CN109272026A - 一种基于卷积神经网络的脉冲星识别方法 - Google Patents
一种基于卷积神经网络的脉冲星识别方法 Download PDFInfo
- Publication number
- CN109272026A CN109272026A CN201810999644.4A CN201810999644A CN109272026A CN 109272026 A CN109272026 A CN 109272026A CN 201810999644 A CN201810999644 A CN 201810999644A CN 109272026 A CN109272026 A CN 109272026A
- Authority
- CN
- China
- Prior art keywords
- layer
- pulsar
- neural networks
- convolutional neural
- pixel
- 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.)
- Pending
Links
- 238000013527 convolutional neural network Methods 0.000 title claims abstract description 39
- 238000000034 method Methods 0.000 title claims abstract description 36
- 238000012549 training Methods 0.000 claims abstract description 17
- 238000012360 testing method Methods 0.000 claims description 10
- 238000012545 processing Methods 0.000 claims description 2
- 238000013461 design Methods 0.000 abstract description 3
- 230000004913 activation Effects 0.000 description 5
- 230000000644 propagated effect Effects 0.000 description 3
- 210000001367 artery Anatomy 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 238000000605 extraction Methods 0.000 description 2
- 210000003462 vein Anatomy 0.000 description 2
- 238000013528 artificial neural network Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 239000012141 concentrate Substances 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 230000001737 promoting effect Effects 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 238000012216 screening Methods 0.000 description 1
Classifications
-
- 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
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2218/00—Aspects of pattern recognition specially adapted for signal processing
- G06F2218/08—Feature extraction
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)
- Image Analysis (AREA)
Abstract
本发明涉及一种基于卷积神经网络的脉冲星识别方法，属于脉冲星识别技术领域。本发明是通过卷积神经网络对样本训练集进行迭代训练，从而利用训练好的卷积神经网络模型实现对脉冲星的识别。该方法将脉冲星识别问题转换为图像识别分类问题，能够实现快速准确的识别脉冲星，而且该方法最大可能地利用更多的脉冲星特征，也能够避免传统人工设计特征的过程，大幅度节约时间成本，具有实时性和简单性，便于实际推广和应用。
Description
技术领域
本发明涉及一种基于卷积神经网络的脉冲星识别方法，属于脉冲星识别技术领域。
背景技术
