CN109272027A - 一种基于人工神经网络集成的脉冲星候选体识别方法 - Google Patents
一种基于人工神经网络集成的脉冲星候选体识别方法 Download PDFInfo
- Publication number
- CN109272027A CN109272027A CN201810999645.9A CN201810999645A CN109272027A CN 109272027 A CN109272027 A CN 109272027A CN 201810999645 A CN201810999645 A CN 201810999645A CN 109272027 A CN109272027 A CN 109272027A
- Authority
- CN
- China
- Prior art keywords
- pulsar
- neural network
- candidate
- artificial neural
- recognition methods
- 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
- 238000000034 method Methods 0.000 title claims abstract description 43
- 238000013528 artificial neural network Methods 0.000 title claims abstract description 42
- 238000012549 training Methods 0.000 claims abstract description 26
- 210000002569 neuron Anatomy 0.000 claims description 12
- 238000005070 sampling Methods 0.000 claims description 12
- 230000004913 activation Effects 0.000 claims description 6
- 230000006870 function Effects 0.000 claims description 5
- 230000002688 persistence Effects 0.000 claims description 4
- 238000011478 gradient descent method Methods 0.000 claims description 3
- 210000004218 nerve net Anatomy 0.000 claims description 3
- 230000007423 decrease Effects 0.000 abstract description 5
- 230000000694 effects Effects 0.000 abstract description 3
- 238000012804 iterative process Methods 0.000 abstract description 2
- 238000012952 Resampling Methods 0.000 abstract 1
- 238000013480 data collection Methods 0.000 abstract 1
- 238000005516 engineering process Methods 0.000 abstract 1
- 238000003062 neural network model Methods 0.000 abstract 1
- 230000005855 radiation Effects 0.000 description 2
- 238000012216 screening Methods 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 1
- 210000004556 brain Anatomy 0.000 description 1
- 238000007796 conventional method Methods 0.000 description 1
- 230000001419 dependent effect Effects 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 235000013399 edible fruits Nutrition 0.000 description 1
- 230000010365 information processing Effects 0.000 description 1
- 230000002045 lasting effect Effects 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 238000013178 mathematical model Methods 0.000 description 1
- 230000001537 neural effect Effects 0.000 description 1
- 230000000737 periodic effect Effects 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
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
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)
