一种电离层频高图扩展F现象雷达图形的筛选方法及系统

一种电离层频高图扩展f现象雷达图形的筛选方法及系统
技术领域
1.本发明属于空间目标探测领域，涉及一种雷达图形自动判别方法，具体涉及一种电离层频高图扩展f现象雷达图形的筛选方法及系统。


背景技术：

2.电离层测高仪是一种基于雷达回波探测电离层太空环境的遥感设备，生成的图像数据称为频率-高度图(频高图)，以一条清晰的描迹线反映了电子密度随高度的变化。当电离层f层(约130千米-1000千米，绝大多数航天器飞行区域)一定高度范围内，不是稳定的层状，而是存在一些等离子体精细结构(密度不均匀体，或称不规则体)，它们对入射的电波造成了漫反射，呈现的不是清晰的线状描迹，而是弥散的一片。
3.扩展f是电离层等离子体不规则体这一自然现象影响无线电波传播从而在频高图中产生的特定的弥散图形，其不同的形态对应了不同的物理规律。目前国际上接受度比较高的扩展f类型分类是国际无线电科学联盟1978年修订的《电离图解释与度量手册》，根据频高图中的图形特征分成频率型(frequency spread f，简称fsf)、区域型(range spread f，简称rsf)、混合型(mixed spread f，简称msf)、歧型(branch spread f，简称bsf)，并且提出鉴于世界各地各台站扩展f现象特征的巨大差异，建议各站点可以用自己针对性的分类。这4种类型，分别是：(1)频率型为低频率段f层描迹线清晰、高频率段有扩展，对应f层峰值高度附近的扰动结构；(2)区域型为高频率段f层描迹线清晰、低频率段有扩展，对应f层底部附近的等离子体密度不均匀结构；(3)混合型兼有频率型和区域型的特征，机制也比较复杂；(4)歧型为f层峰值频率附近有扩展，且有不同于f层描迹线的扩展f分叉，对应水平分布且密度不同的等离子体结构，在高纬度区可能与离子沉降相关联。
4.在实践当中，中国科学院国家空间科学中心(简称中科院空间中心)电离层研究课题组的科研人员认为，位于中国低纬度地区的海南富克站(19.5
°
n，109.1
°
e)的测高仪探测到的扩展f，几乎不出现歧型，而有一种图形存在扩展从低频率延展向高频率、随频率增大时的高度变化较小(小于100千米)、超过电离层峰值频率、持续时间超过半个小时，以往多被划分为区域型或混合型扩展f。此类图形多发于春秋季的地方时20:00-22:00，在每年的出现概率通常超过20％。科研人员经过研究认为它对应于自然产生的名为电离层等离子体泡的大尺度结构，建议在低纬度单独作为一种分类类型，命名为强区域型扩展f(strong range spread f，简称ssf)，发表学术论文并得到大量国际研究者认可。
5.由于频高图的科学性和复杂性，以往国际上只能由人眼进行经验判断。这种方法在科学研究中的一大缺陷在于，混入了人的主观判断，不同科研工作者对扩展f类型判断的标准是不同的，即使是同一科研工作者，在长年的工作过程中，对随着年份、季节、地方时等变化的扩展f图形特征，也会出现判断标准的变化。
6.随着中国航天技术的发展，特别是中科院空间中心牵头的子午工程二期的进一步建设，在2023年将增加十余台遍布中国且24小时工作的数字测高仪，分辨率大约5-15分钟，甚至有工程人员开发1分钟分辨率的高精度探测网。在这种情况下，以往依赖人工判读频高
图的方式将不利于对太空环境的实时监测，无法做到人工24小时对所有台站采用统一判断标准进行识别，故而从应用角度而言，开发电离层频高图扩展f现象人工智能识别方法十分有必要。
7.从科学研究角度而言，在电离层频高图的复杂图形中隐含了与物理机制有关的深层信息，通过判断类型，筛选关键信息，对科研工作者研究扩展f现象背后的物理原理具有重要意义。


技术实现要素：

8.本发明的目的在于克服由于频高图的科学性和复杂性，以往国际上只能由人眼进行经验判断的问题，本发明开发自动化的智能识别软件，能够自行对海南测高仪频高图中的扩展f现象的出现以及类型进行机器判断，给出识别结果，并达到以下目的：
