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 про...

Ausführliche Beschreibung

Gespeichert in:
Bibliographische Detailangaben
Hauptverfasser: Miteva, Rositsa, Zabunov, Svetoslav, Nedkov, Rumen
Format: Patent
Sprache:bul ; eng
Schlagworte:
Online-Zugang:Volltext bestellen
Tags: Tag hinzufügen
Keine Tags, Fügen Sie den ersten Tag hinzu!
container_end_page
container_issue
container_start_page
container_title
container_volume
creator Miteva, Rositsa
Zabunov, Svetoslav
Nedkov, Rumen
description 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
format Patent
fullrecord <record><control><sourceid>epo_EVB</sourceid><recordid>TN_cdi_epo_espacenet_BG3160UU1</recordid><sourceformat>XML</sourceformat><sourcesystem>PC</sourcesystem><sourcerecordid>BG3160UU1</sourcerecordid><originalsourceid>FETCH-epo_espacenet_BG3160UU13</originalsourceid><addsrcrecordid>eNrjZDAJDnB0dlUId3UM8XANUnDzD3J1dgwO8fRzVwiODA5x9VUIDQZxXFxdAxR8XB2D_IA8HgbWtMSc4lReKM3NIOfmGuLsoZtakB-fWlyQmJyal1oS7-RubGhmEBpqaExQAQDvEyZ3</addsrcrecordid><sourcetype>Open Access Repository</sourcetype><iscdi>true</iscdi><recordtype>patent</recordtype></control><display><type>patent</type><title>SPACE WEATHER FORECASTING SYSTEM USING DEEP LEARNING</title><source>esp@cenet</source><creator>Miteva, Rositsa ; Zabunov, Svetoslav ; Nedkov, Rumen</creator><creatorcontrib>Miteva, Rositsa ; Zabunov, Svetoslav ; Nedkov, Rumen</creatorcontrib><description>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 disturbances and disturbances in satellite radio communication, geomagnetically induced currents on the Earth's surface and so forth. Predicting these phenomena allows for timely precautionary measures.</description><language>bul ; eng</language><subject>CALCULATING ; COMPUTER SYSTEMS BASED ON SPECIFIC COMPUTATIONAL MODELS ; COMPUTING ; COUNTING ; MEASURING ; METEOROLOGY ; PHYSICS ; TESTING</subject><creationdate>2019</creationdate><oa>free_for_read</oa><woscitedreferencessubscribed>false</woscitedreferencessubscribed></display><links><openurl>$$Topenurl_article</openurl><openurlfulltext>$$Topenurlfull_article</openurlfulltext><thumbnail>$$Tsyndetics_thumb_exl</thumbnail><linktohtml>$$Uhttps://worldwide.espacenet.com/publicationDetails/biblio?FT=D&amp;date=20190515&amp;DB=EPODOC&amp;CC=BG&amp;NR=3160U1$$EHTML$$P50$$Gepo$$Hfree_for_read</linktohtml><link.rule.ids>230,308,780,885,25564,76547</link.rule.ids><linktorsrc>$$Uhttps://worldwide.espacenet.com/publicationDetails/biblio?FT=D&amp;date=20190515&amp;DB=EPODOC&amp;CC=BG&amp;NR=3160U1$$EView_record_in_European_Patent_Office$$FView_record_in_$$GEuropean_Patent_Office$$Hfree_for_read</linktorsrc></links><search><creatorcontrib>Miteva, Rositsa</creatorcontrib><creatorcontrib>Zabunov, Svetoslav</creatorcontrib><creatorcontrib>Nedkov, Rumen</creatorcontrib><title>SPACE WEATHER FORECASTING SYSTEM USING DEEP LEARNING</title><description>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 disturbances and disturbances in satellite radio communication, geomagnetically induced currents on the Earth's surface and so forth. Predicting these phenomena allows for timely precautionary measures.