- Medical Treatment And Welfare Office Work (AREA)
Abstract
本发明涉及一种基于人工神经网络集成的脉冲星候选体识别方法，属于脉冲星识别技术领域。本发明通过将原始训练数据集进行重采样，分成若干个子训练数据集，然后利用这每一个子训练集训练各自对应的神经网络模型，最后将各个由不同的训练集训练的网络模型通过相对多数投票法集成，最终形成识别脉冲星的分类器。本发明在识别信号强度较弱的脉冲星时，具有很好的识别效果，降低了在神经网络迭代过程中因梯度下降带来的计算成本，通过人工神经网络集成的方法识别候选脉冲星，有效的解决了模型过拟合的问题。
Description
技术领域
本发明涉及一种基于人工神经网络集成的脉冲星候选体识别方法，属于脉冲星识别技术领域。
背景技术
脉冲星是中子星的一种，本身带有强磁场且具有稳定高速自转特性。脉冲星的发现是天文学在上世纪天文学发展的一个重要里程碑。脉冲星具有射电辐射，通过检测和接收脉冲星发出的周期性的射电辐射信号，可以生成一系列持续稳定的脉冲信号，由于脉冲星的转速极快，并且脉冲信号非常稳定，所以脉冲星在天文领域有着非常广泛的应用。
目前对于宇宙中收集到的脉冲星信号的识别有许多种方法，较为早的方法有基于脉冲星轮廓的和信噪比筛选方法、图像工具辅助、基于web候选体筛选系统、以及近几年基于机器学习和神经网络的分类算法，其中比较受欢迎的是使用神经网络的方法识别脉冲星，但是也存在很多缺点。例如：没有严密的理论体系，依赖于研究者的经验；训练过程中会遇到局部最小问题；过拟合、泛化能力下降等等，使得神经网络技术在脉冲星识别上实际效果不佳。因此，发明一种基于人工神经网络集成的脉冲星候选体识别方法是非常必要的。该方法通过训练多个神经网络，再将它们的训练结果进行集成，使得神经网络的泛化能力大幅提高，其学习和泛化能力远大于单个神经网络。同时，能够很好解决识别率不高、单一训练梯度下降缓慢、模型过拟合等问题。
发明内容
本发明提供了一种基于人工神经网络集成的脉冲星候选体识别方法，以用于解决在脉冲星识别检测过程中传统方法存在的识别率不高、单一训练梯度下降缓慢、模型过拟合等问题。
本发明的技术方案是：一种基于人工神经网络集成的脉冲星候选体识别方法，所述基于人工神经网络集成的脉冲星候选体识别方法的具体步骤如下：
Step1、获取包含真实脉冲星和非脉冲星的数据集，并计算其数据特征；
Step2、利用采样技术在步骤Step1获取的数据集中对每一个要构建的子神经网络进行采样，构成每一个子神经网络的数据集；
Step3、利用步骤Step2取样的数据集分别进行子神经网络训练，生成对应的子神经网络模型；
Step4、采用非线性结合方法中的相对多数投票法，集成序列函数模型，最终生成识别脉冲星的分类器；
Step5、利用步骤Step4生成的分类器对未知脉冲星样本数据进行分类识别。
所述步骤Step1数据特征为信噪比（S/N）、脉冲周期、脉冲轮廓宽度、时域脉冲持续长度、频域脉冲持续长度、脉冲宽度与DM涂污时间之比。
所述步骤Step2中采用的采样技术为Bootstrap Sampling采样技术。
所述步骤Step3中的子神经网络是三层的网络结构，网络结构包括输入层、隐含层、输出层，其中输入层为6个神经元，隐含层为6个神经元，输出层为2个神经元；输入层的输入数据为每组训练数据对应的6个数据特征；隐含层使用双曲线正切激活函数作为激活函数，用SGD梯度下降法对隐含层的权重参数和偏置参数进行迭代训练，设置学习率为0.001，样本迭代次数为750次；输出层只有2个神经元，表示候选体是真正脉冲星的概率和候选体是非脉冲星的概率。
本发明的有益效果是：
（1）该脉冲星识别方法在识别信号强度较弱的脉冲星时，具有很好的识别效果。
（2）该脉冲星识别方法降低了在神经网络迭代过程中因梯度下降带来的计算成本。
（3）该脉冲星识别方法是通过人工神经网络集成的方法识别候选脉冲星，有效的解决了模型过拟合的问题。
附图说明
图1为本发明中的流程图；
图2为本发明中的具体流程图；
图3是本发明所采用的神经网络结构示意图。
具体实施方式
实施例1：如图1-3所示，一种基于人工神经网络集成的脉冲星候选体识别方法，所述基于人工神经网络集成的脉冲星候选体识别方法的具体步骤如下：
Step1、获取包含真实脉冲星和非脉冲星的数据集，并计算其数据特征；
所述步骤Step1数据特征为信噪比（S/N）、脉冲周期、脉冲轮廓宽度、时域脉冲持续长度、频域脉冲持续长度、脉冲宽度与DM涂污时间之比；
具体的，本发明采用M14公开发布的含有3000个真正脉冲星和90000个非脉冲星组成的训练集。并选取了信噪比（S/N）、脉冲周期、脉冲轮廓宽度、时域脉冲持续长度、频域脉冲持续长度、脉冲宽度与DM涂污时间之比，这6个参数值作为脉冲星特征；
Step2、用Bootstrap Sampling采样技术在步骤Step1中构建的训练集中对每一个要构建的子神经网络进行取样，假设有N个样本，要训练的神经网络总数为T，i为被训练的第i个子神经网络的标号；具体的：
1）初始化样本，设i=1。
2）从初始样本中随机抽取M个样本(M<N)；
Step3、利用步骤Step2取样的数据集分别进行子神经网络训练，生成对应的子神经网络模型；具体的即构建和训练第i个子神经网络；
如图3所示的神经网络是基于生物学中神经网络的基本原理，从信息处理角度对人脑神经元网络进行抽象而建立的数学模型。本发明选用的是三层的网络结构包括输入层、隐含层、输出层，其中输入层为6个神经元，隐含层为6个神经元，输出层为2个神经元。输入层输入为每个子神经网络对应抽取的子训练集中的6个脉冲星数据特征。隐含层设置学习率为0.001，使用双曲线正切激活函数，产生范围从-1到1的激活值，用SGD梯度下降法对隐含层的权重参数和偏置参数进行迭代，当训练样本的误差小于0.004时停止训练，并保存最新的权值和阈值。输出层只有2个神经元，表示候选体是真正脉冲星的概率和候选体是非脉冲星的概率。该网络所使用的训练集是步骤Step2从原始训练集中抽样的（M<N）训练集。利用该训练集训练对应的第i个神经网络；训练完成后，i=i+1；若i<=T则返回第一步，否则转向步骤Step4。
