基于最大池化层参数的优化模型在引力波天文学中的应用

发布时间：2021-08-20 01:35

　　针对Gabbard等人发表在《Pyhsical Review Letters》上的文章"Matching Matched Filtering with Deep Networks for Gravitational-Wave Astronomy",提出了一种卷积神经网络优化模型。文章将卷积神经网络应用于引力波信号的识别,研究最大池化层参数对模型分类能力的影响,调整模型中超参数提升引力波信号分类的准确率;将优化后的网络结构与Gabbard的卷积神经网络用于相同的模拟数据集,并在测试集上绘制了接受者操作特性曲线（Receiver Operating Characteristic curve,简称ROC曲线）,计算了ROC曲线下的面积;结果证明:相比于未优化的网络,此处的模型在ROC下的面积在数值上提高了0. 025 4～0. 032 6;同时,改变噪音的振幅,将两种方法应用于新的数据集上,结果同样证明,优化后网络效果更好,鲁棒性强。 

【文章来源】：重庆工商大学学报(自然科学版). 2020,37(01)

【文章页数】：6 页

【部分图文】：

模拟数据集中一些时间序列例子

其中:fTP、fFN、fFP、fTN分别是真阳性、假阴性、假阳性、真阴性的样本数量。另外，为了验证模型对于噪音改变的鲁棒性，改变噪音振幅，分别在snr=6.0和snr=8.0情况下，将两种方法应用于相同数据集绘制了ROC曲线，结果展示在图3和图4中。

另外，为了验证模型对于噪音改变的鲁棒性，改变噪音振幅，分别在snr=6.0和snr=8.0情况下，将两种方法应用于相同数据集绘制了ROC曲线，结果展示在图3和图4中。图4 ROC曲线


本文编号：3352545