脉冲星搜索网络训练方法、脉冲星搜索方法、装置、设备制造方法及图纸

本发明专利技术提供了一种脉冲星搜索网络训练方法，包括：基于训练样本集合和所述候选体的脉冲轮廓图像，对脉冲星搜索网络的主干网络进行第一训练，确定主干网络的初始网络参数；基于训练样本集合和所述和脉冲星标签值，对脉冲星搜索网络的主干网络进行第二训练，得到脉冲星搜索网络的主干网络的目标参数，由此，能够在减少训练数据总量和无需重进行监督训练的前提下，稳定提高脉冲星搜索网络训练训练的准确率，减轻脉冲星搜索网络的过拟合，增强脉冲星搜索网络模型的泛化能力。本发明专利技术还提供了脉冲星搜索方法、装置、电子设备、计算机程序产品以及存储介质。本发明专利技术实施例可应用于云技术、人工智能、智慧交通、辅助驾驶等各种场景。辅助驾驶等各种场景。辅助驾驶等各种场景。

【技术实现步骤摘要】
脉冲星搜索网络训练方法、脉冲星搜索方法、装置、设备


[0001]本专利技术涉及人工智能领域的图像处理技术，尤其涉及脉冲星搜索网络训练方法、脉冲星搜索方法、装置、电子设备、计算机程序产品以及存储介质。

技术介绍

[0002]基于深度学习所进行的各类别识别，一直以来都是各应用场景下解决大量数据分的重要工具。例如，在图像、自然语言处理等应用场景中，对大量数据所实现的大规模分类和识别，以此来快速准确的获得相关的分类预测结果，加速所在应用场景的功能实现。
[0003]在对图像所进行的分类预测中，根据所部署的应用场景不同，可以执行不同的任务，在进行脉冲星搜索时，由于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。

