但线性定标的一个明显的缺点是在强磁场区域存在磁饱和效应,而采取人工智能(机器学习)的方法进行非线性定标将非常有可能解决这一问题。
国家天文台怀柔太阳观测基地和云南天文台抚仙湖观测基地的合作研究团队共同努力,以太阳观测卫星Hinode中的SP扫描光谱仪偏振数据仿真单波长滤光器磁像仪,采用两种有监督机器学习中神经网络模型成功建立了单波段stokes参数和矢量磁场的对应关系,从而验证了利用机器学习模型进行单波段磁像仪矢量磁场测量非线性定标的可行性 ...
这证明了神经网络方法在单波段磁场定标中可以获得良好的结果。
图1 Hinode/SP活动区MLP预测结果比较。
这个工作不但为我国ASO-S/FMG和未来其它新一代太阳观测设备的磁场数据处理提供了非线性定标的技术方案,也是人工智能方法在天文数据处理中的一个典型应用。
机器学习在天文数据处理中的应用发展迅猛,已经被证明是一种有效的数据分析和处理手段。传统天文数据分析处理模式和新型技术手段的融合与发展必将促进对各种数据科学价值的深度挖掘。