激活函数激活，然后进行池化。特征的数量由池化控制，以避免过拟合。在执行池时，使用全零填充，步长设置为2，内核大小为2×2。(3)将卷积数据特征馈入完全连接的神经网络。在完全连接的神经网络中，有一个隐藏层含有512神经元，输出层具有3个神经元，对应于三种不同的磁性类型。在3个节点中，与具有最高值的节点对应的磁性类型是模型的识别结果。（iv）全连通神经网络的输出通过一个softmax函数得到输出分类的概率分布。然后将结果与数据标签进行比较，得到交叉熵，从而得到损失函数。softmax函数和交叉熵公式如下: 在哪里是类型的数量，以及输出是网络输出单元。 数据标签的真值，和为神经网络的输出。(七)通过最小化损失函数来优化模型。每个模型在50,000次迭代后停止训练。

4.2。结果

我们分别构建了三种不同的分类模型，即A、B和C。模型A使用HMI磁图数据作为输入，而模型B使用HMI连续图像数据。模型C使用磁图和连续图像作为CNN的双通道输入。在模型C中，相应的卷积核也被设置为两个通道。

在训练我们的模型时，需要对每个类使用相同的训练或测试数据量。同时，模型C中磁图和连续图像的结合需要两个数据集的集成和匹配。为了满足这些要求，我们使用欠采样的方法随机选择每个类2600张图片作为输入:400张用于测试，2200张用于训练。培训用图片6600张，测试用图片1200张。测试集数据不参与训练过程。

通过损失函数和准确率来评价各模型的性能。损失函数将随机事件或其相关随机变量的值映射为一个非负实数，以表示随机事件的“风险”或“损失”。在应用中，损失函数常作为一种学习准则与优化问题联系在一起，即通过最小化损失函数来求解和评估模型[36]．模型训练完成后，从测试集中随机抽取部分样本进行磁体类型识别，得到总正确率。这些样本数据在训练过程中没有使用，更能反映模型的识别性能。每一种磁性类型的识别精度是通过遍历它们的测试装置获得的。结果如表所示3.．在三个模型中，模型B的损失函数值最小，模型A的损失函数值最大。模型B的总准确率最高，超过95%，模型A的总准确率最低，约为87%。比较每一类三种模型的性能，模型B的精度最高。虽然模型A和C对Alpha的识别精度相同，但模型C对Beta和Beta x的识别精度优于模型A。在这三大类中，Alpha的识别精度最高，而Beta的识别精度最低。这一现象出现在所有三种训练模式中。

此外，利用混淆矩阵评价模型对AR磁型的分类性能，混淆矩阵定义如表所示4。正确识别为“Alpha”的样本数为真Alpha（TA），错误识别为“Beta”的样本数为假Beta_A（AB），错误识别为“Beta-x”的样本数为假Beta-x_A（AC）。正确识别为“Beta”的样本数为为真β（TB），错误识别为“α”的β样本数为假α（BA），错误识别为“β-x”的β样本数为假β-x（BC）。正确识别为“β-x”的样本数为真β-x（TC），错误识别为“Alpha”的Beta-x样本数为假Alpha_C（CA），错误识别为“Beta”的Beta-x样本数为假Beta_C（CB）。上述三种模型的分类结果详见表5- - - - - -7．从表中可以看出，在模型识别错误时，偶尔会将Alpha磁型误识别为Beta磁型。β磁型有时会被误分为α或β -x，错误率超过4%。β -x磁型主要误分类为β。在手工分类时，由于个人经验和个人意见而产生的分歧是不可避免的，主要是在区分Beta磁型和Beta x磁型时。

定义了真阳性率(TP率)和假阳性率(FP率)来衡量模型的性能。TP率是正确分类的阳性样本的百分比，FP率是错误分类的阴性样本的百分比。Alpha的TP率和FP率的计算公式如下: 以TP率为纵轴，FP率为横轴，绘制Receiver Operating Characteristic (ROC)曲线[37]．如图所示3.,点表示所有样本都被正确分类。越近, ，样本的分类精度越高。模型A、B和C分别用红色、绿色和蓝色表示。由每个点和组成的四边形的面积 ， ， 点为该点曲线下面积(AUC)。AUC值越大，模型的分类效果越好。从图中可以更直观地看出3.在三种磁体类型中，B型磁体的分类效果最好，而Alpha型磁体的分类效果最好。

