發(fā)布時間：2021-01-23 05:05

　　脈沖星是高度磁化的旋轉中子星,具有體積小、密度大等特點。脈沖星的發(fā)現(xiàn)在物理和天文學領域都有著重大的意義。隨著人工智能技術的發(fā)展,基于深度學習的圖像識別方法被越來越多地用于脈沖星候選的識別。然而,脈沖星候選體數(shù)據(jù)集具有極端不平衡以及正類樣本匱乏等特征,導致傳統(tǒng)識別方法表現(xiàn)出模型偏移、效果不佳等現(xiàn)象;另外,這類方法需要大量的標簽樣本,這對脈沖星候選體數(shù)據(jù)集來說也是難以實現(xiàn)的。基于此,本文從生成對抗網(wǎng)絡（GANs）的角度出發(fā),探索非平衡數(shù)據(jù)集以及小規(guī)模數(shù)據(jù)集的圖像識別與半監(jiān)督學習問題。論文的主要工作與創(chuàng)新包含以下四個方面:（1）提出一種基于輔助分類器生成對抗網(wǎng)絡（ACGAN）的圖像識別模型CP-ACGAN。ACGAN是基于GANs提出的一種樣本可控性生成模型,同時它也能預測樣本的標簽。但當把該模型用于圖像分類時,卻表現(xiàn)出收斂速度慢、識別效果差等現(xiàn)象。經(jīng)分析認為這是由判別器的輸出層網(wǎng)絡結構以及模型損失函數(shù)導致的。因此,通過改進網(wǎng)絡結構,重構損失函數(shù)以及引入樣本生成與樣本分類之間的權重因子,提出了一種新的圖像識別模型CP-ACGAN。該模型能有效地利用生成樣本補充訓練樣本的多樣性,從而提高圖像識... 

【文章來源】：貴州師范大學貴州省

【文章頁數(shù)】：113 頁

【學位級別】：博士

【文章目錄】：
中文摘要
英文摘要
第一章 緒論
    1.1 選題背景及意義
    1.2 國內外相關研究現(xiàn)狀
    1.3 研究內容
    1.4 論文結構
第二章 生成對抗網(wǎng)絡
    2.1 卷積神經(jīng)網(wǎng)絡
        2.1.1 人工神經(jīng)網(wǎng)絡
        2.1.2 卷積神經(jīng)網(wǎng)絡
    2.2 生成對抗網(wǎng)絡及其改進模型
第三章 基于輔助分類器生成對抗網(wǎng)絡的圖像識別
    3.1 ACGAN模型分析
    3.2 圖像識別模型CP-ACGAN
        3.2.1 模型構造
        3.2.2 損失函數(shù)
    3.3 CP-ACGAN模型實驗與結果分析
        3.3.1 實驗數(shù)據(jù)與參數(shù)設置
        3.3.2 圖像識別
        3.3.3 超參數(shù)分析
第四章 基于生成對抗網(wǎng)絡的半監(jiān)督學習
    4.1 背景介紹
    4.2 半監(jiān)督學習模型SSL-ATJD
        4.2.1 模型提出
        4.2.2 模型收斂性分析
        4.2.3 模型訓練
    4.3 SSL-ATJD模型實驗與結果分析
        4.3.1 實驗數(shù)據(jù)與實驗平臺
        4.3.2 網(wǎng)絡層結構與超參數(shù)
        4.3.3 半監(jiān)督分類
        4.3.4 半監(jiān)督生成
    4.4 基于對抗訓練的圖像識別模型ICAT
        4.4.1 模型構造
        4.4.2 理論分析
        4.4.3 模型訓練
    4.5 ICAT模型實驗與結果分析
        4.5.1 網(wǎng)絡層結構與超參數(shù)
        4.5.2 圖像分類
        4.5.3 生成樣本可控性分析
第五章 脈沖星候選體識別
    5.1 脈沖星信號的搜索與判別
        5.1.1 脈沖星信號的搜索
        5.1.2 脈沖星候選體判別
    5.2 脈沖星候選體數(shù)據(jù)集與評價指標
        5.2.1 脈沖星候選體數(shù)據(jù)集
        5.2.2 評價指標
    5.3 基于CP-ACGAN、ICAT的脈沖星候選體識別
        5.3.1 模型結構與超參數(shù)
        5.3.2 HTRU上的實驗結果分析
        5.3.3 FAST上的實驗結果分析
    5.4 基于SSL-ATJD的脈沖星候選體識別
第六章 總結與展望
    6.1 本文總結
    6.2 展望
參考文獻
致謝
攻讀博士期間主要研究成果



本文編號：2994610