Stokes 反演方法研究
文献类型：学位论文
| 作者 | 徐冲 |
| 答辩日期 | 2025-07-01 |
| 文献子类 | 电子信息硕士 |
| 授予单位 | 中国科学院大学 |
| 授予地点 | 北京 |
| 导师 | 刘辉 ; 杨绍明 |
| 关键词 | Stokes 反演 太阳磁场 神经网络 贝叶斯推断 变分推断 |
| 学位专业 | 电子信息 |
| 其他题名 | Study on Stokes Inversion Methods |
| 英文摘要 | 矢量磁场是理解太阳活动的关键参数，而Stokes反演是获取太阳磁场及其它物理参数最有效的工具之一。近年来已发展出多种基于Milne–Eddington（ME）大气模型的Stokes反演方法，包括最小二乘优化、贝叶斯推断与机器学习方法。然而，最小二乘法依赖初始参数的设定，当初始值选择不当时，容易陷入局部最优。尽管贝叶斯推断在全局优化搜索中表现优异，且能生成估计参数完整的后验分布。但贝叶斯方法计算高维后验分布非常耗时，需大量的前向计算。而基于神经网络的 Stokes 反演方法虽然在效率上具有优势，但当问题涉及多解、参数简并等复杂情况时，网络训练会变得困难。此外，传统的最小二乘法和神经网络方法均难以提供可靠、统计意义明确的参数不确定性估计。针对上述问题，本文提出了两种新的Stokes 反演方法：基于神经网络的哈密尔顿蒙特卡洛方法（NNHMC）和基于神经网络的变分推断方法（NNVI）。这两种方法不仅显著提高了反演效率，还能够为参数提供相对准确的后验分布估计，从而实现稳健的不确定性评估。本论文的主要研究工作有以下两个部分：1、发展了一种基于神经网络结合哈密尔顿蒙特卡洛（HMC）算法的Stokes反演方法：NNHMC。本研究创新性的构建了神经网络模型：训练了一个没有谱线平移（生成训练数据时将视向速度 vlos 固定为 0）的 Stokes I, Q, U, V 光谱轮廓合成模型：SynNN，其输入只由 8 个物理参数组成，在反演过程中，视向速度可通过傅里叶平移推断出来。NNHMC方法利用神经网络强大的并行计算优势来代替ME模型快速产生Stokes谱线，以满足HMC算法的推断需求。结合HMC算法的分层采样技术，NNHMC方法能够一次性并行地反演200组Stokes谱线，在模拟数据和HINODE/SP实测数据上都能较为准确的反演出总磁场强度、倾角、方位角以及多普勒速度，并且提供相对准确的后验分布。相较于传统的MCMC方法，NNHMC方法在反演速度上提升了2.5个数量级。2、发展了一种基于神经网络结合变分推断（VI）算法的Stokes反演方法：NNVI。该方法使用 SynNN 生成谱线，显著加快似然评估过程；同时采用自回归流（AutoIAFNormal）作为灵活的变分分布，以刻画复杂的后验相关性结构。整个反演过程通过随机变分推断（SVI）进行优化。NNVI 在模拟数据与 HINODE/SP 观测数据上的测试均显示出良好的参数估计精度和收敛性，并可稳定地输出统计上合理的不确定性。与传统的MCMC方法 和 NNHMC 方法相比，NNVI 在后验分布质量、推断精度及高维空间中的效率上具有明显优势。本文提出的两种Stokes反演方法将高效的神经网络模型与贝叶斯参数估计机制相结合，不仅为太阳磁场反演提供了一种兼具精度、速度与不确定性估计的新范式，还为大规模图像级磁场反演奠定了方法基础。 |
| 学科主题 | 天文学 |
| 语种 | 中文 |
| 页码 | 0 |
| 源URL | [http://ir.ynao.ac.cn/handle/114a53/28987]  |
| 专题 | 天文技术实验室 |
| 作者单位 | 中国科学院云南天文台 |
| 推荐引用方式 GB/T 7714 | 徐冲. Stokes 反演方法研究[D]. 北京. 中国科学院大学. 2025. |
入库方式： OAI收割
来源：云南天文台
浏览0
下载0
收藏0
其他版本
除非特别说明，本系统中所有内容都受版权保护，并保留所有权利。