CN109102022B - 一种基于支持向量机的光变曲线分类方法 - Google Patents
一种基于支持向量机的光变曲线分类方法 Download PDFInfo
- Publication number
- CN109102022B CN109102022B CN201810914812.5A CN201810914812A CN109102022B CN 109102022 B CN109102022 B CN 109102022B CN 201810914812 A CN201810914812 A CN 201810914812A CN 109102022 B CN109102022 B CN 109102022B
- Authority
- CN
- China
- Prior art keywords
- star
- data
- poor
- classification model
- light change
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Active
Links
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
- G06F18/2411—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on the proximity to a decision surface, e.g. support vector machines
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
Landscapes
- Engineering & Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Theoretical Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Artificial Intelligence (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Investigating Or Analysing Materials By Optical Means (AREA)
- Spectrometry And Color Measurement (AREA)
Abstract
本发明公开了一种基于支持向量机的光变曲线分类方法,包括:步骤10)采集光变曲线数据与光变曲线类型;步骤20)对采集的光变曲线数据进行预处理;步骤30)根据预处理后的光变曲线数据,构建待分析数据集,并将所述数据集分为训练集和测试集;步骤40)设置支持向量机的核函数和惩罚系数,利用构建的训练集训练初始分类模型,得到训练后的分类模型,并利用构建的测试集对训练后的分类模型进行正确率测试,将正确率达到设定阈值的训练后的分类模型作为最终的分类模型;步骤50)利用最终的分类模型对光变曲线进行分类。该方法对噪声信号具有较强的抗干扰能力,分类更加准确,同时能检测出异常的光变曲线类型。
Description
技术领域
本发明涉及天文数据观测与分析领域,具体来说,涉及一种基于支持向量机的光变曲线分类方法。
背景技术
长期以来,天文学研究途径在光学波段主要有光谱和图像两种。传统的研究方式为人工选择若干个目标,跟踪拍摄,数据处理和分析。这种研究方式效率较低,天文界长期处于数据匮乏状态。在信息与计算技术等新兴科技的驱动下,天文学研究领域已从传统的少目标观测和手工处理数据模式转向数据密集型时代,大量的巡天项目开展为天文学研究提供了大量的数据,如ROTSE、ASAS、SuperWAS、MACHO、OGLE、SDSS、LAMOST、和Kepler等。这些项目均利用电脑自动化技术,在观测完成后实时进行数据处理,给出可被天文学家直接使用的光谱数据和测光数据。
面对放出的海量天文数据,天文学家无法再用传统的人工方式研究,必须借助计算机的自动处理技术对海量数据进行分析和筛选,从中找出有用的信息。天文学中双星的研究对认识星团、星系甚至宇宙的形成和演化具有极其重要的理论意义。双星光变曲线数据是双星研究不可或缺的资料。通过确定光变曲线类型可以确定变星中双星的相互位置关系,从而确定分析模型。Kepler使用多项式拟合光变曲线,根据拟合后的曲线的主极小和次极小的宽度和深度给出光变曲线类型;ASAS和ROTES均使用傅里叶变换提取光变曲线数据的频率特征,根据所得频率值中的直流、2阶和4阶频率分量之间比例关系进行分类,由于使用特征量较少,容易受到仪器测试误差、天气原因等引起的数据波动影响,对于异常天文现象对应异常光变曲线缺乏识别能力。
