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 Spectro...
详细信息
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,SCI),使用此分类方法将该仪器产生的日冕图像按有无CME分类.含CME标签的图像将推送给中国的各空间天气预报中心,对CME进行预警.
Open MP规范了一系列的编译制导、环境变量和运行库,具有简单、可移植、支持增量并行等优点.但同时,采用FORK-JOIN模型所引起的频繁的线程管理开销也是制约Open MP程序性能的瓶颈之一.本文讨论了如何利用并行区的合并与扩展,实现并行区...
详细信息
Open MP规范了一系列的编译制导、环境变量和运行库,具有简单、可移植、支持增量并行等优点.但同时,采用FORK-JOIN模型所引起的频繁的线程管理开销也是制约Open MP程序性能的瓶颈之一.本文讨论了如何利用并行区的合并与扩展,实现并行区的重构,并在此基础上利用Open64的IPA优化部件所提供的全局间过程分析能力,实现跨越过程边界的并行块的合并.最终实验表明,该方法有效地改进了Open MP程序的运行性能.
暂无评论