5.结论和讨论

为了开发基于Mount Wilson分类方案的AR磁类型自动识别，我们采用CNN对2010 - 2017年SDO/HMI磁图和连续图像数据进行训练。我们构建了三个模型:A, B和C，分别使用磁图、连续图像和双通道图像作为输入。结论如下。首先，CNN在识别AR磁类型方面有卓有成效的表现。三种模型的总体精度均在87%以上，最高的总精度在95%以上。对Alpha型的识别准确率达到98%，对Beta型的识别准确率保持在88%以上。其次，连续图像作为唯一输入时识别性能最好，其次是双通道图像作为输入，仅输入磁图数据时训练模型的识别性能相对最差。最后，Alpha类型是最容易识别的，而Beta类型的准确率是三个类别中最低的。这一现象在三种培训模式中都存在。

通过对大量连续图像中威尔逊山太阳黑子的磁场类型分析，发现Alpha类一般出现在单个太阳黑子中，Beta类一般分布在一个相对离散和规则的太阳黑子群中，大多数Beta-x类出现在一个相对较大且不规则分布的太阳黑子群中。虽然理论上威尔逊山太阳黑子分类方案需要同时使用太阳黑子群的磁极、本影和半影信息，但单独使用连续图像对本文定义的三种类型进行分类也是可行的。然而，令人困惑的是，用磁图或双通道图像作为输入的训练效果不如只用连续图像的训练效果好。具体的案例分析可能会在黑盒子上洒下一道亮光。如图所示4，对于模型B，Beta-X磁性类型被错误分类为β磁性类型的情况主要由两种不同的起源组成：在磁图上可以看到异极区，而连续图像上有一个与相反极性区对应的半影，但没有明显的多重本影，如图红框所示4(一)和4 (b)，主要是由于无法获得连续图像中磁场的极性信息;磁图上没有明显的异极区，连续图像上对应的区域没有明显的本影，太阳黑子的分布呈扩散状，如图所示4 (c)和4 (d)．后者可能属于AR的早期或晚期，这种情况很大程度上依赖于人工预标记的主观性。事实上，虽然分类规则已经明确，但专家进行人工分类时，很难将分类结果100%统一。

如图所示5，对于A型，有三种观点认为Beta-x磁型被误分类为Beta磁型。首先，如图中的红框所示5(一个)和5 (b)时，在磁图上没有明显的异极区，但在相应的连续图像上可以看到同一个半影的多个本影。由于不能仅从磁图准确地获得太阳黑子的本影和半影信息，可能会出现误差。第二，如图所示5 (c)和5 (d)，类似于原因对于模型B, AR的磁性类型是有争议的，不能完全算作模型分类误差。人为的主观意识占了很大一部分原因。第三，分布足够复杂且对偶极之间没有明显边界的AR包含一个极性相反本影的两极太阳黑子群，它们共享一个相对于太阳中心跨度小于2度的半影，如图红框所示5 (e)和5 (f)．根据上述威尔逊山太阳黑子分类方案，可以从磁图和连续图像中确定Beta-Gamma-Delta的磁性类型。事实上，仅从磁图就可以清楚地看出AR的磁型为Beta-x，但模型分类错误，可能是由于特征提取不完全造成的。这也是模型仅使用磁图数据时训练效果差的主要原因。

磁图的结构比连续图像复杂，但可用于训练的数据量不足，导致CNN方法不能很好地提取图像特征。这可能是仅使用磁图数据或双通道图像作为输入时训练效果不佳的主要原因之一。

在进一步的工作中，我们计划提高识别精度，并试图细化分类。由于磁图和连续图像的信息量不同，我们将使用不同的卷积网络结构分别对这两类数据进行特征信息提取。然后将提取的特征集成到一个全连接的神经网络中。此外，还需要不断补充和平衡数据集。

数据可用性

SDO/HMI观测到的磁图和连续图像数据支持了这项研究的发现;我们使用的所有FITS文件都是从http://jsoc.stanford.edu/网站下载的。SRS文本文件可以从NOAA/SWPC网站https://www.swpc.noaa.gov/下载。本研究的机器学习训练集和测试集数据可根据要求从通讯作者处获得。

