[發明專利]一種基于無監督機器學習的天文圖像自動化分類方法及系統

有效

• 申請號: 202110853849.3
• 申請日: 2021-07-28
• 公開（公告）號: CN113723456B
• 公開（公告）日: 2023-10-17
• 發明（設計）人: 鄒志強;韓楊;吳家皋;張芷瑞;洪舒欣
• 申請（專利權）人: 南京郵電大學
• 主分類號: G06V10/764
• 分類號: G06V10/764;G06V10/762;G06V10/40;G06V10/82;G06N3/0464;G06N3/08
• 代理公司: 南京縱橫知識產權代理有限公司 32224
• 代理人: 王麗霞

1.一種基于無監督機器學習的天文圖像自動化分類方法，其特征在于，包括：

對待分類天文圖像數據進行預處理；

將預處理后的天文圖像數據輸入訓練好的卷積自編碼網絡模型，提取天文圖像特征，得到天文圖像特征集；

將得到的天文圖像特征集輸入圖像特征聚類模型，輸出每個天文圖像屬于每個聚類簇的概率；

對已經聚類成簇的天文圖像進行人工打分，得到每個聚類簇屬于每個類的概率；

將每個天文圖像屬于每個聚類簇的概率與每個聚類簇屬于每個類的概率相乘，得到每個天文圖像屬于每個類的概率，再通過閾值篩選完成分類。

2.根據權利要求1所述的一種基于無監督機器學習的天文圖像自動化分類方法，其特征在于，所述卷積自編碼網絡模型包括編碼器和解碼器，所述編碼器包括依次連接的輸入層、第一卷積層、第一注意力模塊、第一下采樣層、第二卷積層、第二注意力模塊、第二下采樣層、第三卷積層、第三注意力模塊、第三下采樣層、第四卷積層、第四注意力模塊、第四下采樣層；所述解碼器包括依次連接的第一隱藏層、第二隱藏層、第三隱藏層、第四隱藏層、第五隱藏層、reshape層、第五卷積層、第一上采樣層、第六卷積層、第二上采樣層、第七卷積層、第三上采樣層、第八卷積層和輸出層，其中各卷積層使用ReLU激活函數，第四卷積層和第八卷積層使用Sigmoid激活函數。

3.根據權利要求2所述的一種基于無監督機器學習的天文圖像自動化分類方法，其特征在于，所述第一卷積層包含128個4*4的卷積核，第二卷積層包含64個4*4的卷積核，第三卷積層包含32個3*3的卷積核，第四卷積層包含16個3*3的卷積核，第五卷積層包含32個3*3的卷積核，第六卷積層包含32個3*3的卷積核，第七卷積層包含64個4*4的卷積核，第八卷積層包含3個4*4的卷積核，第一下采樣層、第二下采樣層、第三下采樣層、第四下采樣層、第一上采樣層、第二上采樣層、第三上采樣層的大小均為2*2，第一隱藏層包含128個神經元節點，第二隱藏層包含64個神經元節點，第三隱藏層包含32個神經元節點，第四隱藏層包含64個神經元節點，第五隱藏層包含128個神經元節點。

4.根據權利要求1所述的一種基于無監督機器學習的天文圖像自動化分類方法，其特征在于，所述卷積自編碼網絡模型的訓練方法包括：

獲取一組天文圖像數據；

對獲取到的一組天文圖像數據進行預處理；

以預處理后的天文圖像數據為訓練數據集，以交叉熵損失函數為目標函數，以目標函數值趨于最小為目標，通過Adam優化算法進行參數尋優，訓練得到所述卷積自編碼網絡模型。

5.根據權利要求4所述的一種基于無監督機器學習的天文圖像自動化分類方法，其特征在于，所述對獲取到的一組天文圖像數據進行預處理，包括：對所述一組天文圖像數據中每個天文圖像進行中心點裁剪、隨機裁剪、降維。

6.根據權利要求5所述的一種基于無監督機器學習的天文圖像自動化分類方法，其特征在于，所述對獲取到的一組天文圖像數據進行預處理，還包括：當經中心點裁剪、降維后某個天文圖像對應類別的天文圖像樣本數量不足時，將經中心點裁剪、降維后得到的該天文圖像進行隨機翻轉，得到新的天文圖像，并加入至訓練數據集中。