脉冲星是演化到晚期的中等质量恒星经过超新星爆发后遗留下的致密天体，它为引力波的存在提供了第一个间接证据，并且还提供了揭示中子星天体物理学中极端现象的可能性。因此脉冲星搜寻是进行引力波和天体物理学研究的前提。
脉冲星识别是脉冲星搜寻过程的重要步骤。自从1967年第一颗脉冲星被发现至今，脉冲星的识别工作经历了各种方法：从简单的基于脉冲轮廓和信噪比去识别候选体，到图形工具辅助和基于web候选体筛选系统，以及近几年基于经验公式的候选体排序算法和基于机器学习的分类算法。但是这些方法存在着不少缺点，一方面这些方法对于短周期脉冲星的识别不是很准确，另一方面这些方法往往要人工设计脉冲星特征，耗费大量时间，而且设计的特征不具有普适性，也会导致识别效果不佳。因此，发明一种基于卷积神经网络的脉冲星识别方法实现快速准确的识别是非常必要的。
发明内容
本发明提供了一种基于卷积神经网络的脉冲星识别方法，本发明提供一种基于卷积神经网络的脉冲星识别方法，用以解决现有技术中脉冲星识别领域存在识别过程繁琐、识别率不高的技术问题。
本发明的技术方案是：一种基于卷积神经网络的脉冲星识别方法，所述方法的具体步骤如下：
Step1、获取星体信号的脉冲轮廓图作为样本集，并划分为训练样本集、验证样本集和测试样本集；
Step2、构建卷积神经网络；
Step3、对训练样本集中的样本图片进行预处理；
Step4、将预处理后的样本图片作为训练数据输入到卷积神经网络进行训练，得到训练后的卷积神经网络模型及其各层参数；
Step5、利用训练好的卷积神经网络，对测试样本集中的样本图片进行预测识别。
所述步骤Step1中，星体信号的脉冲轮廓图包括脉冲星脉冲轮廓图和非脉冲星脉冲轮廓图。
所述步骤Step2中的卷积神经网络为AlexNet卷积神经网络模型，包括1个输入层、5个卷积层、3个池化层、3个全连接层和1个输出层；第一层为卷积层，其卷积内核大小为11*11像素，个数为96个，步长为4个像素；第二层为池化层，其池化内核大小为3*3像素，步长为2个像素；第三层为卷积层，其卷积内核大小为5*5像素，个数为256个；第四层为池化层，其池化内核大小为3*3像素，步长为2个像素；第五层为卷积层，其卷积内核大小为3*3像素，个数为384个；第六层为卷积层，其卷积内核大小为3*3像素，个数为384个；第七层为卷积层，其卷积内核大小为3*3像素，个数为256个；第八层为池化层，其池化内核大小为3*3像素，步长为2个像素；第九、十、十一层为全连接层，将上层输出的二维特征图转化成一维向量；第十二层为输出层，其使用Softmax分类器输出2种类型的目标：脉冲星和非脉冲星。
所述步骤Step3中，对训练样本集中的样本图片进行预处理主要是对样本图片进行裁剪处理。
本发明的有益效果是：
（1）该脉冲星识别方法是通过卷积神经网络对脉冲星信号进行特征提取，避免传统技术中人工设计特征的过程，大幅度节约时间成本，具有实时性和简单性，便于实际推广和应用；
（2）该脉冲星识别方法是通过卷积神经网络对脉冲星信号进行特征提取，可以最大可能地利用更多的脉冲星信号特征，实现短周期脉冲星的识别；
（3）该脉冲星识别方法是将脉冲星识别问题转换为图像识别分类问题，能够快速准确的识别真实脉冲星。
附图说明
图1为本发明中的流程图；
图2为本发明脉冲星脉冲轮廓图；
图3为本发明非脉冲星脉冲轮廓图；
图4为本发明卷积神经网络示意图。
具体实施方式
实施例1：如图1-4所示，一种基于卷积神经网络的脉冲星识别方法，所述方法的具体步骤如下：
Step1、获取星体信号的脉冲轮廓图作为样本集，并划分为训练样本集、验证样本集和测试样本集；
所述步骤Step1中，星体信号的脉冲轮廓图包括脉冲星脉冲轮廓图和非脉冲星脉冲轮廓图。
在所述步骤Step1中，星体信号的脉冲轮廓图如图2和图3所示。使用图形辅助工具采集星体信号的脉冲轮廓图500张作为样本图片，其中脉冲星脉冲轮廓图200张，非脉冲星脉冲轮廓图300张，并对所有样本图片添加标签，最后将80%的样本图片作为训练样本集，10%的样本图片作为验证样本集，10%的样本图片作为测试样本集；
Step2、构建卷积神经网络；
所述步骤Step2中的卷积神经网络为AlexNet卷积神经网络模型，如图4所示，其中包括1个输入层、5个卷积层、3个池化层、3个全连接层和1个输出层；第一层为卷积层，其卷积内核大小为11*11像素，个数为96个，步长为4个像素；第二层为池化层，其池化内核大小为3*3像素，步长为2个像素；第三层为卷积层，其卷积内核大小为5*5像素，个数为256个；第四层为池化层，其池化内核大小为3*3像素，步长为2个像素；第五层为卷积层，其卷积内核大小为3*3像素，个数为384个；第六层为卷积层，其卷积内核大小为3*3像素，个数为384个；第七层为卷积层，其卷积内核大小为3*3像素，个数为256个；第八层为池化层，其池化内核大小为3*3像素，步长为2个像素；第九、十、十一层为全连接层，将上层输出的二维特征图转化成一维向量；第十二层为输出层，其使用Softmax分类器输出2种类型的目标：脉冲星和非脉冲星。
Step3、对训练样本集中的样本图片进行预处理；
所述步骤Step3中，对训练样本集中的样本图片进行预处理主要是随机裁剪样本图片得到大小为一个宽和高分别为227像素和227像素的图片。