技术实现思路

[0004]有鉴于此，本专利技术实施例提供一种脉冲星搜索网络训练方法、脉冲星搜索方法装置、电子设备、计算机程序产品以及存储介质，能够实现通过对脉冲星搜索网络的训练，能够在减少训练数据总量和无需重进行监督训练的前提下，稳定提高脉冲星搜索网络训练训练的准确率，减轻脉冲星搜索网络的过拟合，增强脉冲星搜索网络模型的泛化能力，便于将及时所训练的脉冲星搜索网络模型部署于网络终端中，实现脉冲星搜索网络模型的大规模应用。
[0005]本专利技术实施例的技术方案是这样实现的：
[0006]本专利技术实施例提供了一种脉冲星搜索网络训练方法，包括：r/>[0007]获取脉冲星搜索候选体信号对应的时间相位分布图像和频率相位分布图像；
[0008]对所述时间相位分布图像和频率相位分布图像进行组合，形成所述脉冲星搜索网络的训练样本集合；
[0009]获取所述获取脉冲星搜索候选体信号对应的候选体的脉冲轮廓图像和脉冲星标签值；
[0010]基于所述训练样本集合和所述候选体的脉冲轮廓图像，对所述脉冲星搜索网络的主干网络进行第一训练，确定所述主干网络的初始网络参数；
[0011]基于所述训练样本集合和所述和脉冲星标签值，对所述脉冲星搜索网络的主干网络进行第二训练，以实现调整所述脉冲星搜索网络的主干网络的初始参数，得到所述脉冲星搜索网络的主干网络的目标参数。
[0012]本专利技术实施例还提供了一种脉冲星搜索方法，包括：
[0013]接收无标注的脉冲星搜索候选体信号；
[0014]获取与所述脉冲星搜索候选体信号对应的时间相位分布图像和频率相位分布图像；
[0015]通过脉冲星搜索网络的主干网络，对所述时间相位分布图像和频率相位分布图像进行处理，确定图像处理结果；
[0016]通过所述脉冲星搜索网络的分类任务全连接层网络，对所述图像处理结果进行处理，得到所述脉冲星搜索候选体信号的预测结果。
[0017]本专利技术实施例还提供了一种脉冲星搜索网络训练装置，所述装置包括：
[0018]信息传输模块，用于获取脉冲星搜索候选体信号对应的时间相位分布图像和频率相位分布图像；
[0019]信息处理模块，用于对所述时间相位分布图像和频率相位分布图像进行组合，形成所述脉冲星搜索网络的训练样本集合；
[0020]所述信息处理模块，用于获取所述获取脉冲星搜索候选体信号对应的候选体的脉冲轮廓图像和脉冲星标签值；
[0021]所述信息处理模块，用于基于所述训练样本集合和所述候选体的脉冲轮廓图像，对所述脉冲星搜索网络的主干网络进行第一训练，确定所述主干网络的初始网络参数；
[0022]所述信息处理模块，用于基于所述训练样本集合和所述和脉冲星标签值，对所述脉冲星搜索网络的主干网络进行第二训练，以实现调整所述脉冲星搜索网络的主干网络的初始参数，得到所述脉冲星搜索网络的主干网络的目标参数。
[0023]上述方案中，
[0024]所述信息处理模块，用于确定所述时间相位分布图像和频率相位分布图像的噪声值，对所述确定所述时间相位分布图像和频率相位分布图像分别进行除噪处理；
[0025]所述信息处理模块，用于对经过除噪处理的所述时间相位分布图像和频率相位分布图像分别进行标准化处理，得到符合单通道灰度图像标准的时间相位分布图像和频率相位分布图像；
[0026]所述信息处理模块，用于将符合单通道灰度图像标准的时间相位分布图像和频率相位分布图像进行组合，形成所述脉冲星搜索网络的训练样本集合。
[0027]上述方案中，
[0028]所述信息处理模块，用于根据所述脉冲星搜索候选体信号所对应的目标区域的位置，确定与所述脉冲星搜索网络的使用环境相匹配的动态噪声阈值；
[0029]所述信息处理模块，用于根据所述动态噪声阈值对所述时间相位分布图像和所述频率相位分布图像进行降噪处理，以形成与所述动态噪声阈值相匹配的时间相位分布图像和频率相位分布图像。
[0030]上述方案中，
[0031]所述信息处理模块，用于根据所述脉冲星搜索候选体信号所对应的射电望远镜类型，确定与所述脉冲星搜索网络的使用环境相匹配的固定噪声阈值；
[0032]所述信息处理模块，用于根据所述固定噪声阈值对所述时间相位分布图像和所述频率相位分布图像进行降噪处理，以形成与所述固定噪声阈值相匹配的时间相位分布图像和频率相位分布图像。
[0033]上述方案中，
[0034]所述信息处理模块，用于获取所述脉冲星搜索候选体信号对应的候选体的原始脉冲轮廓图像；
[0035]所述信息处理模块，用于对所述的原始脉冲轮廓图像的序列值进行标准化处理，得到所述原始脉冲轮廓图像标准序列值；
[0036]所述信息处理模块，用于对所述原始脉冲轮廓图像标准序列值进行调整，得到所述脉冲星搜索候选体信号对应的脉冲轮廓图像，以实现与所述脉冲星搜索网络的精确度相匹配。
