CN111797916A - 一种恒星光谱分类方法 - Google Patents
一种恒星光谱分类方法 Download PDFInfo
- Publication number
- CN111797916A CN111797916A CN202010611405.4A CN202010611405A CN111797916A CN 111797916 A CN111797916 A CN 111797916A CN 202010611405 A CN202010611405 A CN 202010611405A CN 111797916 A CN111797916 A CN 111797916A
- Authority
- CN
- China
- Prior art keywords
- layer
- data set
- spectrum
- data
- spectral
- 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
- 238000001228 spectrum Methods 0.000 title claims abstract description 69
- 238000000034 method Methods 0.000 title claims abstract description 31
- 235000019892 Stellar Nutrition 0.000 title claims abstract description 25
- 230000003595 spectral effect Effects 0.000 claims abstract description 43
- 238000012549 training Methods 0.000 claims abstract description 33
- 238000013145 classification model Methods 0.000 claims abstract description 18
- 238000013135 deep learning Methods 0.000 claims abstract description 15
- 238000007781 pre-processing Methods 0.000 claims abstract description 7
- 230000006870 function Effects 0.000 claims description 22
- 230000004907 flux Effects 0.000 claims description 15
- 238000005070 sampling Methods 0.000 claims description 12
- 238000002372 labelling Methods 0.000 claims description 10
- 238000004519 manufacturing process Methods 0.000 claims description 8
- 210000002569 neuron Anatomy 0.000 claims description 8
- 230000004913 activation Effects 0.000 claims description 7
- 238000013528 artificial neural network Methods 0.000 claims description 4
- 238000005457 optimization Methods 0.000 claims description 4
- 230000008569 process Effects 0.000 claims description 4
- ORILYTVJVMAKLC-UHFFFAOYSA-N Adamantane Natural products C1C(C2)CC3CC1CC2C3 ORILYTVJVMAKLC-UHFFFAOYSA-N 0.000 claims description 3
- 238000013136 deep learning model Methods 0.000 claims description 3
- 238000013507 mapping Methods 0.000 claims description 3
- 238000005520 cutting process Methods 0.000 claims description 2
- 238000012216 screening Methods 0.000 claims description 2
- 238000012360 testing method Methods 0.000 claims description 2
- 238000003672 processing method Methods 0.000 abstract description 2
- 230000003190 augmentative effect Effects 0.000 abstract 1
- 238000012545 processing Methods 0.000 description 6
- 238000011161 development Methods 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 238000000605 extraction Methods 0.000 description 2
