基于机器学习的日冕仪图像分类方法研究

发布时间：2022-07-29 11:54

　　日冕物质抛射（Coronal Mass Ejection, CME）的检测是建立CME事件库和实现对CME在行星际传播的预报的重要前提.通过Visual Geometry Group （VGG） 16卷积神经网络方法对日冕仪图像进行自动分类.基于大角度光谱日冕仪（Large Angle and Spectrometric Coronagraph Experiment, LASCO） C2的白光日冕仪图像,根据是否观测到CME对图像进行标记.将标记分类的数据集用于VGG模型的训练,该模型在测试集分类的准确率达到92.5%.根据检测得到的标签结果,结合时空连续性规则,消除了误判区域,有效分类出CME图像序列.与Coordinated Data Analysis Workshops （CDAW）人工事件库比较,分类出的CME图像序列能够较完整地包含CME事件,且对弱CME结构有较高的检测灵敏度.未来先进天基太阳天文台（Advanced Space-based Solar Observatory,ASO-S）卫星的莱曼阿尔法太阳望远镜将搭载有白光日冕仪（Solar Corona Imager,... 

【文章页数】：11 页

【文章目录】：
1 引言
2 日冕仪图像分类的深度学习模型方法
    2.1 数据预处理
    2.2 构建数据集
    2.3 分类模型
    2.4 划分CME图像序列
3 实验结果与分析
    3.1 模型分析
    3.2 图像分类结果分析
4 总结与展望


【参考文献】：
期刊论文
[1]机器学习在太阳物理中的应用[J]. 刘辉,季凯帆,金振宇.  中国科学:物理学 力学 天文学. 2019(10)



本文编号：3666417