利益冲突

作者声明本文的发表不存在利益冲突。

致谢

本研究使用的数据是由SDO/HMI和NOAA/SWPC科学团队提供的。本文由北京市科技计划项目(项目编号:Z181100002918004)和国防科技创新特区。

工具书类

1. g·e·黑尔的《阳光下的塞曼效应》太平洋天文学会的出版物，第20卷，第2期。123页，287-288页，1908。视图:谷歌学术搜索
2. K. Sakurai，《太阳黑子磁场的运动及其与太阳耀斑的关系》太阳物理学，第47卷，第47期。1，页261-266,1976。视图:出版商的网站|谷歌学术搜索
3. P. O. Taylor，“1974.6 - 1987.6期间太阳黑子和太阳耀斑活动之间的关系”，中国可变星观察家协会杂志， 1987年第17卷。视图:谷歌学术搜索
4. Z. Shi和J. Wang， " delta -太阳黑子和x级耀斑，"太阳物理学，第149卷，第2期。1，页105-118,1994。视图:出版商的网站|谷歌学术搜索
5. I. Sammis, F. Tang，和H. Zirin，《太阳黑子磁结构对大耀斑发生的依赖》，《天体物理学杂志》上，第540卷，第5期1，页583 - 587,2000。视图:出版商的网站|谷歌学术搜索
6. “太阳耀斑生产力与光球磁场性质的关系”，中国科学(d辑:地球科学)太阳物理学，第237卷，第2期。1，第45-59页，2006。视图:出版商的网站|谷歌学术搜索
7. “太阳黑子与太阳耀斑之间的关系”，太阳物理学，第247卷，第2期1，第39-52页，2008。视图:出版商的网站|谷歌学术搜索
8. M. Hahn，S. Gaard，P.Jibben，R.C.Canfield和D. Nandy，“活性区域磁场和太阳耀斑的扭曲之间的空间关系”《天体物理学杂志》上，第629卷，第2期。2、《中国科学院大学学报(自然科学版)》，2005年第1期。视图:出版商的网站|谷歌学术搜索
9. M. Zhao，J. Chen和Y. Liu，“太阳黑子群体的统计分析和太阳能最大和最小值的耀斑”，“Scientia中央研究院，第44卷，第5期。1, pp. 109 - 120,2014。视图:谷歌学术搜索
10. “太阳耀斑生产力与光球磁场性质的相关性研究(II)”。磁梯度和磁剪切，”太阳物理学，第242卷，第2期1-2，页1-8,2007。视图:出版商的网站|谷歌学术搜索
11. 闫晓林，邓丽华，瞿志强等，“太阳黑子数与软x射线耀斑的相位关系”，天体物理学与空间科学第333期1，第11-16页，2011。视图:谷歌学术搜索
12. A. rabonik, H. Safari, N. Alipour，和M. S. Wheatland，“利用磁场图像的独特特征预测太阳耀斑”，《天体物理学杂志》上，卷。834，没有。1，文章编号。2017年11日。视图:谷歌学术搜索
13. A. E. McCloskey, P. T. Gallagher和D. S. Bloomfield，“利用麦金托什太阳黑子分类的演变来预测耀斑”，空间天气与空间气候学报，卷。8，第A34条，14页，2018年。视图:谷歌学术搜索
14. T. Ataç，“太阳黑子和主要耀斑之间的统计关系”，天体物理学与空间科学号，第129卷。1，页203-208,1987。视图:谷歌学术搜索
15. P. S. McIntosh，《太阳黑子群的分类》，太阳物理学，卷。125，没有。2，pp。251-267,1990。视图:出版商的网站|谷歌学术搜索
16. S. Eren，A. kilcik，T. Atay等，“与不同的太阳群组织相关的耀斑 - 生产潜力”皇家天文社会的每月通知，卷。000，没有。19,2017。视图:谷歌学术搜索
17. V. Zharkova，S.Ipson，A. Benkhalil和S. Zharkov，“太阳能图像的功能识别”，人工智能审查，第23卷，第2期。3，页209 - 266,2005。视图:出版商的网站|谷歌学术搜索
18. S. Zharkov, V. Zharkova, S. Ipson，和A. Benkhalil，“全盘太阳图像上的太阳黑子自动识别技术”，应用信号处理， 2005年第5期。15，页2573 - 2584,2005。视图:谷歌学术搜索
19. S. Goel和S. Mathew，“自动检测，表征以及SOHO / MDI连续体图像的太阳黑子跟踪，”太阳物理学第289卷，第289期。4, pp. 1413-1431, 2014。视图:出版商的网站|谷歌学术搜索