- 238000011160 research Methods 0.000 description 2
- 238000013515 script Methods 0.000 description 2
- 230000003044 adaptive effect Effects 0.000 description 1
- 238000004422 calculation algorithm Methods 0.000 description 1
- 210000004027 cell Anatomy 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 238000012937 correction Methods 0.000 description 1
- 238000007418 data mining Methods 0.000 description 1
- 230000009849 deactivation Effects 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 239000002360 explosive Substances 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000010606 normalization Methods 0.000 description 1
- 239000013307 optical fiber Substances 0.000 description 1
- 238000012546 transfer Methods 0.000 description 1
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
- G06F18/2413—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on distances to training or reference patterns
- G06F18/24133—Distances to prototypes
- G06F18/24137—Distances to cluster centroïds
- G06F18/2414—Smoothing the distance, e.g. radial basis function networks [RBFN]
-
- 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
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/045—Combinations of networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- General Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- Evolutionary Computation (AREA)
- Bioinformatics & Computational Biology (AREA)
- Computational Linguistics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Health & Medical Sciences (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Evolutionary Biology (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Information Retrieval, Db Structures And Fs Structures Therefor (AREA)
Abstract
本发明公开了一种基于深度学习的恒星光谱分类方法，针对目前LAMOST等大规模光谱巡天缺乏快速、准确恒星光谱型分类方法的问题。所述方法包括步骤：获取并预处理光谱数据；获取标注数据并交叉证认；制作标注数据集与无标签数据集；构建深度学习分类模型；应用模型扩充训练数据并二次训练。本发明的数据处理方法可以得到大规模且高质量的训练数据集；所构建的半监督多层感知机模型面对光谱巡天观测的大样本，具有很高的分类准确率。
Description
技术领域
本发明涉及一种恒星光谱分类方法，特别是基于深度学习的恒星光谱分类方法，用于将恒星光谱数据进行准确分类，属于数据挖掘技术领域。
背景技术
随着众多大规模巡天观测计划的成功开展，所获取的恒星光谱的数量呈现爆炸式增长，例如目前LAMOST(郭守敬望远镜)获取的光谱数已达千万量级。而恒星光谱分类，是基于巡天数据展开恒星与星系研究的基础工作。面对海量数据，人工分类不可能胜任，已有的自动或半自动分类方法在准确性和速度上也难以满足需求。
近年来快速发展的机器学习和深度学习给光谱分类工作带来了新的思路。通过建立模型，向模型中输入大量的训练数据，让计算机发现规律，作出分类判断。在这个过程中，构建的模型以及用于训练的数据是关键，直接关系到模型的运行速度与准确率。
发明内容
本发明的目的是：提供一种适用于大规模光谱巡天数据，基于深度学习的快速、高准确率的恒星光谱分类方法。
为了解决上述技术问题，本发明的技术方案是提供了一种恒星光谱分类方法，具体包括以下步骤：
步骤一、获取LAMOST恒星光谱数据，并对数据进行预处理；
步骤二、获取LAMOST与SIMBAD(Wenger M.等人于2000年提出)两数据库的光谱型标注数据，并对两者作天文交叉证认；