Step4、将预处理后的样本图片作为训练数据输入到卷积神经网络进行训练，得到训练后的卷积神经网络模型及其各层参数；
在所述步骤Step4中，训练卷积神经网络的过程包括前向传播和反向传播两个过程。在前向传播过程中，首先将227*227大小的样本图输入到第一层卷积层进行卷积运算、ReLU激活函数运算和局部响应归一化处理得到55*55大小，96通道的特征图，然后传入第二层池化层进行最大值池化操作得到27*27大小，96通道的特征图，接下来传入第三层卷积层进行卷积运算、ReLU激活函数运算和局部响应归一化处理得到27*27大小，256通道的特征图，再传入第四层池化层进行最大值池化操作得到13*13大小，256通道的特征图，接下来传入第五层卷积层进行卷积运算、ReLU激活函数运算得到13*13大小，384通道的特征图，然后传入第六层卷积层进行卷积运算、ReLU激活函数运算得到13*13大小，384通道的特征图，然后传入第七层卷积层进行卷积运算、ReLU激活函数运算得到13*13大小，256通道的特征图，然后传入第八层池化层进行最大值池化操作得到6*6大小，256通道的特征图，然后依此传入第九层、第十层、第十一层分别进行ReLU激活函数运算得到有4096个元素的一维向量，最后传入输出层得到输出结果。在反向传播过程中，计算卷积神经网络前向传播的输出结果对样本输入的最小均方误差，按照极小化误差的方式，反向逐层调整网络的权值。重复进行前向传播和反向传播，直到达到误差最小或者达到最大迭代次数时，从而得到训练好的卷积神经网络。
Step5、利用训练好的卷积神经网络，对测试样本集中的样本图片进行预测识别。
在所述步骤Step5中，使用的测试样本集大小为50张星体脉冲轮廓图，测试前先对测试样本集中的样本图片进行预处理，然后利用训练好的卷积神经网络模型进行预测识别。
上面结合附图对本发明的具体实施方式作了详细说明，但是本发明并不限于上述实施方式，在本领域普通技术人员所具备的知识范围内，还可以在不脱离本发明宗旨的前提下作出各种变化。
Claims (4)
1.一种基于卷积神经网络的脉冲星识别方法，其特征在于：所述方法的具体步骤如下：
Step1、获取星体信号的脉冲轮廓图作为样本集，并划分为训练样本集、验证样本集和测试样本集；
Step2、构建卷积神经网络；
Step3、对训练样本集中的样本图片进行预处理；
Step4、将预处理后的样本图片作为训练数据输入到卷积神经网络进行训练，得到训练后的卷积神经网络模型及其各层参数；
Step5、利用训练好的卷积神经网络，对测试样本集中的样本图片进行预测识别。
2.根据权利要求1所述的基于卷积神经网络的脉冲星识别方法，其特征在于：所述步骤Step1中，星体信号的脉冲轮廓图包括脉冲星脉冲轮廓图和非脉冲星脉冲轮廓图。
3.根据权利要求1所述的基于卷积神经网络的脉冲星识别方法，其特征在于：所述步骤Step2中的卷积神经网络为AlexNet卷积神经网络模型，包括1个输入层、5个卷积层、3个池化层、3个全连接层和1个输出层；第一层为卷积层，其卷积内核大小为11*11像素，个数为96个，步长为4个像素；第二层为池化层，其池化内核大小为3*3像素，步长为2个像素；第三层为卷积层，其卷积内核大小为5*5像素，个数为256个；第四层为池化层，其池化内核大小为3*3像素，步长为2个像素；第五层为卷积层，其卷积内核大小为3*3像素，个数为384个；第六层为卷积层，其卷积内核大小为3*3像素，个数为384个；第七层为卷积层，其卷积内核大小为3*3像素，个数为256个；第八层为池化层，其池化内核大小为3*3像素，步长为2个像素；第九、十、十一层为全连接层，将上层输出的二维特征图转化成一维向量；第十二层为输出层，其使用Softmax分类器输出2种类型的目标：脉冲星和非脉冲星。
4.根据权利要求1所述的基于卷积神经网络的脉冲星识别方法，其特征在于：所述步骤Step3中，对训练样本集中的样本图片进行预处理主要是对样本图片进行裁剪处理。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201810999644.4A CN109272026A (zh) | 2018-08-30 | 2018-08-30 | 一种基于卷积神经网络的脉冲星识别方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201810999644.4A CN109272026A (zh) | 2018-08-30 | 2018-08-30 | 一种基于卷积神经网络的脉冲星识别方法 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN109272026A true CN109272026A (zh) | 2019-01-25 |
Family
ID=65154528
