一种基于ResNet的天体光谱分类方法及其系统技术方案

本发明专利技术涉及一种基于ResNet的天体光谱分类方法及其系统，所述方法包括以下步骤：初始化ResNet卷积网络模型，并进行优化修改，加载预训练参数；读取天体光谱的多维数据；扩充数量比较小的类别的数据，利用高斯噪声对输入数据进行数据增强；采用ADAM优化器和交叉熵损失函数，利用ResNet模型对训练集数据训练；利用训练好的网络对训练集进行测试，与模型预测希望值进行对比。本方法利用深度学习可以在多个维度进行特征提取，有着更高的鲁棒性和准确率。

【技术实现步骤摘要】
一种基于ResNet的天体光谱分类方法及其系统
本专利技术涉及天体光谱数据分类
，特别涉及一种基于ResNet的天体光谱分类方法及其系统。
技术介绍
随着科学技术的发展和天文观测设备的更新换代，能够从天文设备中获取的天体光谱数据爆炸式增长。那么如何使用人工智能(AI)技术帮助天文学界高效地从海量数据中挖掘出有用的信息成为当今地难题。现有的技术主要依靠传统机器学习地做法对天体光谱数据进行分类如密度聚类、支持向量机、低层次的卷积神经网络等。在面对一些数据表现良好的分类任务时，传统机器学习方法确实能够胜任。但是随着数据量的增大，由数据与分类之间的非线性以及实际测量过程中的噪声干扰带来的模型鲁棒性下降问题使得利用传统的机器学习算法渐渐力不从心。所以采用深度学习对数据进行多维度深层次的特征提取，从而进一步提升精度、鲁棒性和泛化性成为了迫在眉睫的问题。在现有技术中还提出了一种基于神经网络的自动分类方法，该专利技术采用径向基函数对天体光谱数据进行划分。但是因为它的卷积网络层数只有三层，所以对输入数据能够提取的特征有限。>现有还提出了利用M本文档来自技高网...

【技术保护点】
1.一种基于ResNet的天体光谱分类方法，其特征在于，包括以下步骤：/n步骤S1：初始化ResNet卷积网络模型，并进行优化修改，加载预训练参数；/n步骤S2：读取天体光谱的多维数据；/n步骤S3：扩充数量小的类别的数据，利用高斯噪声对输入数据进行数据增强；/n步骤S4：采用ADAM优化器和交叉熵损失函数，利用ResNet模型对训练集数据训练；/n步骤S5：利用训练好的网络对训练集进行测试，与模型预测希望值进行对比。/n

【技术特征摘要】
1.一种基于ResNet的天体光谱分类方法，其特征在于，包括以下步骤：
步骤S1：初始化ResNet卷积网络模型，并进行优化修改，加载预训练参数；
步骤S2：读取天体光谱的多维数据；
步骤S3：扩充数量小的类别的数据，利用高斯噪声对输入数据进行数据增强；
步骤S4：采用ADAM优化器和交叉熵损失函数，利用ResNet模型对训练集数据训练；
步骤S5：利用训练好的网络对训练集进行测试，与模型预测希望值进行对比。


2.根据权利要求1所述的一种基于ResNet的天体光谱分类方法，其特征在于，在步骤S1中，构建初始ResNet模型，在原始的ResNet上进行合理修改，将大卷积核进行拆解，将其转化为多个小卷积核级联。


3.根据权利要求1所述的一种基于ResNet的天体光谱分类方法，其特征在于，在步骤S1中，选定SGD、RMSProp或者ADAM优化器；选定StepLR、LambdaLP学习率调整函数；选定交叉熵作为损失函数。


4.根据权利要求1所述的一种基于ResNet的天体光谱分类方法，其特征在于，在步骤S2中，在天体光谱数据中以16组数据为一个batch进行读取，之后在神经网络里面的前向传播与后向传播调整参数都是以16组数据进行一次计算。


5.根据权利要求1所述的一种基于ResNet的天体光谱分类方法，其特征在于，在步骤S3中，利用gpu进行并行运算，将输入的多维数据调整为二维图像上的不同像素点上的值，并将小类别数据加上噪声之后进行数据扩充。


6.根据权利要求1所述的一种基于ResNet的天体光谱分类方法，其特征在于，在步骤S4中，包括如下子步骤：
步骤S41：将输入数据传入模型先进行前向传播计算，对输出结...

【专利技术属性】
技术研发人员：严龙，罗鑫，王达，
申请(专利权)人：北京睿芯高通量科技有限公司，
类型：发明
国别省市：北京;11