步骤三、结合步骤一与步骤二分别得到的光谱与标注数据，制作数据集。数据集包含两个部分，标注数据集，即包含了光谱型标注信息的数据，用于监督学习的训练与验证，而无标签数据集则用于模型的无监督预训练；
步骤四、构建半监督深度学习分类模型，由自编码器与多层感知机两部分组成，分别用于无监督预训练与监督学习。
步骤五、从步骤一得到的光谱中，挑选部分样本，使用步骤四得到的模型预测其光谱型，并以此制作扩充数据集；
步骤六、使用步骤五得到的扩充数据集训练步骤四构建的多层感知机，保存最终模型。
步骤一中所述光谱数据的预处理方法，将原始光谱统一截取相同的波长范围和采样点数量，并使用公式将光通量线性映射到0-1区间，其中指某一采样点映射后的通量值，F指这一采样点映射前的通量值，Fmax指同一光谱的波长截取范围内所有采样点中光通量的最大值。
步骤二中所述交叉证认，使用TOPCAT软件Sky crossmatch功能，对LAMOST与SIMBAD两数据库中样本数据作J2000坐标匹配，将匹配成功的样本组成样本集S1；在S1中作进一步筛选，当且仅当样本的LAMOST光谱型标注SubClass与SIMBAD光谱型标注sp_type均包含同一光谱型时，将样本加入标注数据集制作的候选样本集S2。
步骤三中，制作的数据集包含两个部分：标注数据集与无标签数据集；标注数据集的制作，是依据LAMOST观测数据的目标唯一标识编号LMJD+PlanId+spId+FiberId，匹配步骤一与步骤二所得光谱与标注样本，并制成二元标注数据集D1；无标签数据集的制作，不严格要求数据集中不同光谱型样本的比例，直接依据LAMOST光谱型标注，从步骤一所得光谱数据中每一光谱型各选取一定数量的样本，制成一元无标签数据集D2。
步骤四中，深度学习模型包含两个模块：多层感知机分类器和自编码器；自编码器在D2上训练，保存编码器网络参数作为多层感知机分类器的初始参数；多层感知机分类器加载初始参数并在D1上训练，保存分类模型M1。
优选的，所述的多层感知机分类器是一种全连接神经网络，由输入层、隐藏层、输出层组成，其中隐藏层包含若干全连接层与Dropout；输入层所含神经元数量与输入光谱数据的维度相同，输出层所含神经元数量与光谱类别总数相同；全连接层以Leaky ReLU作为激活函数，输出层以Softmax作为激活函数；训练过程中，损失函数选择多分类交叉熵函数，优化器为Adam；包括Leaky ReLU函数的负半轴斜率值、Dropout舍弃率等网络超参数，经Hyperopt试验、优化并指定。
优选的，所述的自编码器是一种全连接神经网络，由输入层、编码器、编码层、解码器、输出层组成；其中，输入层与输出层所含神经元数量与输入光谱数据的维度相同；编码器包含多层感知机分类器隐藏层中所有全连接层，各层的堆叠顺序与超参数均与多层感知机分类器中对应层相同；编码层所含神经元数量与光谱类别总数相同，不含激活函数；解码器采用与编码器镜像对称的结构，各层的超参数与编码器对应层相同，但堆叠顺序相反。
步骤五中，扩充数据集的制作，是依据LAMOST光谱型标注，从步骤一所得光谱数据中每一光谱型各选取一定数量的样本，并使用分类模型M1预测这些样本对应的光谱型；将这些样本与对应的预测光谱型制成二元扩充数据集D3。
步骤六中，使用步骤五所得扩充数据集训练步骤四所得模型，多层感知机分类器加载初始参数并在D3上训练，保存最终分类模型M2，作为本发明最终得到的恒星光谱分类模型。
本发明的数据处理方法可以得到大规模且高质量的训练数据集；所构建的半监督多层感知机模型面对光谱巡天观测的大样本，具有很高的分类准确率。
附图说明
图1为本发明的总体结构图；
图2为本发明中数据集制作流程；
图3为本发明中分类模型的结构。
具体实施方式
为使下面结合具体实施例，进一步阐述本发明。应理解，这些实施例仅用于说明本发明而不用于限制本发明的范围。此外应理解，在阅读了本发明讲授的内容之后，本领域技术人员可以对本发明作各种改动或修改，这些等价形式同样落于本申请所附权利要求书所限定的范围。
本发明的实施方式涉及恒星光谱数据集的制作，以及一种基于深度学习的恒星光谱分类方法，包括：数据的获取与预处理、数据集的制作、分类模型的构建与一次训练、扩充数据集的制作、分类模型的二次训练。结合附图，具体说明如下：
结合图1，本实施方式的总体框架主要分为五大模块。数据处理模块进行光谱和标注数据的获取与预处理，首先使用Shell(计算机壳层)脚本批量获取LAMOST恒星光谱数据，经预处理后统一打包制成候选光谱样本集；从候选光谱中任意选择部分样本制作无标签数据集，随后使用ADQL(Astronomical Data Query Language，天文数据查询语言)脚本获取样本对应的LAMOST光谱型标注信息，经交叉证认提高标注准确率，从候选光谱样本中选择相应的样本打标并制作标注数据集。接着是预训练模块，将无标签数据集作为自编码器的输入，经训练使编码器的输出具有良好的特征提取和聚类性能，解码器的输出则尽量还原原始输入。训练完成后，保存编码器的网络参数。随后是模型一次训练模块，使用Hyperopt(Bergstra J.等人于2013年提出的参数优化工具)对多层感知机进行超参数调优后，加载编码器网络参数作为网络中全连接层的初始参数，使用标注数据集作为训练输入，完成训练后保存模型。运用该模型预测候选光谱样本集中部分样本的光谱型，并以此制作包含107877个样本的二元扩充数据集D3。
结合图2，数据集的制作流程如下：
波长范围处理(P1)：由于原始数据中每条光谱的波长覆盖范围略有不同，因此需按相同波长范围予以截取。以
为起点，截取3903个采样点，超出这一长度的予以截断，不足这一长度的样本予以剔除。
光谱通量范围处理(P2)：由于不同恒星的视亮度差异巨大，因此不同光谱的通量范围也不尽相同，需要作归一化处理，将光谱线性映射到0-1区间内，并保持谱线特征不变。假定某光谱的最大通量为Fmax，归一化公式为：