[0037]上述方案中，
[0038]所述信息处理模块，用于基于所述候选体的脉冲轮廓图像，确定所述候选体的脉冲轮廓图像的标签值；
[0039]所述信息处理模块，用于通过所述主干网络对应的预训练全连接层网络，基于所述脉冲轮廓图像的标签值，确定所述第一训练对应的第一损失函数；
[0040]所述信息处理模块，用于将所述训练样本集合中的训练样本，带入所述第一损失函数；
[0041]所述信息处理模块，用于当所述第一损失函数满足第一收敛条件时，确定所述主干网络的初始网络参数。
[0042]上述方案中，
[0043]所述信息处理模块，用于通过所述主干网络对应的分类任务全连接层网络，基于所述脉冲星标签值，确定所述第二训练对应的第二损失函数；
[0044]所述信息处理模块，用于将所述训练样本集合中的训练样本，带入所述第二损失函数；
[0045]所述信息处理模块，用于当所述第二损失函数满足第二收敛条件时，确定所述主干网络的更新参数；
[0046]所述信息处理模块，用于基于所述主干网络的更新参数，调整本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种脉冲星搜索网络训练方法，其特征在于，所述方法包括：获取脉冲星搜索候选体信号对应的时间相位分布图像和频率相位分布图像；对所述时间相位分布图像和频率相位分布图像进行组合，形成所述脉冲星搜索网络的训练样本集合；获取所述获取脉冲星搜索候选体信号对应的候选体的脉冲轮廓图像和脉冲星标签值；基于所述训练样本集合和所述候选体的脉冲轮廓图像，对所述脉冲星搜索网络的主干网络进行第一训练，确定所述主干网络的初始网络参数；基于所述训练样本集合和所述和脉冲星标签值，对所述脉冲星搜索网络的主干网络进行第二训练，以实现调整所述脉冲星搜索网络的主干网络的初始参数，得到所述脉冲星搜索网络的主干网络的目标参数。2.根据权利要求1所述的方法，其特征在于，所述对所述时间相位分布图像和频率相位分布图像进行组合，形成所述脉冲星搜索网络的训练样本集合，包括：确定所述时间相位分布图像和频率相位分布图像的噪声值，对所述确定所述时间相位分布图像和频率相位分布图像分别进行除噪处理；对经过除噪处理的所述时间相位分布图像和频率相位分布图像分别进行标准化处理，得到符合单通道灰度图像标准的时间相位分布图像和频率相位分布图像；将符合单通道灰度图像标准的时间相位分布图像和频率相位分布图像进行组合，形成所述脉冲星搜索网络的训练样本集合。3.根据权利要求2所述的方法，其特征在于，所述确定所述时间相位分布图像和频率相位分布图像的噪声值，对所述确定所述时间相位分布图像和频率相位分布图像分别进行除噪处理，包括：根据所述脉冲星搜索候选体信号所对应的目标区域的位置，确定与所述脉冲星搜索网络的使用环境相匹配的动态噪声阈值；根据所述动态噪声阈值对所述时间相位分布图像和所述频率相位分布图像进行降噪处理，以形成与所述动态噪声阈值相匹配的时间相位分布图像和频率相位分布图像。4.根据权利要求2所述的方法，其特征在于，所述确定所述时间相位分布图像和频率相位分布图像的噪声值，对所述确定所述时间相位分布图像和频率相位分布图像分别进行除噪处理，包括：根据所述脉冲星搜索候选体信号所对应的射电望远镜类型，确定与所述脉冲星搜索网络的使用环境相匹配的固定噪声阈值；根据所述固定噪声阈值对所述时间相位分布图像和所述频率相位分布图像进行降噪处理，以形成与所述固定噪声阈值相匹配的时间相位分布图像和频率相位分布图像。5.根据权利要求1所述的方法，其特征在于，所述获取脉冲星搜索候选体信号对应的候选体的脉冲轮廓图像，包括：获取所述脉冲星搜索候选体信号对应的候选体的原始脉冲轮廓图像；对所述的原始脉冲轮廓图像的序列值进行标准化处理，得到所述原始脉冲轮廓图像标准序列值；对所述原始脉冲轮廓图像标准序列值进行调整，得到所述脉冲星搜索候选体信号对应的脉冲轮廓图像，以实现与所述脉冲星搜索网络的精确度相匹配。
6.根据权利要求5所述的方法，其特征在于，所述基于所述训练样本集合和所述候选体的脉冲轮廓图像，对所述脉冲星搜索网络的主干网络进行第一训练，确定所述主干网络的初始网络参数，包括：基于所述候选体的脉冲轮廓图像，确定所述候选体的脉冲轮廓图像的标签值；通过所述主干网络对应的预训练全连接层网络，基于所述脉冲轮廓图像的标签值，确定所述第一训练对应的第一损失函数；将所述训练样本集合中的训练样本，带入所述第一损失函数；当所述第一损失函...

【专利技术属性】
技术研发人员：程小峰，王亚彪，丁玫菲，谢鸣，游善平，甘振业，李昱希，罗泽坤，孙众毅，黄飞跃，
申请(专利权)人：腾讯科技深圳有限公司，
类型：发明
国别省市：