</description><subject>CALCULATING</subject><subject>COMPUTER SYSTEMS BASED ON SPECIFIC COMPUTATIONAL MODELS</subject><subject>COMPUTING</subject><subject>COUNTING</subject><subject>MEASURING</subject><subject>METEOROLOGY</subject><subject>PHYSICS</subject><subject>TESTING</subject><fulltext>true</fulltext><rsrctype>patent</rsrctype><creationdate>2019</creationdate><recordtype>patent</recordtype><sourceid>EVB</sourceid><recordid>eNrjZDAJDnB0dlUId3UM8XANUnDzD3J1dgwO8fRzVwiODA5x9VUIDQZxXFxdAxR8XB2D_IA8HgbWtMSc4lReKM3NIOfmGuLsoZtakB-fWlyQmJyal1oS7-RubGhmEBpqaExQAQDvEyZ3</recordid><startdate>20190515</startdate><enddate>20190515</enddate><creator>Miteva, Rositsa</creator><creator>Zabunov, Svetoslav</creator><creator>Nedkov, Rumen</creator><scope>EVB</scope></search><sort><creationdate>20190515</creationdate><title>SPACE WEATHER FORECASTING SYSTEM USING DEEP LEARNING</title><author>Miteva, Rositsa ; Zabunov, Svetoslav ; Nedkov, Rumen</author></sort><facets><frbrtype>5</frbrtype><frbrgroupid>cdi_FETCH-epo_espacenet_BG3160UU13</frbrgroupid><rsrctype>patents</rsrctype><prefilter>patents</prefilter><language>bul ; eng</language><creationdate>2019</creationdate><topic>CALCULATING</topic><topic>COMPUTER SYSTEMS BASED ON SPECIFIC COMPUTATIONAL MODELS</topic><topic>COMPUTING</topic><topic>COUNTING</topic><topic>MEASURING</topic><topic>METEOROLOGY</topic><topic>PHYSICS</topic><topic>TESTING</topic><toplevel>online_resources</toplevel><creatorcontrib>Miteva, Rositsa</creatorcontrib><creatorcontrib>Zabunov, Svetoslav</creatorcontrib><creatorcontrib>Nedkov, Rumen</creatorcontrib><collection>esp@cenet</collection></facets><delivery><delcategory>Remote Search Resource</delcategory><fulltext>fulltext_linktorsrc</fulltext></delivery><addata><au>Miteva, Rositsa</au><au>Zabunov, Svetoslav</au><au>Nedkov, Rumen</au><format>patent</format><genre>patent</genre><ristype>GEN</ristype><title>SPACE WEATHER FORECASTING SYSTEM USING DEEP LEARNING</title><date>2019-05-15</date><risdate>2019</risdate><abstract>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 disturbances and disturbances in satellite radio communication, geomagnetically induced currents on the Earth's surface and so forth. Predicting these phenomena allows for timely precautionary measures.</abstract><oa>free_for_read</oa></addata></record>
fulltext fulltext_linktorsrc
identifier
ispartof
issn
language bul ; eng
recordid cdi_epo_espacenet_BG3160UU1
source esp@cenet
subjects CALCULATING
COMPUTER SYSTEMS BASED ON SPECIFIC COMPUTATIONAL MODELS
COMPUTING
COUNTING
MEASURING
METEOROLOGY
PHYSICS
TESTING
title SPACE WEATHER FORECASTING SYSTEM USING DEEP LEARNING
url https://sfx.bib-bvb.de/sfx_tum?ctx_ver=Z39.88-2004&ctx_enc=info:ofi/enc:UTF-8&ctx_tim=2024-12-25T10%3A52%3A13IST&url_ver=Z39.88-2004&url_ctx_fmt=infofi/fmt:kev:mtx:ctx&rfr_id=info:sid/primo.exlibrisgroup.com:primo3-Article-epo_EVB&rft_val_fmt=info:ofi/fmt:kev:mtx:patent&rft.genre=patent&rft.au=Miteva,%20Rositsa&rft.date=2019-05-15&rft_id=info:doi/&rft_dat=%3Cepo_EVB%3EBG3160UU1%3C/epo_EVB%3E%3Curl%3E%3C/url%3E&disable_directlink=true&sfx.directlink=off&sfx.report_link=0&rft_id=info:oai/&rft_id=info:pmid/&rfr_iscdi=true