基于巡天观测数据的脉冲星智能搜索方法研究

发布时间：2021-01-18 20:13

　　当前有很多射电设备投入到脉冲星巡天观测,生成候选体图像越来越多,其中大部分是背景噪声或无用信息。人工识别方法效率低且主观性强,现有机器学习模型依赖于人工设计特征。本文的研究目的是:搭建高效的脉冲星候选体智能筛选模型且直接使用候选体图像作为模型训练的样本,实现直接对候选体图像的识别分类。支持向量机（SVM）具有明确的数学解释、无局部极小值问题和泛化能力强等优点。相比全连接神经网络,卷积神经网络（CNN）有自动提取图像的有用信息且参数更少、复杂度更低的优点。SVM和CNN在图像分类任务中各有优势,SVM具有很强的泛化性能,CNN具有学习样本潜在共性的优点。本文把它们分别应用于脉冲星候选体筛选,具体研究内容如下:（1）数据集构造。本文仅使用从CSIRO天文台获取的实测脉冲轮廓图（灰度图）作为样本,共包含有21颗脉冲星的观测图像,包括单峰、双峰脉冲星候选体图（正类）和非脉冲星候选体图（反类）,本文称为原始图。构造由原始图组成的训练集CT、测试集CV、总数据集CZ;构造包含一维特征向量的训练集ST、测试集SV、总数据集SZ,其中一维特征向量由原始图像经单通道灰度化和一维展开得到,总数据集中含有训... 

【文章来源】：西安电子科技大学陕西省 211工程院校 教育部直属院校

【文章页数】：87 页

【学位级别】：硕士

【部分图文】：

非脉冲星候选体图像

中 5、7 为疑似脉冲星候选体的非脉冲星候选体图像，8、9 为背景噪声折叠而成的非脉冲星候选体图像。图3.1 部分候选体图像[40]候选体样本图像总数有 6071 张，被分成脉冲星候选体和非脉冲星候选体两类。

超平面 A 和 B 就是其中的两个，但 LSVM 的目的是求解一个最优超平面，使其间隔最大化。图3.2 线性可分样本集合 C给定样本集合C ，通过间隔最大化问题转化为求解 CQP 问题，学习得到的超平面为* *w x b 0(3-13)

【参考文献】：
期刊论文
[1]脉冲星候选样本分类方法综述[J]. 王元超,郑建华,潘之辰,李明涛.  深空探测学报. 2018(03)

硕士论文
[1]基于深度学习的车辆跟踪的研究[D]. 陈梦.南京邮电大学 2018
[2]基于深度学习的脉冲星识别系统设计与实现[D]. 孙利雷.贵州大学 2016



本文编号：2985590