隨著觀測技術的進步、觀測儀器的發(fā)展,大天區(qū)星系圖像巡天計劃如斯隆數(shù)字巡天(Sloan Digital Sky Survey,SDSS),COSMOS 巡天(Cosmic Evolution Survey,COSMOS)等逐步實施,星系觀測數(shù)據(jù)呈現(xiàn)爆炸式增長趨勢,新興觀測手段使得天文學邁入“大數(shù)據(jù)”時代。在星系物理研究方面,海量數(shù)據(jù)使得人工進行大規(guī)模星系形態(tài)分類已經(jīng)絕無可能。如何在自動、快速、高效、準確地區(qū)分星系大規(guī)模樣本不同形態(tài)的同時,從海量、高維數(shù)據(jù)中挖掘隱含的信息,甚至是發(fā)現(xiàn)新的科學問題是當前一項意義非凡而又充滿挑戰(zhàn)的任務�；趥鹘y(tǒng)機器學習的星系形態(tài)分類方法,需要復雜的特征工程,需要領域知識精巧地設計和提取特征,特征提取的好壞直接決定了最后分類器的分類性能,主觀性較強。深度學習可以自動找出復雜且有效的高階特征,避免了人工提取特征的繁瑣過程和主觀性造成的分類問題。本文在比較分析了 AlexNet、VGG、Inception 和 ResNet 等經(jīng)典卷積神經(jīng)網(wǎng)絡(Convolutional Neural Network,CNN)的基礎上,提出了一種基于改進的深度卷積神經(jīng)網(wǎng)絡的星系形態(tài)分...

【文章頁數(shù)】：76 頁

【學位級別】：碩士

【部分圖文】：

圖１．１?Ｄｉｅｌｅｍａｎ結構圖??Ｆｉｇｕｒｅ?１．１?Ｓｃｈｅｍａｔｉｃ?ｏｖｅｒｖｉｅｗ?ｏｆ?Ｄｉｅｌｅｍａｎ??

包括４層卷積層（每層卷積核大小分別為６ｘ６、５ｘ５、３ｘ３和??３?ｘ?３）和３個全連接層（每層神經(jīng)元數(shù)量為２０１８、２０４８和３７）?（Ｄｉｅｌｅｍａｎ模型??見圖１．１），總計４２００萬參數(shù)，以５萬多張星系圖片為訓練集，進行模型訓練，??３??

圖２．１哈勃序列??Ｆｉｇｕｒｅ、２．１?＇＂Ｈｕｂｂｌｅ?ｔｕｎｉｎｇ－ｆｏｒｋ＇＇?ｇａｌａｘｙ?ｃｌａｓｓｉｆｉｃａｔｉｏｎ?ｓｃｈｏｉｎ（＇［ＥＳＡ／Ｈｕｌ）ｂｌｒ｜??

２．１目視分類系統(tǒng)??直接憑借眼睛來對星系的形態(tài)進疔分類，稱為目視分類系統(tǒng)。目視分類系統(tǒng)??中最著名的是１９２６年哈勃提出的“哈勃序列”，又稱“哈勃音叉圖”，如圖２．１所??示。他憑借不到４００張星系圖像，對星系形態(tài)進行了分類（Ｕｕｌ山ｌｅ，１９２Ｇ）。隨后，??一系列工作對哈勃....

圖３．１?Ｎ層前饋神經(jīng)網(wǎng)絡示意圖??Ｆｉｇｕｒｅ?３．１?Ｓｃｈｅｍａｔｉｃ?ｒｅｐｒｅｓｅｎｔａｔｉｏｎ?ｏｆ?ａ?ｆｅｅｄ－ｆｏｒｗａｒｄ?ｎｅｕｒａｌ?ｎｅｔｗｏｒｋ?ｗｉｔｈ?Ｎ?ｌａｙｅｒｓ??

的交互反應（Ｋｏｈｏｎｅｎ，１９８８；周志華，２０１６）。??—個簡單的?Ｎ?層前饋神經(jīng)網(wǎng)絡（Ｍｕｌｔｉ－ｌａｙｅｒ?Ｆｅｅｄｆｏｒｗａｒｄ?Ｎｅｕｒａｌ?Ｎｅｔｗｏｒｋ）??示意圖如圖３．１所示。網(wǎng)絡分為輸入層、隱藏層和輸出層。其中，ｌａｙｅｒ?１到ｌａｙｅｒ??Ｘ－１為隱藏層....

圖３．２各種激活函數(shù)曲線圖??Ｆｉｇｕｒｅ?３．２?Ａｃｔｉｖａｔｉｏｎ?ｆｕｎｃｔｉｏｎ?ｃｕｒｖｅ??

?〇?ｒＶ?ｌａｙｅｒ?１?（ｈｉｄｄｅｎ）??ｌＳ＾?＾?Ｙ?＾?＾?Ｘｌ?＝，（Ｗ丨ｘ〇?＋?ｈ）??｜ｘ〇??ｉｎｐｕｔ??圖３．１?Ｎ層前饋神經(jīng)網(wǎng)絡示意圖??Ｆｉｇｕｒｅ?３．１?Ｓｃｈｅｍａｔｉｃ?ｒｅｐｒｅｓｅｎｔａｔｉｏｎ?ｏｆ?ａ?ｆｅｅｄ－ｆｏｒｗａｒｄ?ｎｅｕ....

本文編號：3950450