SPACE WEATHER FORECASTING SYSTEM USING DEEP LEARNING

Полезният модел се отнася до система за прогнозиране на космическото време, използваща дълбоко обучение. Последното е осъществено на базата на специализирани графични ускорителни карти (graphics processing units - GPUs) в етапа на обучение, а в машината за извод са приложени изчислителни звена с програмируема логическа матрица (field-programmable gate аrraу - FPGA). Системата за прогнозиране на космическото време, използваща дълбоко обучение, както е показано на фиг. 1, работи като непрекъснато приема информация чрез интерфейсния блок за входни данни (1), отнасящи се до слънчевата атмосфера и интерфейсния блок за входни данни, получавани от близкоземни измервателни инструменти (2). Тези данни се обработват от блока за обучение на невронната мрежа (3) като последният създава и непрестанно подобрява текущия модел на невронната мрежа (4). В същото време FРGА-базираната машина за извод (5) извършва прогнозиране на космическото време като обработва входните данни, получавани от блока за входни данни (1), отнасящи се до слънчевата атмосфера и използва текущия модел на невронната мрежа (4). Приложението е в прогнозиране на геомагнитни бури, активация на радиационните пояси на Ван Алън, смущения в йоносферата и нарушения в сателитната радио-комуникация, геомагнитно-индуцирани токове на повърхността на земята и др. Прогнозирането на тези явления дава възможност за своевременно вземане на предпазни мерки. The utility model relates to a space weather forecasting system using deep learning. The latter is based on specialized graphics processing units (GPUs) in the learning phase, and in the output machine are applied computational units with field-programmable gate array (FPGA). The space weather forecasting system using deep learning, as shown in Fig. 1 operates by continuously receiving information through the input data interface unit (1) relating to the solar atmosphere and the input data interface unit received from near-ground measuring devices (2). This data is processed by a neural network learning unit hardware (3), as the latter creates and continuously improves the current neural network model (4). At the same time, the FRGA-based output machine (5) performs space weather forecasting by processing the input data received from the input data unit (1) relating to the solar atmosphere and using the current neural network model (4). The system finds application in forecasting geomagnetic storms, activation of the Van Allen radiation belts, ionospheric disturban