Step4、采用非线性结合方法中的相对多数投票法，集成序列函数模型，最终生成识别脉冲星的分类器；
使用相对多数投票法，进行函数序列的集成，即当且仅当上述神经网络输出结果取得数目最大的投票时，网络的最终结果将被确定为对应的类别，最终形成可以用来识别脉冲星的分类器；
Step5、利用步骤Step4生成的分类器对未知脉冲星样本数据进行分类识别。
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)
1.一种基于人工神经网络集成的脉冲星候选体识别方法，其特征在于：所述基于人工神经网络集成的脉冲星候选体识别方法的具体步骤如下：
Step1、获取包含真实脉冲星和非脉冲星的数据集，并计算其数据特征；
Step2、利用采样技术在步骤Step1获取的数据集中对每一个要构建的子神经网络进行采样，构成每一个子神经网络的数据集；
Step3、利用步骤Step2取样的数据集分别进行子神经网络训练，生成对应的子神经网络模型；
Step4、采用非线性结合方法中的相对多数投票法，集成序列函数模型，最终生成识别脉冲星的分类器；
Step5、利用步骤Step4生成的分类器对未知脉冲星样本数据进行分类识别。
2.根据权利要求1所述的基于人工神经网络集成的脉冲星候选体识别方法，其特征在于：所述步骤Step1数据特征为信噪比、脉冲周期、脉冲轮廓宽度、时域脉冲持续长度、频域脉冲持续长度、脉冲宽度与DM涂污时间之比。
3.根据权利要求1所述的基于人工神经网络集成的脉冲星候选体识别方法，其特征在于：所述步骤Step2中采用的采样技术为Bootstrap Sampling采样技术。
4.根据权利要求2所述的基于人工神经网络集成的脉冲星候选体识别方法，其特征在于：所述步骤Step3中的子神经网络是三层的网络结构，网络结构包括输入层、隐含层、输出层，其中输入层为6个神经元，隐含层为6个神经元，输出层为2个神经元；输入层的输入数据为每组训练数据对应的6个数据特征；隐含层使用双曲线正切激活函数作为激活函数，用SGD梯度下降法对隐含层的权重参数和偏置参数进行迭代训练，设置学习率为0.001，样本迭代次数为750次；输出层只有2个神经元，表示候选体是真正脉冲星的概率和候选体是非脉冲星的概率。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201810999645.9A CN109272027A (zh) | 2018-08-30 | 2018-08-30 | 一种基于人工神经网络集成的脉冲星候选体识别方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201810999645.9A CN109272027A (zh) | 2018-08-30 | 2018-08-30 | 一种基于人工神经网络集成的脉冲星候选体识别方法 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN109272027A true CN109272027A (zh) | 2019-01-25 |
Family
ID=65154768
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201810999645.9A Pending CN109272027A (zh) | 2018-08-30 | 2018-08-30 | 一种基于人工神经网络集成的脉冲星候选体识别方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN109272027A (zh) |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN113811881A (zh) * | 2019-04-25 | 2021-12-17 | 奥里巴Abx股份有限公司 | 具有阻抗信号处理功能的医学分析设备 |
Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN1527198A (zh) * | 2003-03-07 | 2004-09-08 | 中国科学院自动化研究所 | 基于光谱的恒星与星系的自动识别方法 |
| JP2016139176A (ja) * | 2015-01-26 | 2016-08-04 | シャープ株式会社 | 画像処理装置、画像処理システム、画像処理方法、およびその画像処理プログラム |
| CN106971189A (zh) * | 2017-03-31 | 2017-07-21 | 西北工业大学 | 一种低分辨率含噪星图识别方法 |
| CN108090412A (zh) * | 2017-11-17 | 2018-05-29 | 西北工业大学 | 一种基于深度学习的雷达辐射源类别识别方法 |
-
2018
- 2018-08-30 CN CN201810999645.9A patent/CN109272027A/zh active Pending
Patent Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN1527198A (zh) * | 2003-03-07 | 2004-09-08 | 中国科学院自动化研究所 | 基于光谱的恒星与星系的自动识别方法 |