9.(1)实现地面电离层监测网科学探测仪器的实时化和自动化；
10.(2)统一的机器标准剔除了人员主观因素干扰；
11.(3)有助于科研人员研究电离层频高图中反映的深层电离层特征。
12.为达到上述目的，本发明通过下述技术方案实现。
13.本发明提出了一种电离层频高图扩展f现象雷达图形的筛选方法，所述方法包括：
14.将测高仪输出的频高图图像经预处理后输入预先建立和训练好的扩展f现象雷达图形识别模型，得到是否有扩展f现象的识别结果，并得到对应的扩展f类型；所述扩展f类型包括：无扩展f、频率型fsf、区域型rsf、混合型msf和强区域型ssf；
15.所述扩展f现象雷达图形识别模型为resnet34net网络、改进的resnet34net网络或residual_attention_net网络，采用监督学习的方法训练得到。
16.作为上述技术方案的改进之一，所述预处理包括：
17.按照设置要求，将测高仪输出的频高图图像的坐标、像素、格式进行统一；
18.对图片进行裁剪，去除周围信息部分和坐标轴信息，保留图中频高图主要部分；
19.对图片进行拉伸，规范像素。
20.作为上述技术方案的改进之一，所述resnet34net网络模型采用经典的resnet34模型，在最后一层卷积和运算中，由每4个像素求算术平均改为自适应的算术平均，学习率方面，100个epoch，每20个epoch将学习率降为1/5；
21.所述改进的resnet34net网络，在学习率方面，设置200个epoch，并且每20个epoch将学习率降为1/2；把步长2的卷积和最大化下采样整合，替换为4*4、步长4的卷积；把block的比率从3:4:6:3调整为3:3:9:3；
22.所述residual_attention_net网络为残差注意力模型，在学习率方面，每25个epoch将学习率降为1/5。
23.作为上述技术方案的改进之一，所述方法还包括扩展f现象雷达图形识别模型的训练步骤；具体包括：
24.获取电离层测高仪输出的频高图，并对图像进行规范化预处理；
25.对预处理后的每张图片进行标记和记录，利用记录赋予图片的标签，将图片按照对不同扩展f类型特征进行分类采样，并进行分类校准；此处所采用的分类方法基于国际上接受度比较高的无扩展f、频率型fsf、区域型rsf、混合型msf和歧型bsf，均为基于频高图中
弥散扩展相对于电离层f层描迹线所处的位置进行的图形特征描述分类，其他一些在此基础上的细分如本方法中使用的强区域型ssf，均在此分类方法同一原理之内；
26.对各类别的图片进行降采样或上采样，使分别到达设定的数量，并分配训练集和测试集；
27.基于resnet34net网络、改进的resnet34net网络或residual_attention_net网络模型分别建立识别模型，对扩展f类型的特征进行提取和识别；
28.使用训练集对识别模型进行训练，得到训练好的扩展f现象雷达图形识别模型。
29.作为上述技术方案的改进之一，所述获取的电离层测高仪输出的频高图，包含太阳活动高、中、低的年份，并包含所有季节和地方时；同时，所述频高图包括每隔设定时间连续获取的图像数据。
30.作为上述技术方案的改进之一，所述对不同扩展f类型特征进行分类时，采用人工判别的方式，同时参考前后电离图的特征，并考虑电离层现象的连续性，再进行判断和分类；
31.若图片中的图形模糊或出现类似扩展f现象的弥散或由于电离层吸收出现个别空白图形，需要判断是否真的出现扩展f现象，具体为：
32.若图片的图形关系到地方时的特征，则对图片进行分类采样；
33.若图片出现连续十几小时甚至更长时间的完全空白图形，则不对图片进行分类采样。
34.作为上述技术方案的改进之一，所述上采样过程中，通过在图片中添加一种或多种噪声对图片样本进行扩充；所述噪声为“泊松噪声”、“高斯噪声”、“椒盐噪声”、“行椒盐噪声”或“列椒盐噪声”。
