[發(fā)明專利]基于卷積神經(jīng)網(wǎng)絡(luò)的脈沖星候選體識(shí)別方法

在審

• 申請(qǐng)?zhí)枺?/td>: 201811372382.5
• 申請(qǐng)日: 2018-11-16
• 公開（公告）號(hào): CN109508746A
• 公開（公告）日: 2019-03-22
• 發(fā)明（設(shè)計(jì)）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(xué)健
• 申請(qǐng)（專利權(quán)）人: 西安電子科技大學(xué)
• 主分類號(hào): G06K9/62
• 分類號(hào): G06K9/62;G06N3/04
• 代理公司: 陜西電子工業(yè)專利中心 61205
• 代理人: 王品華;朱紅星

本發(fā)明公開了一種基于卷積神經(jīng)網(wǎng)絡(luò)的脈沖星候選體識(shí)別方法，主要解決現(xiàn)有脈沖星識(shí)別方法依靠人工耗時(shí)費(fèi)力、傳統(tǒng)的機(jī)器學(xué)習(xí)方法識(shí)別速度慢且準(zhǔn)確率低的問題。其實(shí)現(xiàn)方案是：1、把巡天觀測數(shù)據(jù)處理成圖像并對(duì)每張圖像進(jìn)行二分類標(biāo)記，建立脈沖星候選體和非脈沖星候選體圖像的訓(xùn)練集合、驗(yàn)證集合和測試集合；2、搭建卷積神經(jīng)網(wǎng)絡(luò)模型；3、用訓(xùn)練集合對(duì)卷積神經(jīng)網(wǎng)絡(luò)模型進(jìn)行訓(xùn)練并用驗(yàn)證集合評(píng)價(jià)模型；4、用訓(xùn)練好的卷積神經(jīng)網(wǎng)絡(luò)識(shí)別測試集合中的每張圖像，輸出每張圖像的分類標(biāo)記，即脈沖星候選體圖像和非脈沖星候選體圖像。本發(fā)明復(fù)雜度低、訓(xùn)練耗時(shí)少、識(shí)別速度快，識(shí)別準(zhǔn)確率高，可用于對(duì)天文數(shù)據(jù)的處理。

技術(shù)領(lǐng)域

本發(fā)明屬于圖像處理技術(shù)領(lǐng)域，特別涉及是一種脈沖星候選體識(shí)別方法，可用于對(duì)天文數(shù)據(jù)的處理。

背景技術(shù)

隨著科學(xué)技術(shù)的進(jìn)步，射電望遠(yuǎn)鏡具有更高的時(shí)間和頻率分辨率，觀測到的脈沖星數(shù)據(jù)量呈現(xiàn)爆炸增長趨勢(shì)。如何有效快速的在海量的脈沖星觀測數(shù)據(jù)中識(shí)別脈沖星候選體，是天文機(jī)構(gòu)需要解決的問題。目前在脈沖星觀測數(shù)據(jù)中識(shí)別脈沖星候選體主要有兩種方法：

第一種方法是把觀測數(shù)據(jù)處理成圖像，人工逐張瀏覽圖像，把脈沖星候選體識(shí)別出來。

第二種方法是把觀測數(shù)據(jù)處理成圖像，然后對(duì)圖像進(jìn)行預(yù)處理，放入訓(xùn)練好的機(jī)器學(xué)習(xí)模型中，對(duì)圖像進(jìn)行識(shí)別分類。

對(duì)于以上兩種方法，第一種方法采用人工的方法識(shí)別，耗時(shí)費(fèi)工，效率很低。第二種方法采用機(jī)器學(xué)習(xí)的方法識(shí)別，訓(xùn)練模型很費(fèi)時(shí)，前期需要對(duì)要篩選的數(shù)據(jù)做預(yù)處理，模型識(shí)別準(zhǔn)確率不高。

隨著脈沖星巡天觀測設(shè)備性能的不斷提高，脈沖星巡天觀測數(shù)據(jù)越來越多，現(xiàn)有的方法已經(jīng)無法滿足在海量觀測數(shù)據(jù)中識(shí)別脈沖星候選體的要求。

發(fā)明內(nèi)容

本發(fā)明的目的在于針對(duì)上述現(xiàn)有技術(shù)的不足，提出一種基于卷積神經(jīng)網(wǎng)絡(luò)的脈沖星候選體識(shí)別方法，以在海量脈沖星巡天觀測數(shù)據(jù)中快速、準(zhǔn)確的識(shí)別出脈沖星候選體。

為實(shí)現(xiàn)上述目的，本發(fā)明的技術(shù)方案包括如下：

(1)構(gòu)建三種數(shù)據(jù)集：

1.1)從脈沖星巡天觀測數(shù)據(jù)中，利用澳大利亞國家天文臺(tái)CSIRO的開源軟件tempo2生成M張圖像，計(jì)算每張圖像的相對(duì)強(qiáng)度h：

1.2)設(shè)置相對(duì)強(qiáng)度閾值ε，將每張圖像的相對(duì)強(qiáng)度h與相對(duì)強(qiáng)度閾值ε進(jìn)行比較：如果h大于ε，則將圖像的理想標(biāo)簽值設(shè)置為1，反之設(shè)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(jù)1.2)的結(jié)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(biāo)簽值，m＝1,2,...,M；

1.4)在集合C中隨機(jī)選取E個(gè)元素作為訓(xùn)練集合T，再從集合C剩余部分選取R個(gè)元素作為驗(yàn)證集合D，再把剩余的N個(gè)元素作為測試集J，其中E+R+N＝M；

(2)在Google開源的深度學(xué)習(xí)框架tensorflow上搭建一個(gè)具有輸入層、兩個(gè)卷積池化層、兩個(gè)全連接層及一個(gè)輸出層的卷積神經(jīng)網(wǎng)絡(luò)模型；

(3)將卷積神經(jīng)網(wǎng)絡(luò)模型的兩個(gè)卷積池化層、兩個(gè)全連接層和輸出層的可學(xué)習(xí)參數(shù)均用截?cái)嗾龖B(tài)分布進(jìn)行初始化；

(4)使用訓(xùn)練集合T對(duì)(2)搭建的卷積神經(jīng)網(wǎng)絡(luò)模型進(jìn)行訓(xùn)練，得到訓(xùn)練好的卷積神經(jīng)網(wǎng)絡(luò)模型；