发明内容
技术问题:本发明所要解决的技术问题是,提供一种基于支持向量机的光变曲线分类方法,该方法对噪声信号具有较强的抗干扰能力,分类更加准确,同时能检测出异常的光变曲线类型。
技术方案:为解决上述技术问题,本发明采用的技术方案是:
一种基于支持向量机的光变曲线分类方法,包括以下步骤:
步骤10)采集光变曲线数据与光变曲线类型;其中,光变曲线数据是星体随时间的亮度变化数据;
步骤20)对步骤10)采集的光变曲线数据进行预处理,使得光变曲线数据在横坐标上的分布间隔相等,纵坐标的范围为[0,1];
步骤30)根据所述步骤20)预处理后的光变曲线数据,构建待分析数据集,并将所述数据集分为训练集和测试集;
步骤40)设置支持向量机的核函数和惩罚系数,利用步骤30)构建的训练集训练初始分类模型,得到训练后的分类模型,并利用步骤30)构建的测试集对训练后的分类模型进行正确率测试,将正确率达到设定阈值的训练后的分类模型作为最终的分类模型;
步骤50)利用步骤40)中最终的分类模型对待分类的光变曲线进行分类。
作为优选例,所述步骤20)中:光变曲线数据的表示方法为,横坐标为相位,范围为[0,1];纵坐标为较差星等;
所述步骤20)包括:
步骤201)通过式(1)对光变曲线数据的纵坐标进行归一化处理,将纵坐标的较差星等归一化到[0,1]之间:
其中,m'表示归一化后的较差星等,m表示原始较差星等,mmin表示较差星等最低值,mmax表示较差星等最高值;
步骤202)利用均值滤波方法和线性插值方法,使得横坐标分布均匀:将横坐标从0到1均匀分为n段,若第k段相位范围内,即范围内,归一化后的较差星等m'的数量b=1,则采用归一化后的较差星等m'作为预处理最终较差星m″;若b>1,则采用均值滤波算法获得预处理最终较差星,如式(2)所示;
其中,m″表示预处理最终较差星等,m′i表示第i个归一化后的较差星等;
若b=0,则采用前后相位空间内的亮度值线性插值法获得预处理最终较差星等,如式(3)所示:
其中,m″k表示第k段相位范围的预处理最终较差星等,m″k-1表示第k-1段相位范围的预处理最终较差星等,m″k+1表示第k+1段相位范围的预处理最终较差星等。
作为优选例,所述n为50—300之间的整数。
作为优选例,所述步骤30)包括:采用快速傅里叶变换算法从步骤20)预处理后的光变曲线数据中提取频率信息,将光变曲线数据由时域信号变为频率信号;从所述频率信号中提取前d项作为特征值,以及步骤10)获取的光变曲线类型,组成待分析数据集;所述待分析数据集表示为{f1、f2、…、fd、T},其中,f代表频率信息分量,T代表光变曲线类型,f1表示频率信号中的第一个频率,f2表示频率信号中的第二个频率,fd表示频率信号中的第d个频率。
作为优选例,所述d为2—20之间的整数。
作为优选例,所述步骤40)中,对训练后的分类模型进行正确率测试时,当正确率没有达到设定阈值时,重复步骤40),并修改核函数和惩罚系数,直到正确率达到设定阈值。
作为优选例,所述步骤40)中,训练初始分类模型中,当选择核函数linear时,惩罚因子设置为1.8-2.5;当选择核函数rbf时,惩罚因子设置为3.0-5.0。
作为优选例,所述训练集和测试集的数据量之间比例在0.2—0.8之间。
作为优选例,所述步骤50)中,对待分类的光变曲线进行步骤20)的预处理后,再利用最终的分类模型对待分类的光变曲线进行分类。
有益效果:与现有技术相比,本发明实施例的方法对噪声信号具有较强的抗干扰能力,分类更加准确,同时能检测出异常的光变曲线类型。本实施例的方法包括:对采集的光变曲线数据进行预处理;根据预处理后的光变曲线数据,构建待分析数据集;设置支持向量机的核函数和惩罚系数,利用训练集训练初始分类模型,得到训练后的分类模型,并利用构建的测试集对训练后的分类模型进行正确率测试,将正确率达到设定阈值的训练后的分类模型作为最终的分类模型;利用最终的分类模型对光变曲线进行分类。现有的Kepler望远镜使用多项式拟合光变曲线,根据拟合后的曲线的主极小和次极小的宽度和深度给出光变曲线类型,该方法只能对正常的光变曲线进行分类。当因异常天文现象而出现异常的光变曲线后,无法自动检测出异常的光变曲线,而异常的光变曲线在天文观测中是有意义的。本方法采用的支持向量机算法属于机器学习,当在训练数据中加入异常的光变曲线,所得的模型能自动识别出新的异常光变曲线,所以该算法不仅能对正常的光变曲线分类,也能对异常光变曲线分类,对在天文数据中进行数据挖掘有重要意义。本实施例的方法由于对数据进行预处理并采用更多的频率分量来分类,对噪声信号具有较强的抗干扰能力。
