[發明專利]基于混合監督神經網絡結構搜索的宇宙學參數估計方法

在審

• 申請號: 202211425715.2
• 申請日: 2022-11-15
• 公開（公告）號: CN115758880A
• 公開（公告）日: 2023-03-07
• 發明（設計）人: 盧宇彤;文英鵬;鄭馥丹;黃聃;陳志廣
• 申請（專利權）人: 中山大學
• 主分類號: G06F30/27
• 分類號: G06F30/27;G06N3/0464;G06N3/09
• 代理公司: 深圳市創富知識產權代理有限公司 44367
• 代理人: 范偉民

1.基于混合監督神經網絡結構搜索的宇宙學參數估計方法，其特征在于，包括以下步驟：

根據搜索空間的操作模塊構建宇宙學參數估計模型的超網絡；

基于梯度下降法，對宇宙學參數估計模型的超網絡進行混合監督訓練，搜索得到宇宙學參數估計模型的結構；

基于梯度下降法，對宇宙學參數估計模型的結構進行訓練并優化，得到最優宇宙學參數估計模型；

通過最優宇宙學參數估計模型進行宇宙學參數的估計，所述宇宙學參數包括暗物質比率、原始功率譜指數和物質超密度方差。

2.根據權利要求1所述基于混合監督神經網絡結構搜索的宇宙學參數估計方法，其特征在于，所述根據搜索空間的操作模塊構建宇宙學參數估計模型的超網絡這一步驟，其具體包括：

定義搜索空間，所述搜索空間包括頭部固定模塊、尾部固定模塊和操作模塊；

對操作模塊進行混合連接處理，構建搜索主干模塊；

對頭部固定模塊、搜索主干模塊和尾部固定模塊進行依次連接處理，構建宇宙學參數估計模型的超網絡。

3.根據權利要求2所述基于混合監督神經網絡結構搜索的宇宙學參數估計方法，其特征在于，所述模型權重優化的計算公式如下所示：

上式中，表示超網絡的權重，表示架構的集合，表示損失函數，x表示輸入的數據，y表示標簽，表示最優模型權重。

4.根據權利要求3所述基于混合監督神經網絡結構搜索的宇宙學參數估計方法，其特征在于，所述模型結構優化的計算公式如下所示：

上式中，表示超網絡的權重，表示架構的集合，表示一個架構，表示損失函數，α^*表示最優模塊結構。

5.根據權利要求4所述基于混合監督神經網絡結構搜索的宇宙學參數估計方法，其特征在于，所述基于梯度下降法，對宇宙學參數估計模型的結構進行訓練并優化，得到最優宇宙學參數估計模型這一步驟，其具體包括：

輸入數據，對數據依次進行旋轉和裁剪操作處理并輸入至宇宙學參數估計模型，所述數據為基于Hdfs文件中的LLS數據；

基于宇宙學參數估計模型，對輸入數據的輸出數據與標簽進行全監督損失計算，得到數據的誤差損失值；

將數據分別輸入至在線網絡和目標網絡，對輸入數據進行自監督損失計算，得到自我監督的誤差值；

對數據的誤差損失值與自我監督的誤差值進行求和計算，得到計算結果；

根據計算結果對宇宙學參數估計模型進行逐塊優化，得到最優宇宙學參數估計模型。

6.根據權利要求5所述基于混合監督神經網絡結構搜索的宇宙學參數估計方法，其特征在于，所述混合監督訓練的表達式具體如下所示：

上式中，表示預測和標簽的MSELoss函數，表示在線網絡和目標網絡的MSELoss函數，表示在線網絡權重，α表示模型結構，x表示輸入的數據，y表示標簽，表示目標網絡。

7.根據權利要求6所述基于混合監督神經網絡結構搜索的宇宙學參數估計方法，其特征在于，所述通過最優宇宙學參數估計模型進行宇宙學參數的估計這一步驟，其具體包括：

將宇宙學參數輸入至最優宇宙學參數估計模型，所述最優宇宙學參數估計模型包括頭部固定模塊、搜索主干模塊和尾部固定模塊；

基于頭部固定模塊對宇宙學參數進行初步特征提取處理，得到初步的特征數據；

基于搜索主干模塊對初步的特征數據進行映射處理，得到宇宙學參數特征數據；

基于尾部固定模塊對宇宙學參數特征值進行回歸處理，得到宇宙學參數的估計值。