35.本发明还提出了一种电离层频高图扩展f现象雷达图形的筛选系统，基于上述之一所述的电离层频高图扩展f现象雷达图形的筛选方法对频高图的扩展f类型进行识别筛选，所述系统包括：数据导入模块、数据准备模块和扩展识别模块；数据导入模块，用于导入测高仪输出的需要识别扩展f现象类型的频高图；
36.数据准备模块，用于对导入的频高图进行预处理，并将预处理后的频高图输入到扩展识别模块；
37.所述扩展识别模块，基于训练好的扩展f现象雷达图形识别模型建立，用于对导入的频高图的扩展f现象类型进行识别筛选。
38.作为上述技术方案的改进之一，所述系统还包括：
39.数据输出模块，用于对筛选完成的结果进行展示和导出；
40.筛选结果的展示形式包括：“按文件”和“按时间”：
[0041]“按文件”的每一行代表一个图片以及图片对应的识别结果；
[0042]“按时间”是按照扩展f现象发生的时间段来展示结果；
[0043]
对应地，
[0044]“按文件”导出筛选结果时，每一行包含图片的路径以及识别结果；
[0045]“按时间”导出筛选结果时，每一行包含一个扩展f的发生时间段。
[0046]
作为上述技术方案的改进之一，所述系统还包括：
[0047]
识别结果检查模块，用于对展示的筛选结果进行检查和更正，包括：对图片的名
字、识别结果、无缩放的图片以及当前记录在“按文件”列表中的序号进行检查，如果识别结果有问题，通过重新选择一个结果对识别结果进行更正。
[0048]
本发明的技术效果：
[0049]
从测试结果以及本发明的软件功能来看，基于海南测高仪数据的电离层频高图扩展f现象，本发明开发的人工智能识别软件，能够自行对海南测高仪频高图中的扩展f现象的出现以及类型进行机器判断，给出识别结果，判断结果准确性极高，接近专业科研人员人工判定；软件应用方便快捷，可以对地面电离层监测网科学探测仪器实现实时化和自动化。软件不但可以极大节约科研和运控人员人力，可显著提升科学仪器工作效率，并且统一的机器标准剔除了人员主观因素干扰，还有助于科研人员研究电离层频高图中反映的深层电离层特征，同时具备科学和应用前景。
[0050]
本发明与现有技术相比优点在于：
[0051]
(1)基于专业科研人员多年经验进行的人工判别标识，进行监督学习，该分类法具有独创性，属国际科研前沿；
[0052]
(2)首次将最新的图像深度卷积的模型应用于电离层数字测高仪数据的使用；
[0053]
(3)首次实现电离层扩展f这一物理现象的自动判别分析。
附图说明
[0054]
图1为本发明的一种电离层频高图扩展f现象雷达图形的筛选方法的流程图；
[0055]
图2为本发明系统结构的模块功能示意图；
[0056]
图3为本发明系统的“按文件”识别结果图；
[0057]
图4为本发明系统的“按时间”识别结果图。
具体实施方式
[0058]
以下结合实施例进一步说明本发明所提供的技术方案。
[0059]
实施例1
[0060]
如图1所示，为本发明实施例1的一种电离层频高图扩展f现象雷达图形的筛选方法的方法流程图。
[0061]
实施例2
[0062]
基于本发明实施例1所述的电离层频高图扩展f现象雷达图形的筛选方法对频高图的扩展f类型进行识别筛选，所述系统包括：数据导入模块、数据准备模块、数据输出模块、识别结果检查模块和扩展识别模块；
[0063]
数据导入模块，用于导入测高仪输出的需要识别扩展f现象类型的频高图；
[0064]
数据准备模块，用于对导入的频高图进行预处理，并将预处理后的频高图输入到扩展识别模块；
[0065]
扩展识别模块，基于训练好的扩展f现象雷达图形识别模型建立，用于对导入的频高图的扩展f现象类型进行识别筛选。
[0066]
数据输出模块，用于对筛选完成的结果进行展示和导出；
[0067]
筛选结果的展示形式包括：“按文件”和“按时间”：