附图说明
图1是本发明实施例的流程框图;
图2是本发明中实例的光变曲线原始数据图;
图3是本发明中实例的光变曲线预处理后数据图;
图4是本发明中实例的光变曲线数据的傅里叶变化结果图;
图5是本发明中实例的分类正确率与特征值关系图;
图6是本发明中实例的SVM参数与分类正确率关系图。
具体实施方式
下面结合附图,对本发明的技术方案进行详细的说明。
如图1所示,本发明实施例的一种基于支持向量机的光变曲线分类方法,包括以下步骤:
步骤10)采集光变曲线数据与光变曲线类型。其中,光变曲线数据是星体随时间的亮度变化数据。光变曲线类型是根据光变曲线主极小、次极小以及光变曲线波峰的形状来确定,通常有EA、EB和EW型。不同光变曲线类型对应双星不同的位置关系。其中,EA对应分离双星,EB对应半分离双星,EW对应相接双星。
步骤20)对步骤10)收集的光变曲线数据进行预处理,使得光变曲线数据在横坐标上的分布间隔相等,纵坐标的范围为[0,1]。
步骤20)中,光变曲线数据的表示方法为,横坐标为相位,范围为[0,1];纵坐标为较差星等。较差星等是指天文观测中,用变星的观测亮度-附近亮度恒定星的观测亮度,获得的变星亮度变化值。步骤20)具体包括步骤201)和步骤202):
步骤201)通过式(1)对光变曲线数据的纵坐标进行归一化处理,将纵坐标的较差星等归一化到[0,1]之间:
其中,m'表示归一化后的较差星等,m表示原始较差星等,mmin表示较差星等最低值,mmax表示较差星等最高值;
步骤202)利用均值滤波方法或线性插值方法,使得横坐标分布均匀:将横坐标从0到1均匀分为n段,若第k段相位范围内,即范围内,归一化后的较差星等m'的数量b=1,则采用归一化后的较差星等m'作为预处理最终较差星m″;若b>1,则采用均值滤波算法获得预处理最终较差星,如式(2)所示;
其中,m″表示预处理最终较差星等,m′i表示第i个归一化后的较差星等;
若b=0,则采用前后相位空间内的亮度值线性插值法获得预处理最终较差星等,如式(3)所示:
其中,m″k表示第k段相位范围的预处理最终较差星等,m″k-1表示第k-1段相位范围的预处理最终较差星等,m″k+1表示第k+1段相位范围的预处理最终较差星等。
优选的,步骤202)中,n为50—300之间的整数,例如50、80、160、230或者300。
步骤30)根据所述步骤20)预处理后的光变曲线数据,构建待分析数据集,并将所述数据集分为训练集和测试集。
所述步骤30)具体包括:采用快速傅里叶变换算法从步骤20)预处理后的光变曲线数据中提取频率信息,将光变曲线数据由时域信号变为频率信号;从所述频率信号中提取前d项作为特征值,以及步骤10)获取的光变曲线类型,组成待分析数据集;所述待分析数据集表示为{f1、f2、…、fd、T},其中,f代表频率信息分量,T代表光变曲线类型,f1表示频率信号中的第一个频率,f2表示频率信号中的第二个频率,fd表示频率信号中的第d个频率。
优选的,所述d为2—20之间的整数,例如2、8、15或者20。频率设置在2—20之间,为低频信号。低频信号能很好的表征曲线的形状,而高频信号往往由噪声信号引发,所以仅取低频信号即可。考虑到异常曲线,d为前20项也能较好的表征光变曲线的原始形状。
优选的,所述训练集和测试集的数据量之间比例在0.2—0.8之间。训练集数量太低难以获得合适的模型,测试集数量太低无法检测出过训练情况。因此,本优选例将训练集和测试集的数据量之间比例设置在0.2—0.8之间。
步骤40)设置支持向量机(SVM)的核函数和惩罚系数,利用步骤30)构建的训练集训练初始分类模型,得到训练后的分类模型,并利用步骤30)构建的测试集对训练后的分类模型进行正确率测试,将正确率达到设定阈值的训练后的分类模型作为最终的分类模型。
