Аннотация результатов, полученных в 2024 году
В течение этапа 2024 года развит самосогласованный, управляемый данными подход к классификации обработанных данных, получаемых на среднеширотных радарах когерентного рассеяния ИСЗФ СО РАН (СЕКИРА). На этом этапе получены следующие результаты. Проведен предварительный анализ данных радаров СЕКИРА и публично доступных обработанных данных радаров SuperDARN для выявления возможностей их совместного использования для автоматической классификации. На основе анализа данных двух радаров когерентного рассеяния ИСЗФ СО РАН показано, что эти радары регистрируют значительное (до 35%) количество сигналов, поступающих из заднего лепестка диаграммы направленности антенны, которые ранее не учитывались при автоматической обработке данных и существенно ухудшали качество автоматической идентификации сигналов. На основе моделирования и байесовского подхода рассчитан оптимальный пороговый угол места, минимизирующий ошибки разделения сигналов на главный и задние лепестки. Для радара EKB он равен 28 градусам, для радара MAGW - 38 градусам. Оптимальность порогового угла места была доказана анализом трассировки лучей всех сигналов, наблюдаемых радарами EKB и MAGW в 2021 году. Для преемственности моделей как для радаров СЕКИРА (использующих различные типы сигналов от короткого 7-импульсного до длинного 16-импульсного), так и для радаров SuperDARN (использующих в основном только 7- и 8-импульсные последовательности) был предложен метод загрубления данных о спектральной ширине принятого сигнала, определены характеристики такого загрубления (аугментации). Использование аугментации привело к успешному построению модели, не зависящей от типа используемых зондирующих сигналов. На основе данных 2021 года решена задача автоматической классификации данных без их разметки экспертом и без постулирования количества классов. Алгоритм самостоятельно размечает данные, определяет оптимальное количество классов сигналов, наблюдаемых радарами, и обучает двухслойную классифицирующую нейронную сеть предельно простой структуры. При траекторных расчетах используется метод волновой оптики и международные ссылочные модели ионосферы и магнитного поля Земли. Задача поиска числа классов сведена к задаче поиска нейронной сети с минимальным количеством нейронов в слое. Было обнаружено, что задача поиска числа классов в данных имеет множество вариантов решений в зависимости от используемых методов и критериев. Для устойчивого решения этой задачи был разработан алгоритм поиска минимального количества нейронов в полносвязных слоях произвольной сети [http://idstu.irk.ru/ru/system/files/materialy_konferencii_lyapunovskie_chteniya_2024.pdf; https://www.arxiv.org/abs/2405.14147], не требующий многократного обучения сети с различным количеством нейронов и устойчивый к увеличению объема данных. Кроме использования этого метода для анализа данных радаров, метод был апробирован также на нескольких стандартных задачах классификации и регрессии и показал свою эффективность и в других задачах, требующих создания полносвязных нейронных сетей минимальной ширины. В результате выполнения этапа было показано, что количество классов в данных радаров СЕКИРА, принимаемых с главного лепестка диаграммы направленности, составляет от 23 до 35, в зависимости от требований к разделимости этих классов, для удобства интерпретации исследователями было выбрано 35, из которых 13 являются сигналами, рассеянными от ионосферных неоднородностей, 6 - от земной поверхности, а интерпретация остальных затруднена, возможно это шумовые сигналы. При построении итогового классификатора везде использовались абсолютные функции активации. Этот подход позволил эффективно обучить нейронную сеть (с качеством 92%) и найти минимальное число классов в данных. Полученная нейронная сеть имеет очень малое для нейронных сетей число параметров (2240), и позволяет представить результат не только в виде нейронной сети, но и в виде сравнительно простой формулы. Алгоритм запущен и работает в настоящее время в реальном масштабе времени для автоматической классификации сигналов радаров СЕКИРА [http://sdrus.iszf.irk.ru/node/107]. Каждый класс сигнала, определенный нейронной сетью, был проинтерпретирован с физической точки зрения исходя из статистических характеристик сигналов, принадлежащих ему. Проведена оценка значимости различных параметров входных данных. Показано что наиболее важными для классификации параметрами являются расчетные высота рассеяния и наклон траектории в точке рассеяния, а наименее важными - спектральная ширина принятого сигнала и расчетное количество отражений от нижележащей поверхности. Проведенный анализ позволил показать, что для среднеширотных радаров траекторные расчеты исключительно важны, и данные о высоте рассеяния и форме траектории в точке рассеяния и посередине траектории, а также угол с магнитным полем в точке рассеяния действительно позволяют наиболее уверенно разделять рассеянные сигналы на классы.

Аннотация результатов, полученных в 2025 году
В проекте на основе десяти радаров SuperDARN, двух радаров СЕКИРА, и управляемого данными подхода впервые построена самообученная универсальная модель для классификации данных, полученных на радарах когерентного рассеяния. Модель основана на данных этих радаров, без привлечения экспертов к любому этапу обучения модели или подготовки данных. Этот классификатор – это нейронная сеть, обученная на данных, полученных с 12 радаров в течение двух лет (года высокой и года низкой солнечной активности) для каждого радара. Построенная нейросетевая классифицирующая модель имеет 2669 коэффициентов. Для классификации модель использует как рассчитанные параметры распространения радиоволн в модельной ионосфере (используется международная ссылочная модель ионосферы IRI и международная модель магнитного поля Земли IGRF), так и параметры, непосредственно измеренные радаром. Для определения оптимального количества классов в данных использовалась оригинальная методика определения минимально необходимого числа нейронов в полносвязном слое нейронной сети, разработанная в проекте ранее. Обучение нейронной сети выявило 37 оптимальных классов, 25 из которых наблюдались часто, Анализ позволил выбрать из них 14 классов, которые уверенно разделяются при других вариантах обучения модели. Проведена предварительная интерпретация 10 из этих классов. Проанализирована статистика наблюдения различных классов и их зависимость от географической широты радаров при разных уровнях солнечной и геомагнитной активности. Результат согласуется с известными физическими механизмами. Получены оценки по влиянию качества ионосферной модели и угломестной калибровки радара на результаты классификации. Получены оценки значимости различных параметров на качество классификации. Анализ показал, что важнейшими параметрами для идентификации классов являются форма траектории радиоволны (луча) во второй ее половине, высота рассеяния радиоволны и доплеровская скорость, измеренная радаром. Полученная модель слабо чувствительна к спектральной ширине принятого сигнала, в отличие от большинства традиционных методов классификации. Это дает ей в будущем преимущества при использовании на радарах когерентного рассеяния с более совершенными зондирующими последовательностями и методами обработки принятых сигналов. Результат опубликован в журнале первого квартиля [https://doi.org/10.1016/j.asr.2025.11.074]. Использованные для построения классификатора радары расположены от средних широт до географического полюса и охватывают практически весь широтный и долготный диапазон расположения радаров сетей SuperDARN и СЕКИРА и различные уровни солнечной активности. Это дает основания использовать полученную модель классификации данных на любом из радаров этих сетей.