[0068]“按文件”的每一行代表一个图片以及图片对应的识别结果；
[0069]“按时间”是按照扩展f现象发生的时间段来展示结果；
[0070]
对应地，
[0071]“按文件”导出筛选结果时，每一行包含图片的路径以及识别结果；
[0072]“按时间”导出筛选结果时，每一行包含一个扩展f的发生时间段。
[0073]
识别结果检查模块，用于对展示的筛选结果进行检查和更正，包括：对图片的名字、识别结果、无缩放的图片以及当前记录在“按文件”列表中的序号进行检查，如果识别结果有问题，通过重新选择一个结果对识别结果进行更正。
[0074]
实施例3
[0075]
如图2所示，为本发明实施例3，根据本发明方法或系统开发的自动化智能识别软件的模块组成结构图。
[0076]
为了克服地面的测高仪对太空(电离层)环境监测数据现有分析技术的不足，本发明提供一种基于机器学习的频高图扩展f现象人工智能识别软件，用深度卷积网络对人工标定的海南富克站(19.5
°
n,109.1
°
e)测高仪图形监督学习，提炼该自然现象在数据图形中的特征，开发自动化的智能识别软件，能够自行对海南测高仪频高图中的扩展f现象的出现以及类型进行机器判断，并给出识别结果。
[0077]
本发明解决其技术问题所采用的技术方案包括以下步骤：
[0078]
(1)图像规范化预处理：本发明以电离层频高图中的图形特征为基础，因此作为样本的频高图首先需要标准化处理，确保图片尺寸和横纵坐标一致。
[0079]
(2)生成带有人工标定结果的样本库：科研人员已经基于自身经验，人工手动对2002-2015年海南富克站(19.5
°
n,109.1
°
e)测高仪每张图片进行过标记和记录，利用这些记录赋予(1)的图片标签，分为无扩展f(标记0)、频率型fsf(标记1)、区域型rsf(标记2)、混合型msf(标记3)、强区域型ssf(标记4)，并进行二次校对，以符合标准的扩展f类型特征定义。经过标定，共获得46,5493个样本。
[0080]
提取训练集和测试集：得到的样本集存在样本分布不均匀问题，标记为0的数量高达426,555个，标记1-4均为几千到1万多个，故选择20,000作为每种类别图像的最终数量，对标记0进行降采样，对标记1-4进行上采样，获得总计5个类别，共100,000张图片样本，按照8:2的比例，随机分到训练集和测试集中，至此完成样本的预处理和整理工作。
[0081]
在上采样过程中，鉴于测高仪科学图片的特征，保留原始图像，分别在图像中通过添加“泊松噪声”、“高斯噪声”、“椒盐噪声”以及“行椒盐噪声”、“列椒盐噪声”等，将不同类别的样本图像增加到20,000个。
[0082]
(3)规范化扩展f现象的特征提取和识别：获得有效的样本数据集后，采用有监督学习方法，进行训练。
[0083]
机器学习采用python语言，分别采用vgg16、vgg19、resnet34、resnet50、efficientnetv2、convnext以及resnet34_attention、resnet34_modified等多种不同类型的分类网络进行处理。
[0084]
在训练集(8万样本)机器学习得到训练参数后，在测试集(2万样本)测试，得到的结果中，选择准确率最好的3个模型，分别是resnet34_20_5_100(resnet34net)(93.20％)、resnet34-modified-20-2-200(93.50％)、residual_attention_net_old_25_5(last_model_92_sgd_25_5.pkl)(93.53％)。利用训练好的权重参数，封装成软件。
[0085]
