基于深度卷积神经网络的脉冲星候选体分类
天体物理仪器与方法
2019-09-25 v2
摘要
随着专用设施性能的持续提升，海量脉冲星候选体不断产生，使得从候选体中筛选有价值的脉冲星信号变得困难。本文设计了一个 11 层深度卷积神经网络（CNN）用于脉冲星候选体分类。与人工设计特征相比，CNN 以每个候选体的子积分图和子带图作为输入，不带偏差。为解决类别不平衡问题，根据脉冲星特征提出了基于合成少数类样本的数据增强方法。首先将脉冲星候选体的最大脉冲平移至同一位置，随后通过对多个脉冲星子图相加生成新样本。该数据增强方法简单有效，可获得保持脉冲星特征的多样且具有代表性的样本。在 HTRU 1 数据集上的实验表明，该模型可达到 0.962 的召回率与 0.963 的精确率。
引用
@article{arxiv.1909.05301,
title = {Pulsar Candidates Classification with Deep Convolutional Neural Networks},
author = {Yuanchao Wang and Mingtao Li and Zhichen Pan and Jianhua Zheng},
journal= {arXiv preprint arXiv:1909.05301},
year = {2019}
}
备注
13 pages, 10 figures, accepted by RAA