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201810999644.4A Pending CN109272026A (zh) | 2018-08-30 | 2018-08-30 | 一种基于卷积神经网络的脉冲星识别方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN109272026A (zh) |
Cited By (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN110111371A (zh) * | 2019-04-16 | 2019-08-09 | 昆明理工大学 | 一种基于卷积神经网络的斑点图图像配准方法 |
| CN110135297A (zh) * | 2019-04-30 | 2019-08-16 | 武汉科技大学 | 一种反馈随机森林-压缩感知的脉冲星辨识方法 |
| CN110263878A (zh) * | 2019-06-28 | 2019-09-20 | 常州信息职业技术学院 | 一种基于集成学习的脉冲星候选体识别方法 |
| CN111421553A (zh) * | 2020-05-14 | 2020-07-17 | 小狗电器互联网科技（北京）股份有限公司 | 基于轮廓识别的机器人控制方法、存储介质及移动机器人 |
| CN111652275A (zh) * | 2020-04-30 | 2020-09-11 | 长安大学 | 疏散星团识别模型构建方法、疏散星团的识别方法及系统 |
| CN111797783A (zh) * | 2020-07-09 | 2020-10-20 | 兴义民族师范学院 | 一种基于双通道卷积神经网络的智能脉冲星筛查系统 |
| CN116796826A (zh) * | 2022-03-09 | 2023-09-22 | 腾讯科技（深圳）有限公司 | 脉冲星搜索网络训练方法、脉冲星搜索方法、装置、设备 |
Citations (5)
| 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 |
| CN105659819B (zh) * | 2007-07-16 | 2011-08-31 | 北京航空航天大学 | 一种神经网络星图识别方法 |
| CN103868510A (zh) * | 2014-03-27 | 2014-06-18 | 北京控制工程研究所 | 一种快速全天星图自主恒星识别方法 |
| CN107220606A (zh) * | 2017-05-22 | 2017-09-29 | 西安电子科技大学 | 基于一维卷积神经网络的雷达辐射源信号的识别方法 |
| WO2018125926A1 (en) * | 2016-12-27 | 2018-07-05 | Datalogic Usa, Inc | Robust string text detection for industrial optical character recognition |
-
2018
- 2018-08-30 CN CN201810999644.4A patent/CN109272026A/zh active Pending
Patent Citations (5)
| 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 |
| CN105659819B (zh) * | 2007-07-16 | 2011-08-31 | 北京航空航天大学 | 一种神经网络星图识别方法 |
| CN103868510A (zh) * | 2014-03-27 | 2014-06-18 | 北京控制工程研究所 | 一种快速全天星图自主恒星识别方法 |
| WO2018125926A1 (en) * | 2016-12-27 | 2018-07-05 | Datalogic Usa, Inc | Robust string text detection for industrial optical character recognition |
| CN107220606A (zh) * | 2017-05-22 | 2017-09-29 | 西安电子科技大学 | 基于一维卷积神经网络的雷达辐射源信号的识别方法 |
Non-Patent Citations (1)
| Title |
|---|
| 孙利雷: ""基于人工神经网络的脉冲星数值识别模型"", 《中国优秀硕士学位论文全文数据库信息科技辑》 * |
Cited By (9)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN110111371A (zh) * | 2019-04-16 | 2019-08-09 | 昆明理工大学 | 一种基于卷积神经网络的斑点图图像配准方法 |
| CN110111371B (zh) * | 2019-04-16 | 2023-04-18 | 昆明理工大学 | 一种基于卷积神经网络的斑点图图像配准方法 |