本发明的有益效果是：利用2002-2015年图中由科研人员基于自身经验，人工标识的电离层扩展f现象类型为基础，利用人工智能技术，开发自动化的智能识别软件，能够自行对海南测高仪频高图中的扩展f现象的出现以及类型进行机器判断，并给出识别结果，准确率超过93％，与经验丰富的科研人员的人工判定的效果接近。这种方法可以对地面电离层监测网的科学探测仪器实现实时化和规模自动化，判断标准统一，剔除了人员主观因素干扰。研究当中提炼的机器判断标准，有助于科研人员研究电离层频高图中反映的深层电离层特征。
[0086]
本发明通过监督学习电离层测高仪这一科学仪器的频高图数据当中不同类型的扩展f现象，将得到的权重参数用于人工智能识别，实现了测高仪监测扩展f的实时化和规模自动化。
[0087]
本发明采用如下技术方案：
[0088]
(1)图像规范化预处理
[0089]
测高仪原始文件以sao-x软件导出频高图，坐标统一为0-17mhz和90-800km，标准png图片是宽700像素，高600像素；
[0090]
裁剪图片，去除周围信息部分和坐标轴信息，保留图中频高图主要部分，即取每张图片的像素从左上角(150,61)到右下角(645,520)；
[0091]
经过拉伸，规范为448*448像素，这样有利于后续分类网络的处理(现有的网络以处理224*224的图像为主)。
[0092]
(2)生成带有人工标定结果的样本库，提取测试集和训练集
[0093]
(2-1)生成带有人工标定结果的样本库：
[0094]
科研人员已经基于自身经验，人工手动对2002-2015年海南富克站(19.5
°
n,109.1
°
e)测高仪每张图片进行过标记和记录，利用这些记录赋予(1)的图片标签，分为无扩展f(标记0)、频率型fsf(标记1)、区域型rsf(标记2)、混合型msf(标记3)、强区域型ssf(标记4)。
[0095]
不过，由于科研工作的性质，在记录时科研人员习惯考虑“完整事件同一类型”，也即一次连续数小时的空间天气事件，期间的十几张、几十张图如果特征模棱两可，就统一标识为同一类型。但本工作要求样本具有鲜明的特征，故按照标准的扩展f类型特征定义进行人工二次的分类校准。再次校准后的各类样本量如下表所示：
[0096]
表1标记样本库中各类型扩展f的样本数量
[0097][0098]
样本分类时，基于科学原理和经验，有如下特殊情况以及处理办法：
[0099]-季节、年、太阳活动周等对电离层参量特征的影响：
[0100]
根据以往统计，不同类型的电离层扩展f发生率随地方时、季节等都有变化，且由于fof2随时间的变化，图形的特征也会改变。
[0101]
本工作中用于训练和验证的数据超过一个太阳周(11年)，故而其中包含太阳活动高、中、低的年份，并包含所有季节和地方时，包含每15分钟/5分钟一张(连续24小时)的数据。因此，统一机器学习的过程中涵盖了所有变化的因素和结果。
[0102]-偶发e层(简称es层)影响：
[0103]
es层是电离层100公里高度附近的一种自然现象，厚度薄(约几百米)、电子密度大，在测高仪的频高图中显示为100公里高度附近一条平的直线，有时伴随一些类似扩展的图形。
[0104]
es层的描迹线可能遮蔽约二三百公里高度f层的扩展f图形，或者es层与地面的多次回波出现在几百公里高度，与电离层f层描迹线重叠，或者在较低频段(约1-3mhz)引起测高仪回波信号的弥散，这些图形都会干扰到扩展f现象的识别。
[0105]
对于此类现象，人工判别时尽可能参考前后电离图的特征，考虑电离层现象的连续性，进行判断和分类，从而提高训练样本的可靠性。
[0106]-仪器探测能力造成的影响：
[0107]
当fof2很小时(约1-1.5mhz，主要在地方时凌晨)，由于回波信噪比等因素，图形可
能模糊或出现类似扩展f的弥散，甚至由于电离层吸收出现个别空白图形，根据经验判断是否真的出现扩展f。此类图形关系到电离层在不同地方时的特征，仍应加入机器学习的样本。
[0108]
一些连续十几小时甚至更长的完全空白图形，与仪器维修等相关，不计入机器学习的样本。
[0109]-多次回波、噪声以及其他等的影响：
