當(dāng)前有很多射電設(shè)備投入到脈沖星巡天觀測(cè),生成候選體圖像越來(lái)越多,其中大部分是背景噪聲或無(wú)用信息。人工識(shí)別方法效率低且主觀性強(qiáng),現(xiàn)有機(jī)器學(xué)習(xí)模型依賴于人工設(shè)計(jì)特征。本文的研究目的是:搭建高效的脈沖星候選體智能篩選模型且直接使用候選體圖像作為模型訓(xùn)練的樣本,實(shí)現(xiàn)直接對(duì)候選體圖像的識(shí)別分類。支持向量機(jī)（SVM）具有明確的數(shù)學(xué)解釋、無(wú)局部極小值問(wèn)題和泛化能力強(qiáng)等優(yōu)點(diǎn)。相比全連接神經(jīng)網(wǎng)絡(luò),卷積神經(jīng)網(wǎng)絡(luò)（CNN）有自動(dòng)提取圖像的有用信息且參數(shù)更少、復(fù)雜度更低的優(yōu)點(diǎn)。SVM和CNN在圖像分類任務(wù)中各有優(yōu)勢(shì),SVM具有很強(qiáng)的泛化性能,CNN具有學(xué)習(xí)樣本潛在共性的優(yōu)點(diǎn)。本文把它們分別應(yīng)用于脈沖星候選體篩選,具體研究?jī)?nèi)容如下:（1）數(shù)據(jù)集構(gòu)造。本文僅使用從CSIRO天文臺(tái)獲取的實(shí)測(cè)脈沖輪廓圖（灰度圖）作為樣本,共包含有21顆脈沖星的觀測(cè)圖像,包括單峰、雙峰脈沖星候選體圖（正類）和非脈沖星候選體圖（反類）,本文稱為原始圖。構(gòu)造由原始圖組成的訓(xùn)練集CT、測(cè)試集CV、總數(shù)據(jù)集CZ;構(gòu)造包含一維特征向量的訓(xùn)練集ST、測(cè)試集SV、總數(shù)據(jù)集SZ,其中一維特征向量由原始圖像經(jīng)單通道灰度化和一維展開(kāi)得到,總數(shù)據(jù)集中含有訓(xùn)... 

【文章來(lái)源】：西安電子科技大學(xué)陜西省 211工程院校 教育部直屬院校

【文章頁(yè)數(shù)】：87 頁(yè)

【學(xué)位級(jí)別】：碩士

【部分圖文】：

非脈沖星候選體圖像

中 5、7 為疑似脈沖星候選體的非脈沖星候選體圖像，8、9 為背景噪聲折疊而成的非脈沖星候選體圖像。圖3.1 部分候選體圖像[40]候選體樣本圖像總數(shù)有 6071 張，被分成脈沖星候選體和非脈沖星候選體兩類。

超平面 A 和 B 就是其中的兩個(gè)，但 LSVM 的目的是求解一個(gè)最優(yōu)超平面，使其間隔最大化。圖3.2 線性可分樣本集合 C給定樣本集合C ，通過(guò)間隔最大化問(wèn)題轉(zhuǎn)化為求解 CQP 問(wèn)題，學(xué)習(xí)得到的超平面為* *w x b 0(3-13)

【參考文獻(xiàn)】：
期刊論文
[1]脈沖星候選樣本分類方法綜述[J]. 王元超,鄭建華,潘之辰,李明濤.  深空探測(cè)學(xué)報(bào). 2018(03)

碩士論文
[1]基于深度學(xué)習(xí)的車輛跟蹤的研究[D]. 陳夢(mèng).南京郵電大學(xué) 2018
[2]基于深度學(xué)習(xí)的脈沖星識(shí)別系統(tǒng)設(shè)計(jì)與實(shí)現(xiàn)[D]. 孫利雷.貴州大學(xué) 2016



本文編號(hào)：2985590