20. S. H. Nguyen, T. T. Nguyen，和H. S. Nguyen，“粗糙集方法的太阳黑子分类问题，”在国际粗糙集会议论文集，施普林格，德国，2005年。视图:谷歌学术搜索
21. T. T. Nguyen, C. P. Willis, D. J. Paddon, S. H. Nguyen，和H. S. Nguyen，《学习太阳黑子分类》，Fundamenta Informaticae，卷。72，没有。1-3，pp。295-309,2006。视图:谷歌学术搜索|MathSciNet
22. T. Nguyen, C. Willis, D. Paddon，和H. Nguyen，“学习太阳黑子识别和分类的混合系统”2006年混合信息技术国际会议论文集，第257-264页，IEEE计算机学会，济州岛，2006年11月。视图:出版商的网站|谷歌学术搜索
23. T. Colak和R. Qahwaji，“使用MDI图像的基于麦金托什的太阳黑子群自动分类”，太阳物理学，第248卷，第2期。2，页277-296,2008。视图:出版商的网站|谷歌学术搜索
24. M. A. Abd, S. F. Majed, V. Zharkova，“支持向量机的太阳黑子群自动分类”，刊于网络、教育和自动化技术发展论文集，页321 - 325,2010。视图:谷歌学术搜索
25. S. Padinhatteeri, P. A. Higgins, D. Shaun Bloomfield, P. T. Gallagher，“磁的自动检测”δ.在太阳黑子群。”太阳物理学第291卷第291期1，第41-53页，2016。视图:出版商的网站|谷歌学术搜索
26. G. Hale E, F. Ellerman和S. Nicholson B，《太阳黑子的磁极》，《天体物理学杂志》上，第49卷，第49期。3页153,1919。视图:出版商的网站|谷歌学术搜索
27. W. D. Pesnell, B. J. Thompson, P. C. Chamberlin，《太阳动力学观测台(SDO)》，太阳物理学号，第275卷。1, pp. 3-15, 2012。视图:出版商的网站|谷歌学术搜索
28. P. H. Scherrer, J. Schou, R. I. Bush等，“太阳动力学观测站(SDO)的日震和磁成像仪(HMI)研究”，太阳物理学号，第275卷。1-2，pp。207-227,2012。视图:出版商的网站|谷歌学术搜索
29. 太阳地震和磁成像仪(HMI)矢量磁场管道:锐化-空间-天气HMI活动区域补丁，" M. G. Bobra, X. Sun, J. T. Hoeksema et al.， "太阳物理学第289卷，第289期。9，pp。3549-3578,2014。视图:出版商的网站|谷歌学术搜索
30. Y. LeCun, Y. Bengio，和G. Hinton，《深度学习》，自然，第521卷，第5期。7553, pp. 436-444, 2015。视图:出版商的网站|谷歌学术搜索
31. G. E. Hinton和R. R. Salakhutdinov，《用神经网络降低数据的维数》，美国科学促进会:科学号，第313卷第2页，2006。视图:出版商的网站|谷歌学术搜索|MathSciNet
32. Y. LeCun, L. Bottou, Y. Bengio，和P. Haffner，“梯度学习在文档识别中的应用”，IEEE论文集，卷。86，没有。11，PP。2278-2323,1998。视图:出版商的网站|谷歌学术搜索
33. C. Nebauer，“用于视觉识别的卷积神经网络评估”，神经网络与学习系统，第9卷，第5期。4, 1998。视图:出版商的网站|谷歌学术搜索
34. J.Schmidhuber，“神经网络中的深度学习：概述，”神经网络，第61卷，第85-117页，2015。视图:出版商的网站|谷歌学术搜索
35. I. Goodfellow, Y. Bengio和A. Courville，深度学习，第一卷，麻省理工学院出版社，剑桥，马萨诸塞州，美国，2016。视图:MathSciNet
36. P. Murugan，“深度卷积神经网络的前向和后向运行”，发表于第20届计算机视觉与图像处理国际会议论文集，2017年。视图:谷歌学术搜索
37. T. Fawcett，“ROC分析介绍”，模式识别的字母第27卷第2期8，页861-874,2006。视图:出版商的网站|谷歌学术搜索

版权

版权所有©2019 Yuanhui Fang等。这是分布下的开放式访问文章知识共享署名许可协议，允许在任何媒介上不受限制地使用、传播和复制，但必须正确引用原作。