[0110]
电离层反射回的无线电波经过地面的反射，再次经历电离层反射，被测高仪天线所接收，就会在频高图中相应电离层高度的整数倍高度上出现多次回波图形，由于反射对无线电波的干扰，常常出现一次回波没有电波弥散图形(没有出现扩展f)、但多次回波有明显的弥散图形，很容易被误识别为扩展f。
[0111]
另外，利用无线电波雷达原理的测高仪，其回波图形中常会出现横线、竖线、色块等噪声图形。
[0112]
出现这些现象的样本，标记时根据经验进行人工判断，并通过机器学习使得模型能够掌握其特征，最终尽量排除这些干扰。
[0113]
(2-2)提取测试集和训练集：
[0114]
得到如表1所示的样本库后，可以看出各类型的图像数据数量不同，为避免样本分布的不均匀(机器学习对小样本的类别不友好)，选择20,000作为每种类别图像的最终数量。
[0115]
对others(无扩展)的样本进行降采样：426,555个样本，生成0、1的随机数，选择20,000个1对应的png图像选定为类别的最终样本；
[0116]
对4种类型扩展f的样本分别进行上采样:在各个类别图像中，保留原始图像，根据电离图的特点，分别在图像中通过添加“泊松噪声”、“高斯噪声”、“椒盐噪声”以及“行椒盐噪声”、“列椒盐噪声”等，将不同类别的样本图像增加到20,000个。
[0117]
分配训练集和测试集：对5个类别，共100,000张照片，按照8:2的比例，随机分到训练集和测试集中，至此完成样本的预处理和整理工作。
[0118]
(3)规范化扩展f现象的特征提取和识别，建立识别模型
[0119]
识别模型是保障本项目业务指标的技术核心，通过科研人员提供的人工标记数据实现识别要求。
[0120]
本工作中机器监督学习的重点在于从人为标记的图片中提取反映扩展f现象特征的关键区域，判断数据点的布局或趋势，总结规律。训练得到的权重参数，用于测试集以及未来新数据的自动识别过程。
[0121]
·
考虑到分析是基于图像，机器学习以深度卷积神经模型为主，视实验结果考虑采用vit模型；
[0122]
·
由于5种扩展f类型(海南富克站出现的是4种)的特点和位置，其弥散图形分布的基本区域是确定的，因此寻找合适的注意力模型。
[0123]
·
针对样本分布及其不均衡，正负样本比超过1:10，甚至更高的情况，以分类模型为目标，选择和改进loss函数。
[0124]
(3-1)在训练集(8万样本)机器学习得到训练参数后，在测试集(2万样本)测试，得到的一些模型的效果如表2所示：
[0125]
表2选用模型的基本方法和判断准确率
[0126]
[0127]
[0128][0129]
如表格所示，准确率最好的3个模型，分别是resnet34_20_5_100(resnet34net)(93.20％)、resnet34-modified-20-2-200(93.50％)、residual_attention_net_old_25_5(last_model_92_sgd_25_5.pkl)(93.53％)。自动判断扩展f的结果相比科研人员凭借经验的人眼判断结果，准确率均超过93％。
[0130]
这3种模型具体实现方面：
[0131]
1)resnet34_20_5_100(resnet34net)
[0132]
学习率方面，100个epoch，每20个epoch将学习率降为1/5；
[0133]
模型整体是经典的resnet34模型，在最后一层卷积和运算中，由每4个像素求算术平均改为自适应的算术平均。
[0134]
2)resnet34-modified-20-2-200
[0135]
学习率方面，200个epoch，每20个epoch将学习率降为1/2；
[0136]
把步长2的卷积和最大化下采样整合，替换为4*4、步长4的卷积；
[0137]
把block的比率从3:4:6:3调整为3:3:9:3.
