一种基于迁移学习轻量级神经网络的脉冲星搜索方法技术

本发明专利技术涉及深度学习领域，具体涉及一种基于迁移学习轻量级神经网络的脉冲星搜索方法，包括如下步骤：步骤一、生成候选体样本并读取数据特征，统一候选体样本的数据特征；步骤二、基础分类网络构建，加入脉冲信号注意力机制；步骤三、数据域间迁移，迁移完成后对分类模型进行训练；步骤四、抽取人工特征并统计特征；步骤五、对组合高阶特征与深度特征进行融合；解决了脉冲星数据集中正负样本不平衡问题，不同脉冲星数据集由于观测条件，观测设备等的不一造成数据集间迁移较为困难问题、脉冲星特征图像存在自身的特点，使用现有在imagenet上pretrain的较深网络会容易造成过拟合问题以及脉冲信号较为特殊，缺乏有效的注意力机制的问题。

【技术实现步骤摘要】
一种基于迁移学习轻量级神经网络的脉冲星搜索方法
本专利技术涉及深度学习领域，具体是指一种基于迁移学习轻量级神经网络的脉冲星搜索方法。
技术介绍
在实际的脉冲星搜索任务中通常会产生海量的候选体文件，例如FAST会将会有PB量级的年增量，预计将产生千万量级的候选体，故而在脉冲星候选体搜寻中，搜索模型的准确度和搜索模型的推理速度都将至关重要。现有技术一般采用如下三种脉冲星候选体筛选方法：1)基于人工的脉冲星候选体筛选方法：最初的脉冲星搜索更多的是基于天文学家们的经验，通过观测是否存在明显的脉冲轮廓，时间相位图和频率相位图是否存在明显的黑色竖形条纹以及色散量曲线的峰值是否为零等来人工判断是否为脉冲星。这些法则存在一些缺陷，首先这些规则并不是绝对的不同类型的脉冲星可能会存在不同的表征例如平均脉冲轮廓会存在单峰，双峰多峰等，时间相位图较淡较短有时发生倾斜，DM曲线只有小部分存在峰值等会造成误判，其次通过人工看图工作量巨大工作人员完成不了海量任务且长时间观测会产生疲劳影响观测准确性。当然后续也有人员开发一个允许多用户浏览和排序本文档来自技高网...

【技术保护点】
1.一种基于迁移学习轻量级神经网络的脉冲星搜索方法，其特征在于，包括如下步骤：/n步骤一、生成候选体样本并读取数据特征，统一候选体样本的数据特征；/n步骤二、基础分类网络构建，加入脉冲信号注意力机制；/n步骤三、数据域间迁移，迁移完成后对分类模型进行训练；/n步骤四、抽取人工特征并统计特征；/n步骤五、用步骤一～步骤五的分类网络训练好的分类器进行特征提取，提取的结果放入FM模型结果进行融合训练，得出一个新的结果再和分类器结果进行融合得到最终的预测结果。/n

【技术特征摘要】
1.一种基于迁移学习轻量级神经网络的脉冲星搜索方法，其特征在于，包括如下步骤：
步骤一、生成候选体样本并读取数据特征，统一候选体样本的数据特征；
步骤二、基础分类网络构建，加入脉冲信号注意力机制；
步骤三、数据域间迁移，迁移完成后对分类模型进行训练；
步骤四、抽取人工特征并统计特征；
步骤五、用步骤一～步骤五的分类网络训练好的分类器进行特征提取，提取的结果放入FM模型结果进行融合训练，得出一个新的结果再和分类器结果进行融合得到最终的预测结果。


2.根据权利要求1所述的一种基于迁移学习轻量级神经网络的脉冲星搜索方法，其特征在于：所述步骤一中，候选体样本包括fid格式文件和phcx格式文件，读取的候选体文本特征包括图形特征、手工特征和统计特征，将候选体文本统一使用同样大小尺寸的图像翻转待定数据特征，并去掉NaN值，具体包括如下步骤：
步骤S1.1、替换所有NaN值，采用线性插值法补全替换掉的NaN值，若出现数据缺失情况，采用设置collater过滤条件的方式将该缺失数据过滤；
步骤S1.2、将不同的像素值区间采用同比例缩小的方式缩小到相同区间，对脉冲特征和背景相反的数据使用1-data，在python广播机制下自动翻转所有像素值；
步骤S1.3、放缩图像至统一大小64x64分辨率。


3.根据权利要求1所述的一种基于迁移学习轻量级神经网络的脉冲星搜索方法，其特征在于：所述步骤二中，网络主体采用ResNet结构，ResNet网络层数采用block结构，一共分为5层，分别为conv1、conv2_x、conv3_x、conv4_x和conv5_x，其中，conv1为7×7大卷积，输出通道为64，接着有一个3×3的maxpool层，stride＝2；conv2_x为两个3×3卷积通过一次highway连接的basic结构；conv3_x为两个1×1卷积中间夹了一个3×3卷积并通过highway连接的bottleneck结构；conv4_x为两个3×3卷积...

【专利技术属性】
技术研发人员：刘超，池明旻，陆恒，
申请(专利权)人：北京北斗天巡科技有限公司，
类型：发明
国别省市：北京;11