所述步骤40)中,对训练后的分类模型进行正确率测试时,当正确率没有达到设定阈值时,重复步骤40),并修改核函数和惩罚系数,直到正确率达到设定阈值。在训练初始分类模型时,当选择支持向量机(SVM)的核函数linear时,惩罚因子设置为1.8-2.5;当选择支持向量机(SVM)核函数rbf时,惩罚因子设置为3.0-5.0。该设置可以获得高的正确率。
步骤50)利用步骤40)中最终的分类模型对光变曲线进行分类。
传统的光变曲线分类方法仅使用光变曲线频率值中的直流、2阶和4阶分量进行分类。本方法增加了预处理步骤,使用了更多的频率分量,并使用SVM自动学习分类。相对于传统方法,本实施例的方法以FFT变化后的多维数据为特征量,使用支持向量机(文中简称:SVM)算法进行机器训练和识别,获得光变曲线自动分类模型。本发明对噪声信号具有更强的抗干扰能力,能学习并识别对应异常天文现象的异常光变数据。
本发明实施例的分类方法,对输入的光变曲线数据进行预处理,包括通过线性变化将光变曲线变化幅值统一,使用均值滤波或线性插值使得光变曲线数据点横坐标为均匀分布;再使用快速傅里叶变化提取预处理后数据的频率信息;接着使用提取的频率信息和已完成的分类信息,基于支持向量机进行模型训练,获得光变曲线分类模型。对未知的光变曲线通过第1、2步处理后所得的频率信息可直接使用该模型分类。
下面例举一实施例。
一种基于支持向量机的光变曲线分类方法,包括以下步骤:
步骤10)采集光变曲线信息。从CALEB(http://caleb.eastern.edu)网站下载变星光变曲线数据,共300颗变星,747条光变曲线。以BE Vul(EA)、YY Cet(EB)、TW Cet(EW)三个变星的V波段数据为例。原始数据如图2所示。由图2可见,由于观测设备等限制,已有的观测数据质量较差。这表现在数据点个数不一致(三个变星的光变曲线数据点数量不一样多,有的比较密集,有的比较稀疏)、数据浮动比较大、数据较离散。
步骤20)将phase均分为长度0.005的200段,每段的中点作为新的phase值,再利用归一化、均值滤波方法和线性插值方法后所得数据如图3所示。由图3可知,在预处理后,数据很好的保留了原始的变化趋势,相对原始数据更加平滑。
步骤30)对预处理后数据进行快速傅里叶变化(英文缩写为FFT),实现特征值提取。同样以上述3颗星为例,所得结果如图4所示。其中,横坐标表示信号谐波频率,单位:Hz,纵坐标表示幅值,单位:A.U.。(A.U.是arbitrary unit的缩写,中文为“任意单位”)。在实验中,A.U.不代表任何意义。当做实验时,不关心具体值,只关心相对值时采用这个单位。
对全部的747条光变曲线进行FFT,获得待分析数据集{f0,f1…fd,T}。从中选取不同的频率分量测试。采用[fi,fj]表示从fi到fj的频率分量,采用{fx,fy}表示fx、fy两个频率分量,SVM使用线性核函数,训练集为373条数据,测试集为374条数据,惩罚因子设为1.0,最终得结果如5所示。
步骤40)优化SVM核函数和惩罚因子参数。核函数是将输入空间映射到高维空间的函数算法。惩罚因子是对错误分类的容忍度。降低容忍度能获得更好的训练结果,但也可能产生过拟合。选择不同核函数和惩罚因子,使用数据集[f0,f8]作为特征值,最终所得结果如图6所示。由图6可知,四种核函数按优劣顺序依次为linear、rbf、sigmoid和poly。当我使用linear核函数,惩罚因子设置为2.0或2.2时,获得的最优分类正确率为89.8%(训练集)和84.8%(测试集);如果选用rbf核函数,则惩罚因子设置为4.0或者4.2也能达到同样的分类正确率,已训练好的模型可以被保存,用于其他新的光变曲线数据分类与识别。
以上显示和描述了本发明的基本原理、主要特征和优点。本领域的技术人员应该了解,本发明不受上述具体实施例的限制,上述具体实施例和说明书中的描述只是为了进一步说明本发明的原理,在不脱离本发明精神和范围的前提下,本发明还会有各种变化和改进,这些变化和改进都落入要求保护的本发明范围内。本发明要求保护的范围由权利要求书及其等效物界定。
Claims (8)
1.一种基于支持向量机的光变曲线分类方法,其特征在于,该分类方法包括以下步骤:
步骤10)采集光变曲线数据与光变曲线类型;其中,光变曲线数据是星体随时间的亮度变化数据;
步骤20)对步骤10)采集的光变曲线数据进行预处理,使得光变曲线数据在横坐标上的分布间隔相等,纵坐标的范围为[0,1],其中,光变曲线数据的表示方法为,横坐标为相位,范围为[0,1];纵坐标为较差星等,较差星等是指天文观测中,用变星的观测亮度-附近亮度恒定星的观测亮度,获得的变星亮度变化值;
