基于深度卷积神经网络的星系形态分类研究

发布时间：2024-04-10 22:22

　　随着观测技术的进步、观测仪器的发展,大天区星系图像巡天计划如斯隆数字巡天(Sloan Digital Sky Survey,SDSS),COSMOS 巡天(Cosmic Evolution Survey,COSMOS)等逐步实施,星系观测数据呈现爆炸式增长趋势,新兴观测手段使得天文学迈入“大数据”时代。在星系物理研究方面,海量数据使得人工进行大规模星系形态分类已经绝无可能。如何在自动、快速、高效、准确地区分星系大规模样本不同形态的同时,从海量、高维数据中挖掘隐含的信息,甚至是发现新的科学问题是当前一项意义非凡而又充满挑战的任务。基于传统机器学习的星系形态分类方法,需要复杂的特征工程,需要领域知识精巧地设计和提取特征,特征提取的好坏直接决定了最后分类器的分类性能,主观性较强。深度学习可以自动找出复杂且有效的高阶特征,避免了人工提取特征的繁琐过程和主观性造成的分类问题。本文在比较分析了 AlexNet、VGG、Inception 和 ResNet 等经典卷积神经网络(Convolutional Neural Network,CNN)的基础上,提出了一种基于改进的深度卷积神经网络的星系形态分...

【文章页数】：76 页

【学位级别】：硕士

【部分图文】：

图１．１?Ｄｉｅｌｅｍａｎ结构图??Ｆｉｇｕｒｅ?１．１?Ｓｃｈｅｍａｔｉｃ?ｏｖｅｒｖｉｅｗ?ｏｆ?Ｄｉｅｌｅｍａｎ??

包括４层卷积层（每层卷积核大小分别为６ｘ６、５ｘ５、３ｘ３和??３?ｘ?３）和３个全连接层（每层神经元数量为２０１８、２０４８和３７）?（Ｄｉｅｌｅｍａｎ模型??见图１．１），总计４２００万参数，以５万多张星系图片为训练集，进行模型训练，??３??

图２．１哈勃序列??Ｆｉｇｕｒｅ、２．１?＇＂Ｈｕｂｂｌｅ?ｔｕｎｉｎｇ－ｆｏｒｋ＇＇?ｇａｌａｘｙ?ｃｌａｓｓｉｆｉｃａｔｉｏｎ?ｓｃｈｏｉｎ（＇［ＥＳＡ／Ｈｕｌ）ｂｌｒ｜??

２．１目视分类系统??直接凭借眼睛来对星系的形态进疔分类，称为目视分类系统。目视分类系统??中最著名的是１９２６年哈勃提出的“哈勃序列”，又称“哈勃音叉图”，如图２．１所??示。他凭借不到４００张星系图像，对星系形态进行了分类（Ｕｕｌ山ｌｅ，１９２Ｇ）。随后，??一系列工作对哈勃....

图３．１?Ｎ层前馈神经网络示意图??Ｆｉｇｕｒｅ?３．１?Ｓｃｈｅｍａｔｉｃ?ｒｅｐｒｅｓｅｎｔａｔｉｏｎ?ｏｆ?ａ?ｆｅｅｄ－ｆｏｒｗａｒｄ?ｎｅｕｒａｌ?ｎｅｔｗｏｒｋ?ｗｉｔｈ?Ｎ?ｌａｙｅｒｓ??

的交互反应（Ｋｏｈｏｎｅｎ，１９８８；周志华，２０１６）。??—个简单的?Ｎ?层前馈神经网络（Ｍｕｌｔｉ－ｌａｙｅｒ?Ｆｅｅｄｆｏｒｗａｒｄ?Ｎｅｕｒａｌ?Ｎｅｔｗｏｒｋ）??示意图如图３．１所示。网络分为输入层、隐藏层和输出层。其中，ｌａｙｅｒ?１到ｌａｙｅｒ??Ｘ－１为隐藏层....

图３．２各种激活函数曲线图??Ｆｉｇｕｒｅ?３．２?Ａｃｔｉｖａｔｉｏｎ?ｆｕｎｃｔｉｏｎ?ｃｕｒｖｅ??

?〇?ｒＶ?ｌａｙｅｒ?１?（ｈｉｄｄｅｎ）??ｌＳ＾?＾?Ｙ?＾?＾?Ｘｌ?＝，（Ｗ丨ｘ〇?＋?ｈ）??｜ｘ〇??ｉｎｐｕｔ??图３．１?Ｎ层前馈神经网络示意图??Ｆｉｇｕｒｅ?３．１?Ｓｃｈｅｍａｔｉｃ?ｒｅｐｒｅｓｅｎｔａｔｉｏｎ?ｏｆ?ａ?ｆｅｅｄ－ｆｏｒｗａｒｄ?ｎｅｕ....

本文编号：3950450