其中，F′指某一采样点映射后的通量值，F指这一采样点映射前的通量值，Fmax指同一光谱的波长截取范围内所有采样点中光通量的最大值。
交叉证认处理(P3)：SIMBAD是法国斯特拉斯堡天文数据中心建立的一个大型天文数据库，将LAMOST光谱型标注同SIMBAD交叉证认，可以有效提高标注的准确性。这一步骤使用TOPCAT软件(Taylor M.B.于2005年提出数据计算软件)的Sky crossmatch功能，对LAMOST与SIMBAD两数据库中样本作J2000坐标匹配(容许最大1角秒的坐标误差)，得到样本集S1；随后在S1中匹配LAMOST光谱型标注SubClass与SIMBAD光谱型标注sp_type，只将两星表均标注为同一光谱型的恒星加入候选样本集。对于SIMBAD中存在多个星表的标注相异的情况，只要其中有一个标注与LAMOST相同，即纳入候选样本集S2。
在完成以上光谱与标注数据的处理后，制作两个数据集：一是使用光谱数据与S2，依据LMJD(本地修正儒略日)、PlanId(观测计划编号)、spId(摄谱仪编号)、FiberID(光纤编号)的唯一标识组合对标注与光谱进行匹配，从而为对应光谱打标，得到样本数为18352的二元标注数据集D1，用于监督学习的训练；二是仅使用光谱数据制作样本数为212714的一元无标签数据集D2，用于无监督学习的预训练。
结合图3，分类模型的结构与训练方法如下：
分类模型包含两个部分：多层感知机和自编码器。多层感知机作为模型中的分类器，自编码器则为多层感知机提供预训练的网络参数。自编码器的网络结构又包含两个部分：编码器与解码器。编码器采用与多层感知机隐藏层中的全连接层相同的结构与超参数，解码器部分则采用与编码器镜像对称的结构；自编码器以光谱数据作为输入，输出维度与输入相同，在D2上训练，目标是使网络的输出尽可能从编码器压缩的低维数据中还原原始的输入数据，从而使编码器具有特征提取与聚类的功能。将训练完成的编码器网络参数作为多层感知机的初始参数，即实现了模型的预训练。多层感知机以光谱数据作为输入，输出预测的光谱型。网络的隐藏层堆叠五个全连接层，每层之后均附加一层Dropout(随机失活)。全连接层的激活函数使用Leaky ReLU(带泄露线性整流函数)，输出层则为Softmax(柔性最大值传输函数)。在正式训练前，运用Hyperopt对网络超参数进行优化。训练过程中，损失函数选择多分类交叉熵函数，优化器为Adam(自适应矩估计优化算法)，加载编码器网络参数后在D1上训练，得到分类模型M1。D3即使用M1预测自候选光谱样本集。在D3上对多层感知机模型重新训练，得到最终分类模型M2。
实验结果表明，本发明通过在光谱分类工作上引入基于半监督多层感知机的深度学习模型，能够快速准确地确定光谱巡天数据中海量恒星的光谱型，准确率达90％以上。LAMOST与SIMBAD两数据库交叉证认明显提高了数据集的标注质量；而引入自编码器执行预训练充分利用了大样本优势，加快模型训练收敛和稳定性。数据扩充则弥补了标注数据集中训练样本较少的缺点，进一步提高模型的准确率，降低了误差。总的来说，本发明提高了大规模光谱巡天数据中恒星光谱型的分类准确率，促进了天文大数据的发展和深度学习技术在天文学研究中的应用。
Claims (9)
1.一种基于深度学习的恒星光谱分类方法，其特征在于，包括以下步骤：
步骤一、获取并预处理LAMOST恒星光谱数据；
步骤二、获取LAMOST光谱型标注数据，并同SIMBAD交叉证认；
步骤三、结合步骤一与步骤二分别得到的光谱与标注数据，制作数据集；
步骤四、构建深度学习分类模型；
步骤五、使用步骤一得到的光谱和步骤四得到的模型制作扩充数据集；
步骤六、使用步骤五得到的扩充数据集训练步骤四构建的模型。
2.如权利要求1所述的一种基于深度学习的恒星光谱分类方法，其特征在于，步骤一中所述光谱数据的预处理方法，将原始光谱统一截取相同的波长范围和采样点数量，并使用公式F′＝F/Fnax将光通量线性映射到0-1区间，其中F′指某一采样点映射后的通量值，F指这一采样点映射前的通量值，Fmax指同一光谱的波长截取范围内所有采样点中光通量的最大值。
3.如权利要求1所述的一种基于深度学习的恒星光谱分类方法，其特征在于，步骤二中所述交叉证认，使用TOPCAT软件Sky crossmatch功能，对LAMOST与SIMBAD两数据库中样本数据作J2000坐标匹配，将匹配成功的样本组成样本集S1；在S1中作进一步筛选，当且仅当样本的LAMOST光谱型标注SubClass与SIMBAD光谱型标注sp_type均包含同一光谱型时，将样本加入标注数据集制作的候选样本集S2。
4.如权利要求1所述的一种基于深度学习的恒星光谱分类方法，其特征在于，步骤三中，制作的数据集包含两个部分：标注数据集与无标签数据集；标注数据集的制作，是依据LAMOST观测数据的目标唯一标识编号LMJD+PlanId+spId+FiberId，匹配步骤一与步骤二所得光谱与标注样本，并制成二元标注数据集D1；无标签数据集的制作，不严格要求数据集中不同光谱型样本的比例，直接依据LAMOST光谱型标注，从步骤一所得光谱数据中每一光谱型各选取一定数量的样本，制成一元无标签数据集D2。
5.如权利要求4所述的一种基于深度学习的恒星光谱分类方法，其特征在于，步骤四中，深度学习模型包含两个模块：多层感知机分类器和自编码器；自编码器在D2上训练，保存编码器网络参数作为多层感知机分类器的初始参数；多层感知机分类器加载初始参数并在D1上训练，保存分类模型M1。