所述步骤20)包括:
步骤201)通过式(1)对光变曲线数据的纵坐标进行归一化处理,将纵坐标的较差星等归一化到[0,1]之间:
其中,m'表示归一化后的较差星等,m表示原始较差星等,mmin表示较差星等最低值,mmax表示较差星等最高值;
步骤202)利用均值滤波方法和线性插值方法,使得横坐标分布均匀:将横坐标从0到1均匀分为n段,若第k段相位范围内,即范围内,归一化后的较差星等m'的数量b=1,则采用归一化后的较差星等m'作为预处理最终较差星m″;若b>1,则采用均值滤波算法获得预处理最终较差星,如式(2)所示;
其中,m″表示预处理最终较差星等,m′i表示第i个归一化后的较差星等;
若b=0,则采用前后相位空间内的亮度值线性插值法获得预处理最终较差星等,如式(3)所示:
其中,m″k表示第k段相位范围的预处理最终较差星等,m″k-1表示第k-1段相位范围的预处理最终较差星等,m″k+1表示第k+1段相位范围的预处理最终较差星等;
步骤30)根据所述步骤20)预处理后的光变曲线数据,构建待分析数据集,并将所述数据集分为训练集和测试集;
步骤40)设置支持向量机的核函数和惩罚系数,利用步骤30)构建的训练集训练初始分类模型,得到训练后的分类模型,并利用步骤30)构建的测试集对训练后的分类模型进行正确率测试,将正确率达到设定阈值的训练后的分类模型作为最终的分类模型;
步骤50)利用步骤40)中最终的分类模型对待分类的光变曲线进行分类。
2.按照权利要求1所述的基于支持向量机的光变曲线分类方法,其特征在于,所述n为50—300之间的整数。
3.按照权利要求1所述的基于支持向量机的光变曲线分类方法,其特征在于,所述步骤30)包括:
采用快速傅里叶变换算法从步骤20)预处理后的光变曲线数据中提取频率信息,将光变曲线数据由时域信号变为频率信号;
从所述频率信号中提取前d项作为特征值,以及步骤10)获取的光变曲线类型,组成待分析数据集;所述待分析数据集表示为{f1、f2、···、fd、T},其中,f代表频率信息分量,T代表光变曲线类型,f1表示频率信号中的第一个频率,f2表示频率信号中的第二个频率,fd表示频率信号中的第d个频率。
4.按照权利要求3所述的基于支持向量机的光变曲线分类方法,其特征在于,所述d为2—20之间的整数。
5.按照权利要求1所述的基于支持向量机的光变曲线分类方法,其特征在于,所述步骤40)中,对训练后的分类模型进行正确率测试时,当正确率没有达到设定阈值时,重复步骤40),并修改核函数和惩罚系数,直到正确率达到设定阈值。
6.按照权利要求5所述的基于支持向量机的光变曲线分类方法,其特征在于,所述步骤40)中,训练初始分类模型中,当选择核函数linear时,惩罚因子设置为1.8-2.5;当选择核函数rbf时,惩罚因子设置为3.0-5.0。
7.按照权利要求1所述的基于支持向量机的光变曲线分类方法,其特征在于,所述训练集和测试集的数据量之间比例在0.2—0.8之间。
8.按照权利要求1所述的基于支持向量机的光变曲线分类方法,其特征在于,所述步骤50)中,对待分类的光变曲线进行步骤20)的预处理后,再利用最终的分类模型对待分类的光变曲线进行分类。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810914812.5A CN109102022B (zh) | 2018-08-13 | 2018-08-13 | 一种基于支持向量机的光变曲线分类方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810914812.5A CN109102022B (zh) | 2018-08-13 | 2018-08-13 | 一种基于支持向量机的光变曲线分类方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN109102022A CN109102022A (zh) | 2018-12-28 |
CN109102022B true CN109102022B (zh) | 2020-07-03 |
Family
ID=64849579
