[发明专利]基于卷积神经网络的脉冲星候选体识别方法

权利要求书

1.一种基于卷积神经网络的脉冲星候选体识别方法，其特征在于，包括如下：

(1)构建三种数据集：

1.1)从脉冲星巡天观测数据中，利用联邦科学与工业研究组织CSIRO的开源软件tempo2生成M张图像，计算每张图像的相对强度h：

1.2)设置相对强度阈值ε，将每张图像的相对强度h与相对强度阈值ε进行比较：如果h大于ε，则将图像的理想标签值设置为1，反之设置为0，并令1代表脉冲星候选体图像，0代表是非脉冲星候选体图像；

1.3)根据1.2)的结果，将M张图像用集合C表示为：

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

其中X_m代表第m张图像，y_m代表第m张图像的标签值，m＝1,2,...,M；

1.4)在集合C中随机选取E个元素作为训练集合T，再从集合C剩余部分选取R个元素作为验证集合D，再把剩余的N个元素作为测试集J，其中E+R+N＝M；

(2)在Google开源的深度学习框架tensorflow上搭建一个具有输入层、两个卷积池化层、两个全连接层及一个输出层的卷积神经网络模型；

(3)将卷积神经网络模型的两个卷积池化层、两个全连接层和输出层的可学习参数均用截断正态分布进行初始化；

(4)使用训练集合T对(2)搭建的卷积神经网络模型进行训练，得到训练好的卷积神经网络模型；

(5)对训练好的卷积神经网络模型进行评价，选出脉冲星候选体的识别模型：

5.1)把验证集合D中的图像依次输入到(4)中训练好的模型中，得到验证集合D的每张图像的实际标签值：

5.2)根据每张图像实际标签值和1.3)得到的理想标签值，计算验证集合的准确率accu_验，并将计算验证集合的准确率accu_验与设定的准确率阈值ε_验进行比较：若accu_验≥ε_验，则将当前模型作为脉冲星候选体的识别模型，执行(6)，否则，返回(3)继续训练模型；

(6)把测试集合J中的图像依次输入脉冲星候选体的识别模型中，得到测试集合J的每张图像的实际标签值：若实际标签值为1，则为是脉冲星候选体图像，否则，为是非脉冲星候选体图像。

2.根据权利要求1所述方法，其特征在于，步骤1.1)中计算图像的相对强度，按如下公式计算：

其中，λ为图像的峰值强度，为图像的平均强度。

3.根据权利要求1所述的方法，其特征在于，步骤(2)中搭建的卷积神经网络模型，各层结构如下：

输入层：由集合Q：{(Z₁,g₁),...,(Z_i,g_i),...,(Z_B,g_B)}中的{Z₁,...,Z_i,...,Z_B}构成，其中，Z_i代表集合Q中的第i张图像，g_i代表集合Q中的第i张图像的标签值，i＝1,2,...,B,B为任意大于1的整数；

两个卷积池化层：均由K个可学习的卷积核、K个可学习的偏置、一个Relu激活函数和一个Max-pooling池化函数构成，K为大于等于1的整数；

两个全连接层：均由一个可学习的权重矩阵、一个可学习的偏置和一个Relu激活函数构成；

输出层：由一个可学习的权重矩阵、一个可学习的偏置和一个SoftMax激活函数构成；

输入层的每张图像依次作为第一个卷积池化层的输入量，第一个卷积池化层输出量作为第二个卷积池化层的输入量，第二个卷积池化层的输出量经过一维展开后作为第一个全连接层的输入量，第一个全连接层的输出量作为第二全连接层的输入量，第二个全连接层的输出量作为输出层的输入量，输出层输出每张图像的实际标签值。