[发明专利]基于卷积神经网络的脉冲星候选体识别方法

摘要

本发明公开了一种基于卷积神经网络的脉冲星候选体识别方法，主要解决现有脉冲星识别方法依靠人工耗时费力、传统的机器学习方法识别速度慢且准确率低的问题。其实现方案是：1、把巡天观测数据处理成图像并对每张图像进行二分类标记，建立脉冲星候选体和非脉冲星候选体图像的训练集合、验证集合和测试集合；2、搭建卷积神经网络模型；3、用训练集合对卷积神经网络模型进行训练并用验证集合评价模型；4、用训练好的卷积神经网络识别测试集合中的每张图像，输出每张图像的分类标记，即脉冲星候选体图像和非脉冲星候选体图像。本发明复杂度低、训练耗时少、识别速度快，识别准确率高，可用于对天文数据的处理。

主权项

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),...,(Xm,ym),...,(XM,yM)}，其中Xm代表第m张图像，ym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。