[0138]
3)residual_attention_net_old_25_5
[0139]
学习率方面，每25个epoch将学习率降为1/5；
[0140]
属于残差注意力模型，机器学习关注的是变化的部分。
[0141]
由于图形复杂程度的差别，以注意力残差resnet34_attention模型的训练结果为例，其在测试集整体准确率93.525％(识别能力与人的判断基本一致)：
[0142]-对于无扩展f判断的准确率为96％，也即能准确识别电离层中是否有扰动现象(扩展f)；
[0143]-对于频率型fsf判断的准确率为93％，对于区域型rsf判断的准确率为99％，这两种是全球所有台站扩展f最基础、研究最多的类型，本模型判断准确；
[0144]-对于强区域型ssf判断的准确率为98％，这种类型的扩展f是以海南为首的中国低纬度地区特别重要的一种自然现象，与赤道等离子体泡有强相关性，会强烈干扰电磁波信号稳定性，是科学和应用最关注的一种，而本模型判断非常准确；
[0145]-对于混合型msf判断的准确率为82％，这种类型包含了其他类型扩展f特征并不明显、模棱两可的大量图形，故而准确度较低是比较合理的，82％的准确度在可接受范围内。
[0146]
(3-2)为了验证这3种模型在自动化方面的准确性和有效性，进一步使用2013-2016年海南富克测高仪的频高图样本进行验证。
[0147]
其中2013-2015年每年各自超过4万6千样本，只有少数经过之前的上采样和下采样进入机器学习的训练集和样本集。将全年所有样本进行测试(主要是查看是否误识别扩展f现象出现)，将3种模型对样本数据的推理结果和gt-sf结果对比，发现2013年全年对比差异在2.5％左右，2014年全年对比差异在2.3％左右，2015年全年对比差异在5.2左右，一
致性非常好。
[0148]
2016年的数据没有经过人工判定和标识，没有参与机器学习。运用3种模型训练好的参数，对2016年全年样本自动判定，3种模型推理结果对比的差异在5％之内。
[0149]
综合来看，测试表明，本发明中的机器学习3种模型，对海南测高仪数据的电离层频高图扩展f现象自动判断准确率优秀，自动化十分优秀，可大大提高测高仪对电离层太空环境监测的效率，具有实际应用前景。
[0150]
因此，本发明利用训练好的以上3种模型的权重参数，封装制作成智能识别软件，可直接使用于真实工作场景。软件的模块功能如图2所示。
[0151]-在使用中，可直接导入测高仪输出的原始png图片，分为单文件导入和文件夹-数据时间范围选择，直接通过文件名中的日期和时间读取需要判断的图片文件；
[0152]-确认所选的权重文件(对应3种模型)，点击“识别”按钮，系统会弹出进度条并开始运行，经过测试，选取100张图片求平均处理时间：在gpu模式下，模型加载时间3226ms，模型识别平均时间80.6ms，在cpu模式下，模型加载时间795ms，模型识别平均时间439.4ms；
[0153]-识别运行结束后，会跳出统计结果，即各类型扩展f各自占多少张图片；
[0154]
结果会展示在软件下半部分的“按文件”和“按时间”两个tab：
[0155]“按文件”的每一行代表一个文件以及识别结果，如图3所示；
[0156]“按时间”是按照扩展f现象发生的时间段来展示结果，如图4所示。
[0157]-软件支持对识别结果进行检查并更正，直接点击结果开启对话框，对话框显示了图片的名字，识别结果，无缩放的图片，以及当前记录在“按文件”列表中序号，如果用户觉得识别结果有问题，可以对识别结果更正，从识别结果列表中选择一个新结果，点击“更正”，软件会弹出确认框，点击yes后，结果即被更新；
[0158]-用户可以将识别结果导出到文本文件，点击“按文件”或者“按时间”tab上的“导出”按钮，弹出对话框选择保存的位置和文件名后，系统开始执行并提示对话框完成；
[0159]“按文件”tab的导出文件，每一行包含图片的路径以及识别结果；
[0160]“按时间”tab的导出文件，每一行包含一个扩展f的发生时间段。
[0161]
从上述对本发明的具体描述可以看出，本发明开发的人工智能识别软件，能够自行对海南测高仪频高图中的扩展f现象的出现以及类型进行机器判断，给出识别结果，判断结果准确性极高。
[0162]
最后所应说明的是，以上实施例仅用以说明本发明的技术方案而非限制。尽管参照实施例对本发明进行了详细说明，本领域的普通技术人员应当理解，对本发明的技术方案进行修改或者等同替换，都不脱离本发明技术方案的精神和范围，其均应涵盖在本发明的权利要求范围当中。