基于深度学习的太阳射电分类问题的研究与实现

论文摘要

太阳射电爆发通常发生在强烈的太阳活动期间,它们携带着有关爆发区域的物理环境和辐射条件的重要信息。因此,研究太阳射电爆发可以了解爆发区域的磁场结构和粒子运动特征,具有很高的实用意义。一般来说,太阳射电需要具有专业知识的天文学家进行手工分类,这种方法费时费力。近些年来,研究人员尝试使用传统的机器学习方法来实现太阳射电的自动分类。使用机器学习的方法通常需要手动设计特征用于描述图片,而太阳射电图片中携带的信息很复杂,因此设计的特征通常很复杂,并且很难准确描述图片深层次信息,这对分类的准确率会造成很大的影响。随着深度学习技术的飞速发展,它在图像分类领域也取得了很大的突破,本文提出了基于深度学习的太阳射电分类方法。首先,我们借助主成分分析法对射电频谱图进行降维,然后根据该频谱图的特点,提出了一种矩形的卷积核进行图片特征的提取;另外,针对太阳射电数据集中各类别样本数量分布不均衡的问题,我们提出了一种两阶段的策略来解决。第一阶段,我们使用生成新样本和重采样原始样本的方法来补充样本数量较少的类别;第二阶段,我们提出一个代价敏感的多分类损失函数,用于在训练的过程中让网络更加关注样本数量较少的类别。总体来说,我们先借助样本增强策略对样本量进行补充用于之后的训练,然后利用所提出的损失函数,最终可以训练得到太阳射电分类器。我们在太阳射电频谱数据库上进行了实验,并与其它方法进行了比较,实验结果表明我们的方法能取得良好的分类效果。

论文目录

摘要

Abstract

第一章绪论

1.1 研究背景及意义

1.2 国内外研究现状

1.2.1 基于深度学习的图像分类算法

1.2.2 太阳射电分类问题的研究现状

1.3 主要研究内容

1.4 论文组织结构

第二章相关工作介绍

2.1 深度学习发展概述

2.1.1 深度学习概述

2.1.2 卷积神经网络

2.2 太阳射电分类的研究方法

2.2.1 支持向量机

2.2.2 深度置信网络

2.3 主流的图像分类算法

2.3.1 LeNet-5

2.3.2 AlexNet

2.3.3 VGGNet

2.3.4 GoogLeNet

2.3.5 ResNet

2.4 常见的样本失衡解决方法

2.4.1 数据层面

2.4.2 算法层面

2.5 本章小结

第三章基于深度学习的太阳射电分类模型

3.1 太阳射电频谱图的收集

3.2 太阳射电频谱图的训练

3.2.1 PCA降维

3.2.2 矩形卷积核

3.3 样本失衡问题的处理

3.3.1 对原始样本进行重采样

3.3.2 使用GAN进行样本生成

3.3.3 设计多分类损失函数

3.4 本章小结

第四章实验设计与算法验证

4.1 实验环境

4.2 软件开发环境介绍

4.2.1 OpenCV介绍

4.2.2 Tensorflow介绍

4.2.3 Keras介绍

4.3 网络训练细节

4.4 实验对比与结果分析

4.4.1 评价指标

4.4.2 横向对比实验

4.4.3 纵向对比实验

4.4.4 样本生成的数量与多分类损失函数的参数调节

4.5 本章小结

第五章总结与展望

5.1 论文的工作总结

5.2 未来的工作展望

参考文献

致谢

攻读学位期间取得的研究成果

文章来源

类型: 硕士论文

作者: 潘辉

导师: 马华东

关键词: 太阳射电分类,深度学习,特征提取,样本失衡

来源: 北京邮电大学

年度: 2019

分类: 基础科学,信息科技

专业: 天文学,自动化技术

单位: 北京邮电大学

分类号: P16;TP181

总页数: 58

文件大小: 4092K

下载量: 97

基于深度学习的太阳射电分类问题的研究与实现

论文摘要

论文目录

文章来源

相关论文文献

猜你喜欢