[发明专利]一种基于集成学习的脉冲星候选体识别方法

权利要求书

1.一种基于集成学习的脉冲星候选体识别方法，其特征在于，所述方法包括如下步骤：

获取脉冲星的子图像；所述脉冲星的子图像包括脉冲星轮廓图、脉冲星相位图、脉冲星周期和色散度值、脉冲星色散度曲线图；

使用脉冲星的子图像进行对应子模型的训练；根据训练好的各子模型的权重对各子模型进行加权，构建综合识别模型；

将待测目标的子图像输入综合识别模型中，进行脉冲星候选体识别；所述待测目标的子图像包括待测目标轮廓图、待测目标相位图、待测目标周期和色散度值、待测目标色散度曲线图。

2.根据权利要求1所述的基于集成学习的脉冲星候选体识别方法，其特征在于，所述方法还包括：

根据脉冲星数据，生成脉冲星的多特征图像；分割脉冲星的多特征图像，生成脉冲星的子图像。

根据待测目标数据，生成待测目标的多特征图像；分割待测目标的多特征图像，生成待测目标的子图像。

3.根据权利要求2所述的基于集成学习的脉冲星候选体识别方法，其特征在于，所述方法还包括，使用脉冲星数据处理软件PSRCHIVE处理待测目标数据，获取待测目标的多特征图像。

4.根据权利要求2所述的基于集成学习的脉冲星候选体识别方法，其特征在于，对脉冲星的多特征图像和待测目标的多特征图像进行分割的软件包括MATLAB软件。

5.根据权利要求2所述的基于集成学习的脉冲星候选体识别方法，其特征在于，在分割脉冲星的多特征图像之前，方法还包括对脉冲星的多特征图像进行灰度化处理；在分割待测目标的多特征图像前，方法还包括对待测目标的多特征图像进行灰度化处理。

6.根据权利要求5所述的基于集成学习的脉冲星候选体识别方法，其特征在于，对脉冲星的多特征图像和待测目标的多特征图像进行灰度化处理的软件为MATLAB软件。

7.根据权利要求1所述的基于集成学习的脉冲星候选体识别方法，其特征在于，所述子模型包括：

用于进行脉冲星轮廓图识别的基于深度卷积网络和支持向量机的轮廓图识别模型；

用于进行脉冲星相位图识别的基于深度卷积生成对抗网络和支持向量机的相位图识别模型；

用于进行脉冲星周期和色散度值识别的基于深度卷积网络和随机森林的周期和色散度值识别模型；

用于进行脉冲星色散度曲线图识别的基于深度卷积生成对抗网络和支持向量机的色散度曲线图识别模型。

8.根据权利要求1所述的基于集成学习的脉冲星候选体识别方法，其特征在于，所述综合识别模型的表达式为：

T＝F(a₁M1(I₁)+a₂M2(I₂)+a₃M3(I₃)+a₄M4(I₄))

式中，F为判别函数，T为判别结果，其值为1或0，判别结果为1表示测试目标是脉冲星，判别函数值为0表示测试目标不是脉冲星；

M_i(i＝1,2,3,4)为第i个子模型的指示函数；I_i(i＝1,2,3,4)为第i个子模型的指示函数的特征数据；a_i为第i个子模型识别权重系数，a_i为0到1之间的实数。