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201810914812.5A Active CN109102022B (zh) | 2018-08-13 | 2018-08-13 | 一种基于支持向量机的光变曲线分类方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN109102022B (zh) |
Families Citing this family (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109993092B (zh) * | 2019-03-25 | 2021-03-16 | 清华大学 | 光变异常的实时高灵敏早期识别方法及装置 |
CN111323742B (zh) * | 2020-03-21 | 2023-05-30 | 哈尔滨工程大学 | 一种基于曲线阵列的相位干涉仪及其测向方法 |
CN112183601A (zh) * | 2020-09-22 | 2021-01-05 | 中国人民解放军63921部队 | 空间目标分类方法、装置和存储介质 |
CN114778374A (zh) * | 2022-05-05 | 2022-07-22 | 江苏中烟工业有限责任公司 | 烟叶分类方法、装置、电子设备及存储介质 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN1779698A (zh) * | 2004-11-25 | 2006-05-31 | 北京师范大学信息科学学院 | 基于神经网络的恒星光谱自动识别技术 |
CN102779281A (zh) * | 2012-06-25 | 2012-11-14 | 同济大学 | 一种在地磁感应器上基于支持向量机的车型识别方法 |
CN106709506A (zh) * | 2016-11-28 | 2017-05-24 | 广东工业大学 | 一种中草药种类及不同产地的识别分类方法 |
CN106951922A (zh) * | 2017-03-16 | 2017-07-14 | 太原理工大学 | 一种基于支持向量机的天文图像实时筛选系统 |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US10241887B2 (en) * | 2013-03-29 | 2019-03-26 | Vmware, Inc. | Data-agnostic anomaly detection |
-
2018
- 2018-08-13 CN CN201810914812.5A patent/CN109102022B/zh active Active
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN1779698A (zh) * | 2004-11-25 | 2006-05-31 | 北京师范大学信息科学学院 | 基于神经网络的恒星光谱自动识别技术 |
CN102779281A (zh) * | 2012-06-25 | 2012-11-14 | 同济大学 | 一种在地磁感应器上基于支持向量机的车型识别方法 |
CN106709506A (zh) * | 2016-11-28 | 2017-05-24 | 广东工业大学 | 一种中草药种类及不同产地的识别分类方法 |
CN106951922A (zh) * | 2017-03-16 | 2017-07-14 | 太原理工大学 | 一种基于支持向量机的天文图像实时筛选系统 |
Non-Patent Citations (2)
Title |
---|
Statistical study of 2XMMi-DR3/SDSS-DR8 cross-correlation sample;Zhang Y X et al;《The Astronomical Journal》;20130114;第145卷(第2期);42 * |
基于SDSS和UKIDSS数据的类星体选源分类器构造;马赫;《中国优秀硕士学位论文全文数据库 信息科技辑》;20131215(第S1期);第2章 * |
Also Published As
Publication number | Publication date |
---|---|