6.如权利要求5所述的一种基于深度学习的恒星光谱分类方法，其特征在于，所述的多层感知机分类器是一种全连接神经网络，由输入层、隐藏层、输出层组成，其中隐藏层包含若干全连接层与Dropout；输入层所含神经元数量与输入光谱数据的维度相同，输出层所含神经元数量与光谱类别总数相同；全连接层以Leaky ReLU作为激活函数，输出层以Softmax作为激活函数；训练过程中，损失函数选择多分类交叉熵函数，优化器为Adam；包括LeakyReLU函数的负半轴斜率值、Dropout舍弃率等网络超参数，经Hyperopt试验、优化并指定。
7.如权利要求6所述的一种基于深度学习的恒星光谱分类方法，其特征在于，所述的自编码器是一种全连接神经网络，由输入层、编码器、编码层、解码器、输出层组成；其中，输入层与输出层所含神经元数量与输入光谱数据的维度相同；编码器包含多层感知机分类器隐藏层中所有全连接层，各层的堆叠顺序与超参数均与多层感知机分类器中对应层相同；编码层所含神经元数量与光谱类别总数相同，不含激活函数；解码器采用与编码器镜像对称的结构，各层的超参数与编码器对应层相同，但堆叠顺序相反。
8.如权利要求7所述的一种基于深度学习的恒星光谱分类方法，其特征在于，步骤五中，扩充数据集的制作，是依据LAMOST光谱型标注，从步骤一所得光谱数据中每一光谱型各选取一定数量的样本，并使用分类模型M1预测这些样本对应的光谱型；将这些样本与对应的预测光谱型制成二元扩充数据集D3。
9.如权利要求8所述的一种基于深度学习的恒星光谱分类方法，其特征在于，步骤六中，使用步骤五所得扩充数据集训练步骤四所得模型，多层感知机分类器加载初始参数并在D3上训练，保存最终分类模型M2，作为本发明最终得到的恒星光谱分类模型。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202010611405.4A CN111797916A (zh) | 2020-06-30 | 2020-06-30 | 一种恒星光谱分类方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202010611405.4A CN111797916A (zh) | 2020-06-30 | 2020-06-30 | 一种恒星光谱分类方法 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN111797916A true CN111797916A (zh) | 2020-10-20 |
Family
ID=72811429
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202010611405.4A Pending CN111797916A (zh) | 2020-06-30 | 2020-06-30 | 一种恒星光谱分类方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN111797916A (zh) |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN113723519A (zh) * | 2021-08-31 | 2021-11-30 | 平安科技（深圳）有限公司 | 基于对比学习的心电数据处理方法、装置及存储介质 |
Citations (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN108519768A (zh) * | 2018-03-26 | 2018-09-11 | 华中科技大学 | 一种基于深度学习和信号分析的故障诊断方法 |
| CN109784249A (zh) * | 2019-01-04 | 2019-05-21 | 华南理工大学 | 一种基于变分级联信息瓶颈的置乱人脸识别方法 |
| CN110263873A (zh) * | 2019-06-27 | 2019-09-20 | 华北电力大学 | 一种融合稀疏降噪自编码网络降维和聚类的配电网台区分类方法 |
| CN110298264A (zh) * | 2019-06-10 | 2019-10-01 | 上海师范大学 | 基于堆叠降噪自编码器的人体日常行为活动识别优化方法 |
| CN110334754A (zh) * | 2019-06-26 | 2019-10-15 | 太原科技大学 | 一种将恒星光谱数据快速分类的方法 |
| CN110473557A (zh) * | 2019-08-22 | 2019-11-19 | 杭州派尼澳电子科技有限公司 | 一种基于深度自编码器的语音信号编解码方法 |
| CN111242201A (zh) * | 2020-01-07 | 2020-06-05 | 北京师范大学 | 基于对抗生成网络的恒星光谱小样本分类方法 |
-
2020
- 2020-06-30 CN CN202010611405.4A patent/CN111797916A/zh active Pending
Patent Citations (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN108519768A (zh) * | 2018-03-26 | 2018-09-11 | 华中科技大学 | 一种基于深度学习和信号分析的故障诊断方法 |
| CN109784249A (zh) * | 2019-01-04 | 2019-05-21 | 华南理工大学 | 一种基于变分级联信息瓶颈的置乱人脸识别方法 |
| CN110298264A (zh) * | 2019-06-10 | 2019-10-01 | 上海师范大学 | 基于堆叠降噪自编码器的人体日常行为活动识别优化方法 |