| JP2016139176A (ja) * | 2015-01-26 | 2016-08-04 | シャープ株式会社 | 画像処理装置、画像処理システム、画像処理方法、およびその画像処理プログラム |
| CN106971189A (zh) * | 2017-03-31 | 2017-07-21 | 西北工业大学 | 一种低分辨率含噪星图识别方法 |
| CN108090412A (zh) * | 2017-11-17 | 2018-05-29 | 西北工业大学 | 一种基于深度学习的雷达辐射源类别识别方法 |
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 (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN113811881A (zh) * | 2019-04-25 | 2021-12-17 | 奥里巴Abx股份有限公司 | 具有阻抗信号处理功能的医学分析设备 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Wang et al. | Human motion recognition exploiting radar with stacked recurrent neural network | |
| CN110245608B (zh) | 一种基于半张量积神经网络的水下目标识别方法 | |
| CN107784320B (zh) | 基于卷积支持向量机的雷达一维距离像目标识别方法 | |
| Yu et al. | Mixed pooling for convolutional neural networks | |
| CN107766893B (zh) | 基于标签多级编码神经网络的目标识别方法 | |
| CN107870321B (zh) | 基于伪标签学习的雷达一维距离像目标识别方法 | |
| Lin et al. | Detection of gravitational waves using Bayesian neural networks | |
| Cain et al. | Convolutional neural networks for radar emitter classification | |
| Jing et al. | AENN: A generative adversarial neural network for weather radar echo extrapolation | |
| CN111983569B (zh) | 基于神经网络的雷达干扰抑制方法 | |
| Li et al. | IncepTCN: A new deep temporal convolutional network combined with dictionary learning for strong cultural noise elimination of controlled-source electromagnetic data | |
| CN113642484B (zh) | 一种基于bp神经网络的大地电磁信号噪声压制方法及系统 | |
| CN112990334A (zh) | 基于改进原型网络的小样本sar图像目标识别方法 | |
| Qu et al. | Human activity recognition based on WRGAN-GP-synthesized micro-doppler spectrograms | |
| CN114428234A (zh) | 基于gan和自注意力的雷达高分辨距离像降噪识别方法 | |
| CN113109782B (zh) | 一种直接应用于雷达辐射源幅度序列的分类方法 | |
| Zhao et al. | An end-to-end network for continuous human motion recognition via radar radios | |
| CN113191178A (zh) | 一种基于听觉感知特征深度学习的水声目标识别方法 | |
| CN109948427A (zh) | 一种基于长短时记忆模型的意念识别方法 | |
| Rosli et al. | Development of CNN transfer learning for dyslexia handwriting recognition | |
| CN113111786A (zh) | 基于小样本训练图卷积网络的水下目标识别方法 | |
| Li et al. | Supervised domain adaptation for few-shot radar-based human activity recognition | |
| CN115828085A (zh) | 联合迁移学习和监督学习的电磁谱辐射源智能识别方法 | |
| Hussein et al. | Robust human activity recognition using generative adversarial imputation networks | |
| CN115034254A (zh) | 基于hht频带能量特征和卷积神经网络的核素识别方法 |
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 | ||
| RJ01 | Rejection of invention patent application after publication |
Application publication date: 20190125 |