CN109102022A (zh) | 2018-12-28 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109102022B (zh) | 一种基于支持向量机的光变曲线分类方法 | |
CN110728360B (zh) | 一种基于bp神经网络的微能源器件能量识别方法 | |
CN106371610B (zh) | 一种基于脑电信号的驾驶疲劳的检测方法 | |
CN108596362B (zh) | 基于自适应分段聚合近似的电力负荷曲线形态聚类方法 | |
CN105760888B (zh) | 一种基于属性聚类的邻域粗糙集集成学习方法 | |
CN109975673B (zh) | 一种光伏微电网直流侧故障电弧识别方法 | |
CN109085469A (zh) | 一种用于识别电缆局部放电信号的信号类型的方法及系统 | |
CN114564982B (zh) | 雷达信号调制类型的自动识别方法 | |
CN105242779A (zh) | 一种识别用户动作的方法和移动智能终端 | |
CN107220977B (zh) | 基于模糊聚类的有效性指标的图像分割方法 | |
Li et al. | Multiscale dynamic fusion prototypical cluster network for fault diagnosis of planetary gearbox under few labeled samples | |
CN111189638B (zh) | 基于hmm和qpso优化算法的轴承故障程度辨识方法 | |
Jeong et al. | Spectrogram-based automatic modulation recognition using convolutional neural network | |
CN104951787A (zh) | 一种src框架下判别字典学习的电能质量扰动识别方法 | |
CN111985383A (zh) | 基于改进变分模态分解的瞬变电磁信号噪声分离识别方法 | |
CN114169377A (zh) | 基于g-mscnn的有噪环境中滚动轴承故障诊断方法 | |
CN104038792A (zh) | 用于iptv监管的视频内容分析方法及设备 | |
CN113447759A (zh) | 一种多分类的rvm电网故障判别方法和系统 | |
CN117290679A (zh) | 电流互感器的运行状态检测方法、装置及电子设备 | |
CN114755010A (zh) | 一种旋转机械振动故障诊断方法及其系统 | |
CN111783526B (zh) | 一种利用姿势不变和图结构对齐的跨域行人重识别方法 | |
Chen et al. | A texture-based rolling bearing fault diagnosis scheme using adaptive optimal kernel time frequency representation and uniform local binary patterns | |
CN103679764A (zh) | 一种图像生成方法及装置 | |
CN109257128A (zh) | 一种基于傅里叶级数拟合去噪的频谱信号识别方法及系统 | |
CN112085079B (zh) | 一种基于多尺度多任务学习的滚动轴承故障诊断方法 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant | ||
TR01 | Transfer of patent right |
Effective date of registration: 20210125 Address after: 235000 Second Floor, 28 Huaihai Middle Road, Huaibei City, Anhui Province Patentee after: Huaibei Productivity Promotion Center Address before: 235000 Dongshan Road 100, Xiangshan District, Huaibei, Anhui Patentee before: HUAIBEI NORMAL University |
|
TR01 | Transfer of patent right |