分子云團(tuán)塊是恒星的誕生地.分子團(tuán)塊的普查和其性質(zhì)的全面研究將有助于了解恒星的形成乃至星系和宇宙的演化過程.隨著銀河畫卷計(jì)劃(MWISP)項(xiàng)目的深入進(jìn)行,這類研究方案變得切實(shí)可行.但是項(xiàng)目產(chǎn)生的分子云觀測(cè)數(shù)據(jù)是海量的,因此迫切需要一種能夠自動(dòng)識(shí)別和證認(rèn)分子團(tuán)塊的方法.目前應(yīng)用廣泛的3維分子云數(shù)據(jù)處理方法有很多,典型的包括Gauss Clumps、Clump Find、Fell Walker、Reinhold等,但都需要輸入多個(gè)參數(shù)來控制它們的性能,并且進(jìn)行反復(fù)的參數(shù)優(yōu)化和目測(cè)才能得到比較滿意的結(jié)果.對(duì)于大規(guī)模的觀測(cè)數(shù)據(jù),利用現(xiàn)有方法進(jìn)行分子團(tuán)塊的證認(rèn)將是一項(xiàng)耗時(shí)耗力的任務(wù).為了克服傳統(tǒng)分子云團(tuán)塊檢測(cè)算法的局限性,人工智能(AI)的方法將提供一個(gè)很好的解決方案.提出了一種3D CNN (Convolutional Neural Network)方法,它可以自動(dòng)處理3D分子譜線數(shù)據(jù),整個(gè)過程分為檢出和驗(yàn)證兩個(gè)步驟.首先,通過設(shè)置較低閾值使用Clump Find以檢出候選對(duì)象,然后通過訓(xùn)練好的3D CNN模型進(jìn)行驗(yàn)證.利用仿真數(shù)據(jù)所做的一系列的實(shí)驗(yàn)結(jié)果表明,該方法的綜合表現(xiàn)優(yōu)于4種傳統(tǒng)方法.將...

【文章頁(yè)數(shù)】：14 頁(yè)

【文章目錄】：
1 Introduction
2 Method
    2.1 Detection process
    2.2 CNN model
3 Experiments
    3.1 Experimental data set
    3.2 Experimental parameter setting
    3.3 Scoring the performance
    3.4 The results for the simulated data
    3.5 Testing for real data
4 Conclusion



本文編號(hào)：3886421