Обнаружение эффектов солнечных вспышек в вариациях амплитуды СДВ радиосигналов с применением автоенкодера

Обнаружение аномалий в вариациях амплитуды и фазы радиосигналов
является одним из инструментов исследования динамических свойств канала радиосвязи. Развитие технологий машинного обучения при этом позволяет по-новому подойти к решению актуальных задач радиофизики. Целью настоящей работы является разработка
алгоритма для поиска эффектов солнечных вспышек в вариациях амплитуды СДВ радиосигналов с использованием методов машинного обучения. Представлены разработанные модели нейронной сети на основе автоэнкодера для автоматического обнаружения аномальных изменений амплитуды по данным распространения СДВ радиоволн на трассе JJI (Япония, 22.2 кГц) – Иркутск (пункт приема п. Теплоэнергетик).
После обучения нейронная сеть выполняет реконструкцию дневного хода амплитуды сигнала так, чтобы выходные данные максимально соответствовали распространению радиоволн в спокойных условиях. Аномальные изменения сигнала, связанные с возмущением ионосферы во время солнечных вспышек, обнаруживаются путем определения ошибки реконструкции и ее сравнения с рассчитанным пороговым
значением. Порог определяется путем расчета среднего квадратичного значения ошибки восстановления набора обучающих данных. Результаты применения предложенных авторами автоэнкодеров для поиска аномалий показали свою эффективность (общая
точность оказалась близка к 90%). Важным преимуществом метода является возможность поиска аномальных вариаций амплитуды в большом массиве экспериментальных данных с использованием измерений только для рассматриваемого дня. При этом исключается
влияние аномалий, присутствующих в соседние дни, как это происходит при использовании усреднения реализаций суточного хода по нескольким дням до и после рассматриваемого события

1. Савицкий Д. Е., Дунаев М. Е., Зайцев К. С. Выявление аномалий при обработке потоковых данных в реальном времени // International Journal of Open Information Technologies. 2022. Т. 14, No 6. С. 70–75.

2. Sarvani A., Venugopal B., Devarakonda N. Anomaly Detection Using K-means Approach and Outliers Detection Technique // Advances in Intelligent Systems and Computing: Soft computing: Theories and applications, Springer. 2019. Vol. 742. P. 375–385.

3. Крашенинников В. Р., Кувайскова Ю. Е., Маленова О. Е., Субботин А. Ю. Обнаружение аномалий на квазипериодических процессах, цилиндрических и круговых изображениях и их системах // Автоматизация процессов управления. 2022. No 4, С. 67–75.

4. Токарев Д. А., Погребан С.В. Аномалии трафика в ip сетях и их обнаружение // Известия института инженерной физики. 2013. No 4, C. 13–17.

5. Токмачев Д. А., Полетаев А. C., Безрукин А. Г., Ченский А. Г., Засенко В. Е., Губин Н. А. Система синхронизации сверхдлинноволнового интерферометра // Приборы и техника эксперимента. 2014. No 5. С. 77–84.

6. Гаврилов Б. Г., Ермак В. М., Ляхов А. Н., Поклад Ю. В., Рыбаков В. А., Ряховский И. А. Восстановление параметров среднеширотной нижней ионосферы при солнечных вспышках M- и X-классов // Геомагнетизм и аэрономия. 2020. Т. 60, No 6. С. 762–768.

7. Полетаев А. С., Ченский А. Г., Токмачев Д. А. Регистрация вариаций амплитуды и фазы сигналов навигационных СДВ передатчиков // XIV конференция молодых ученых «Взаимодействие полей и излучения с веществом». Иркутск, 14–18 сентября. 2015. С. 252–255.

8. Arenicola O.V., Poletaev A.S., Chensky A.G. Influence of Solar Flares on VLF Radio Waves Propagation over JJI – Irkutsk Path // XIV International scientific-technical conference on Actual Problems of Electronic Instrument Engineering (APEIE – 2018). Novosibirsk, October 2 – 6, 2018. Vol. 1, Part 3, pp. 137 – 140.

9. Беленький М. И., Орлов А. Б., Пронин А. Е., Уваров А. Н. О зависимости величины ВФА СДВ от зенитного угла Солнца на протяженных трассах в различных широтах // Материалы VIII Регион. конф. по распространению радиоволн, СПб, С.-Петербург. гос. ун-т, 29–30 октября 2002 г.

10. Жанаева С. Б. К вопросу о подготовке данных при разработке модели нейронной сети // Вестник СибГУТИ. 2022. Т. 16, No 4. C. 69–79.

11. Hastie T., Tibshirani R., Friedman J. The Elements of Statistical Learning Data Mining, Inference, and Prediction. Springer Series in Statistics / 2nd Edition, 2017. 764 p.

12. Грас Д. Data science. Наука о данных с нуля: пер. с англ. СПб: БХВ-Петербург, 2017. 336 с.

13. Львович И. Я., Семенов С. Н., Гладских Н. А., Пронин С. С. Методика прогнозирования медико-демографических показателей на базе методов экспоненциального сглаживания и множественной регрессии // Научно-медицинский вестник центрального Черноземья. 2007. No 27. C. 104–108.

14. STCE Newsletter for 4 Jan 2016 – 10 Jan 2016 [Электронный ресурс]. URL:http://www.stce.be/newsletter/pdf/2016/STCEnews20160115.pdf (дата обращения: 11.03.2024).

15. Chong Q., Zhiguo Z. et al. Predictive anomaly detection for marine diesel engine based on echo state network and autoencoder // Energy Reports. 2022. Vol. 8. P. 998–1003.

16. Juan Terven, Wang H. et al. Anomaly detection for hydropower turbine unit based on variational modal decomposition and deep autoencoder // Energy Reports. 2021. Vol. 7. P. 938–946.

17. Terven J., Cordova-Esparza D. M., Ramirez-Pedraza A., Chavez-Urbiola E. A., Romero-Gonzalez J. A. Loss Functions and Metrics in Deep Learning. [Электронный ресурс].URL: https://arxiv.org/abs/2307.02694. (дата обращения: 28.09.2023).

18. Diederik P. Kingma, Jimmy Lei Ba. Adam: a method for stochastic optimization // International Conference on Learning Representations. Toulon, april 24–26, 2015