日冕物質(zhì)拋射（Coronal Mass Ejection, CME）的檢測是建立CME事件庫和實現(xiàn)對CME在行星際傳播的預報的重要前提.通過Visual Geometry Group （VGG） 16卷積神經(jīng)網(wǎng)絡方法對日冕儀圖像進行自動分類.基于大角度光譜日冕儀（Large Angle and Spectrometric Coronagraph Experiment, LASCO） C2的白光日冕儀圖像,根據(jù)是否觀測到CME對圖像進行標記.將標記分類的數(shù)據(jù)集用于VGG模型的訓練,該模型在測試集分類的準確率達到92.5%.根據(jù)檢測得到的標簽結(jié)果,結(jié)合時空連續(xù)性規(guī)則,消除了誤判區(qū)域,有效分類出CME圖像序列.與Coordinated Data Analysis Workshops （CDAW）人工事件庫比較,分類出的CME圖像序列能夠較完整地包含CME事件,且對弱CME結(jié)構(gòu)有較高的檢測靈敏度.未來先進天基太陽天文臺（Advanced Space-based Solar Observatory,ASO-S）衛(wèi)星的萊曼阿爾法太陽望遠鏡將搭載有白光日冕儀（Solar Corona Imager,... 

【文章頁數(shù)】：11 頁

【文章目錄】：
1 引言
2 日冕儀圖像分類的深度學習模型方法
    2.1 數(shù)據(jù)預處理
    2.2 構(gòu)建數(shù)據(jù)集
    2.3 分類模型
    2.4 劃分CME圖像序列
3 實驗結(jié)果與分析
    3.1 模型分析
    3.2 圖像分類結(jié)果分析
4 總結(jié)與展望


【參考文獻】：
期刊論文
[1]機器學習在太陽物理中的應用[J]. 劉輝,季凱帆,金振宇.  中國科學:物理學 力學 天文學. 2019(10)



本文編號：3666417