| CN110135297A (zh) * | 2019-04-30 | 2019-08-16 | 武汉科技大学 | 一种反馈随机森林-压缩感知的脉冲星辨识方法 |
| CN110263878A (zh) * | 2019-06-28 | 2019-09-20 | 常州信息职业技术学院 | 一种基于集成学习的脉冲星候选体识别方法 |
| CN111652275A (zh) * | 2020-04-30 | 2020-09-11 | 长安大学 | 疏散星团识别模型构建方法、疏散星团的识别方法及系统 |
| CN111652275B (zh) * | 2020-04-30 | 2023-04-07 | 长安大学 | 疏散星团识别模型构建方法、疏散星团的识别方法及系统 |
| CN111421553A (zh) * | 2020-05-14 | 2020-07-17 | 小狗电器互联网科技（北京）股份有限公司 | 基于轮廓识别的机器人控制方法、存储介质及移动机器人 |
| CN111797783A (zh) * | 2020-07-09 | 2020-10-20 | 兴义民族师范学院 | 一种基于双通道卷积神经网络的智能脉冲星筛查系统 |
| CN116796826A (zh) * | 2022-03-09 | 2023-09-22 | 腾讯科技（深圳）有限公司 | 脉冲星搜索网络训练方法、脉冲星搜索方法、装置、设备 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN109272026A (zh) | 一种基于卷积神经网络的脉冲星识别方法 | |
| CN103927534B (zh) | 一种基于卷积神经网络的喷码字符在线视觉检测方法 | |
| CN109035233B (zh) | 视觉注意力网络系统及工件表面缺陷检测方法 | |
| CN110097053B (zh) | 一种基于改进Faster-RCNN的电力设备外观缺陷检测方法 | |
| CN109272500B (zh) | 基于自适应卷积神经网络的织物分类方法 | |
| CN108509978A (zh) | 基于cnn的多级特征融合的多类目标检测方法及模型 | |
| CN111626355A (zh) | 一种基于Unet++卷积神经网络的地震数据初至拾取方法 | |
| CN110533084A (zh) | 一种基于自注意力机制的多尺度目标检测方法 | |
| CN107818302A (zh) | 基于卷积神经网络的非刚性多尺度物体检测方法 | |
| CN108875821A (zh) | 分类模型的训练方法和装置、移动终端、可读存储介质 | |
| CN113436169A (zh) | 一种基于半监督语义分割的工业设备表面裂纹检测方法及系统 | |
| CN109800795A (zh) | 一种果蔬识别方法及系统 | |
| CN110633738B (zh) | 一种用于工业零件图像的快速分类方法 | |
| CN110135513A (zh) | 一种基于深度学习的焊接机器人的焊缝识别方法 | |
| CN108985252A (zh) | 改进的脉冲深度神经网络的图像分类方法 | |
| CN109978014A (zh) | 一种融合密集连接结构的柔性基板缺陷检测方法 | |
| CN109543617A (zh) | 基于yolo目标检测技术的智能车辆运动路况信息的检测方法 | |
| CN116363505A (zh) | 一种基于采摘机器人视觉系统的目标采摘方法 | |
| CN113077450A (zh) | 基于深度卷积神经网络的樱桃分级检测方法及系统 | |
| CN113610035A (zh) | 一种基于改进编解码网络的水稻分蘖期杂草分割识别方法 | |
| Ni et al. | Intelligent defect detection method of photovoltaic modules based on deep learning | |
| CN115656958A (zh) | 实时航迹起始和航迹分类的检测方法及检测装置 | |
| CN111723742A (zh) | 一种人群密度分析方法、系统、装置及计算机可读存储介质 | |
| CN116935043A (zh) | 一种基于多任务生成对抗网络的典型地物遥感图像生成方法 | |
| CN107742132A (zh) | 基于卷积神经网络的马铃薯表面缺陷检测方法 |
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 | ||
| RJ01 | Rejection of invention patent application after publication |
Application publication date: 20190125 |
|
| RJ01 | Rejection of invention patent application after publication |