| CN110334754A (zh) * | 2019-06-26 | 2019-10-15 | 太原科技大学 | 一种将恒星光谱数据快速分类的方法 |
| CN110263873A (zh) * | 2019-06-27 | 2019-09-20 | 华北电力大学 | 一种融合稀疏降噪自编码网络降维和聚类的配电网台区分类方法 |
| CN110473557A (zh) * | 2019-08-22 | 2019-11-19 | 杭州派尼澳电子科技有限公司 | 一种基于深度自编码器的语音信号编解码方法 |
| CN111242201A (zh) * | 2020-01-07 | 2020-06-05 | 北京师范大学 | 基于对抗生成网络的恒星光谱小样本分类方法 |
Non-Patent Citations (1)
| Title |
|---|
| 张静敏等: "基于深度信念网络的LAMOST恒星光谱分类研究", 《大连大学学报》, pages 311 - 312 * |
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN113723519A (zh) * | 2021-08-31 | 2021-11-30 | 平安科技（深圳）有限公司 | 基于对比学习的心电数据处理方法、装置及存储介质 |
| CN113723519B (zh) * | 2021-08-31 | 2023-07-25 | 平安科技（深圳）有限公司 | 基于对比学习的心电数据处理方法、装置及存储介质 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Rajasegaran et al. | Self-supervised knowledge distillation for few-shot learning | |
| US11809485B2 (en) | Method for retrieving footprint images | |
| Dhurandhar et al. | Improving simple models with confidence profiles | |
| CN111274869A (zh) | 基于并行注意力机制残差网进行高光谱图像分类的方法 | |
| CN115494865B (zh) | 基于时空图卷积网络的无人机集群态势分析方法及介质 | |
| CN107203752A (zh) | 一种联合深度学习和特征二范数约束的人脸识别方法 | |
| Ocquaye et al. | Dual exclusive attentive transfer for unsupervised deep convolutional domain adaptation in speech emotion recognition | |
| CN114898136B (zh) | 一种基于特征自适应的小样本图像分类方法 | |
| CN111709443B (zh) | 一种基于旋转不变卷积神经网络的书法字风格分类方法 | |
| Cai et al. | ARIS: a noise insensitive data pre-processing scheme for data reduction using influence space | |
| CN115759389A (zh) | 基于天气类型的相似日组合策略的日前光伏功率预测方法 | |
| CN109977961B (zh) | 基于分层注意力机制的二值特征学习方法及系统 | |
| CN111797916A (zh) | 一种恒星光谱分类方法 | |
| Wang et al. | Time series forecasting based on convolution transformer | |
| CN114511532A (zh) | 基于特征引导的通道蒸馏的太阳能电池表面缺陷检测方法 | |
| CN117392450A (zh) | 一种基于进化多尺度特征学习的钢铁材料质量解析方法 | |
| CN113724197B (zh) | 基于元学习的螺纹旋合性判定方法 | |
| CN114926702A (zh) | 一种基于深度注意力度量的小样本图像分类方法 | |
| CN114510569A (zh) | 基于ChineseBERT模型和注意力机制的化工突发事件新闻分类方法 | |
| CN113705731A (zh) | 一种基于孪生网络的端到端图像模板匹配方法 | |
| Qiang et al. | Ensemble Method For Net Traffic Classification Based On Deep Learning | |
| CN116521870B (zh) | 一种基于大数据的法律文书要素智能识别方法 | |
| Garg et al. | Xm2a: Multi-scale multi-head attention with cross-talk for multi-variate time series analysis | |
| Cai et al. | Implementation of hybrid deep learning architecture on loop-closure detection | |
| Unar et al. | Multi-Core Feature Learning Approach for Maximizing Retrieval Information in Remote Sensing Images |
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 |