这两篇姊妹篇分别采用点对点的多层感知机网络(MLP)技术和考虑相邻像元之间关系的卷积残差网络(ResNet)技术来从单波段stokes数据推断矢量磁场。
第一篇采用能够灵活地设置输入变量的个数和有效的解决多变量回归问题的MLP建立网络模型来推断磁场,并讨论了速度场、填充因子等参量对磁场的影响。
结果表明(如图1所示)MLP网络的结果与反演结果基本接近,可以克服线性定标存在的磁饱和效应(如图1右列本影区域所示),测试集的MLP预测的结果与光谱反演结果的拟合决定系数在0.91以上,样本预测与反演结果的残差在 ...
图1 Hinode/SP活动区MLP预测结果比较。第一行是横场结果,从左至右分别为反演的结果、MLP的结果、线性定标的结果;第二行为纵场结果,从左至右同上。
相比于MLP的结果,ResNet具有更好的收敛性。
图2 反演、ML和线性定标结果的比较。第一行从左至右为反演、ResNet、线性定标的横场结果;第二行为纵场的反演、ResNet和线性定标结果。