Сравнение методов ML и DL в задаче классификации волновых форм ПЭС

В статье представлены результаты разработки и исследования алгоритма автоматизированного поиска ковулканических ионосферных возмущений. В качестве классификатора алгоритма рассматриваются модели машинного обучения с учителем – случайный лес, алгоритм градиентного бустинга (XGBoost), без учителя – PCA, KNN, Isolation Forest, а также нейронные сети FCN и InceptionTime, обученные для классификации временных рядов полного электронного содержания ионосферы, полученных из данных ГНСС. Лучшие результаты по соотношению точности поиска возмущений и ложных срабатываний продемонстрировала модель XGBoost, обученная на вейвлет-признаках и признаках, основанных на преобразовании Фурье. Нейросети FCN и InceptionTime показали высокую точность обнаружения возмущений, но при этом и высокое число ложных срабатываний. Методы без учителя хотя и показали высокий уровень ложных срабатываний, однако обнаруживали почти все возмущений, что делает их полезными для предварительной разметки данных.