详细内容或原文请订阅后点击阅览
H. le Roux 等人使用迁移学习对 II 型和 III 型太阳射电爆发进行分类。
太阳射电爆发 (SRB) 是太阳活动最有趣的特征之一。它们与大型太阳喷发和有据可查的技术基础设施破坏的相关性特别突出了它们的相关性（Temmer 2021；Li et al. 2024；Liang et al. 2024）。随着无线电数据量的增长，确保有可靠的自动化方法对 SRB 进行分类变得越来越重要，特别是如果这些方法可以贡献 [...]
来源:欧洲太阳射电天文学家社区RSS提要太阳射电爆发 (SRB) 是太阳活动最有趣的特征之一。它们与大型太阳喷发和有据可查的技术基础设施破坏的相关性特别突出了它们的相关性（Temmer 2021；Li et al.2024；Liang et al.2024）。随着无线电数据量的增长，确保有可靠的自动化方法对SRB进行分类变得越来越重要，特别是如果这些方法有助于实时空间天气监测。在我们最近的研究中，我们探讨了现代机器学习技术，特别是迁移学习，是否能够可靠地解决包含 II 型和 III 型爆发的光谱分类问题。
图 1. 迁移学习模型的一般架构图，说明了本研究中采用的冻结特征提取层和重新训练的密集层（Tao 等人，2020）。
这些架构在独立测试集上的准确率在 87% 到 92% 之间。其中，YOLOv8 提供了最强的整体性能，准确率为 92%（见图 2），并且在所有三个类别中平衡了准确率和召回率。基于 YOLO 的模型的优势之一是即使在嘈杂的光谱中也能够捕获精细尺度的模式，考虑到全球 e-Callisto 网络的不同观测条件，这一点尤其有价值。各站的噪声环境、RFI 水平和频谱覆盖范围差异很大，但尽管存在这些差异，该模型仍能很好地概括。然而，对错误分类样本的分析凸显了仍然存在的挑战。这些表明光谱噪声和重叠突发形态仍然是限制因素，并且额外的训练样本，特别是对于 II 类事件，可能会提高模型的鲁棒性。
结论
参考文献
Temmer, M.：2021，空间天气：太阳视角：Schwenn (2006).Living Rev. Sol 的更新。 Phys.18(1), 4.DOI。