[發明專利]基于卷積神經網絡的脈沖星候選體識別方法

在審

• 申請號: 201811372382.5
• 申請日: 2018-11-16
• 公開（公告）號: CN109508746A
• 公開（公告）日: 2019-03-22
• 發明（設計）人: 方海燕;劉陳輝;孫海峰;李小平;蘇劍宇;張力;叢少鵬;曹陽;陸鵬杰;張學健
• 申請（專利權）人: 西安電子科技大學
• 主分類號: G06K9/62
• 分類號: G06K9/62;G06N3/04
• 代理公司: 陜西電子工業專利中心 61205
• 代理人: 王品華;朱紅星

1.一種基于卷積神經網絡的脈沖星候選體識別方法，其特征在于，包括如下：

(1)構建三種數據集：

1.1)從脈沖星巡天觀測數據中，利用聯邦科學與工業研究組織CSIRO的開源軟件tempo2生成M張圖像，計算每張圖像的相對強度h：

1.2)設置相對強度閾值ε，將每張圖像的相對強度h與相對強度閾值ε進行比較：如果h大于ε，則將圖像的理想標簽值設置為1，反之設置為0，并令1代表脈沖星候選體圖像，0代表是非脈沖星候選體圖像；

1.3)根據1.2)的結果，將M張圖像用集合C表示為：

C＝{(X₁,y₁),(X₂,y₂),...,(X_m,y_m),...,(X_M,y_M)}，

其中X_m代表第m張圖像，y_m代表第m張圖像的標簽值，m＝1,2,...,M；

1.4)在集合C中隨機選取E個元素作為訓練集合T，再從集合C剩余部分選取R個元素作為驗證集合D，再把剩余的N個元素作為測試集J，其中E+R+N＝M；

(2)在Google開源的深度學習框架tensorflow上搭建一個具有輸入層、兩個卷積池化層、兩個全連接層及一個輸出層的卷積神經網絡模型；

(3)將卷積神經網絡模型的兩個卷積池化層、兩個全連接層和輸出層的可學習參數均用截斷正態分布進行初始化；

(4)使用訓練集合T對(2)搭建的卷積神經網絡模型進行訓練，得到訓練好的卷積神經網絡模型；

(5)對訓練好的卷積神經網絡模型進行評價，選出脈沖星候選體的識別模型：

5.1)把驗證集合D中的圖像依次輸入到(4)中訓練好的模型中，得到驗證集合D的每張圖像的實際標簽值：

5.2)根據每張圖像實際標簽值和1.3)得到的理想標簽值，計算驗證集合的準確率accu_驗，并將計算驗證集合的準確率accu_驗與設定的準確率閾值ε_驗進行比較：若accu_驗≥ε_驗，則將當前模型作為脈沖星候選體的識別模型，執行(6)，否則，返回(3)繼續訓練模型；

(6)把測試集合J中的圖像依次輸入脈沖星候選體的識別模型中，得到測試集合J的每張圖像的實際標簽值：若實際標簽值為1，則為是脈沖星候選體圖像，否則，為是非脈沖星候選體圖像。

2.根據權利要求1所述方法，其特征在于，步驟1.1)中計算圖像的相對強度，按如下公式計算：

其中，λ為圖像的峰值強度，為圖像的平均強度。

3.根據權利要求1所述的方法，其特征在于，步驟(2)中搭建的卷積神經網絡模型，各層結構如下：

輸入層：由集合Q：{(Z₁,g₁),...,(Z_i,g_i),...,(Z_B,g_B)}中的{Z₁,...,Z_i,...,Z_B}構成，其中，Z_i代表集合Q中的第i張圖像，g_i代表集合Q中的第i張圖像的標簽值，i＝1,2,...,B,B為任意大于1的整數；

兩個卷積池化層：均由K個可學習的卷積核、K個可學習的偏置、一個Relu激活函數和一個Max-pooling池化函數構成，K為大于等于1的整數；

兩個全連接層：均由一個可學習的權重矩陣、一個可學習的偏置和一個Relu激活函數構成；

輸出層：由一個可學習的權重矩陣、一個可學習的偏置和一個SoftMax激活函數構成；

輸入層的每張圖像依次作為第一個卷積池化層的輸入量，第一個卷積池化層輸出量作為第二個卷積池化層的輸入量，第二個卷積池化層的輸出量經過一維展開后作為第一個全連接層的輸入量，第一個全連接層的輸出量作為第二全連接層的輸入量，第二個全連接層的輸出量作為輸出層的輸入量，輸出層輸出每張圖像的實際標簽值。