分类: 天文学 >> 天文学 提交时间: 2023-06-07 合作期刊: 《天文学进展》
摘要: 深度学习用于引力波探测是近几年的研究热点。匹配滤波法可以看作模板存储于卷积核参数中的单卷积层的神经网络,通过加深模型的深度可以在参数大大减少的同时得到相似的探测效果。对不同的卷积核大小、卷积核的数量 (模型的宽度)、卷积层的数量 (模型的深度) 的深度学习引力波探测模型进行了讨论。另外,对全连接层前采用批量归一优化 (batch normalization, BN) 模型的探测效果进行了研究,发现单卷积层的模型在加入 BN 后的探测精度由 50% 左右提高到了 90% 以上。研究结果为匹配滤波模板数量的压缩提供了潜在的新方法,匹配滤波后通过BN 层和全连接层也许能够大大减少匹配模板数量。
分类: 天文学 >> 天文学 提交时间: 2021-09-29 合作期刊: 《天文研究与技术》
摘要: 快速射电暴(Fast Radio Burst,FRB)是目前射电天文领域的主要热点前沿。其相关研究被《自然》(Nature)杂志评选为2020年十大科学发现之一。FRB爆发时间极短且鲜少重复的特点,使其观测捕捉到的概率极低。由人工从海量的天文观测数据中识别FRB事件是件耗时费力的工作。机器学习技术的蓬勃发展为实时搜寻与多频段联合跟踪观测FRB带来了可能。该文从传统机器学习方法和深度学习方法两个方面,对该研究已有的成果进行了分析与总结,并探讨了基于机器学习的FRB搜寻技术目前存在的问题和面临的挑战,分析了其未来发展趋势。
分类: 天文学 >> 天文学 提交时间: 2019-12-20 合作期刊: 《天文研究与技术》
摘要: 太阳活动区是各类太阳活动的主要能量来源,剧烈的太阳活动会直接影响人类的生存环境,因此准确地检测与跟踪太阳活动区对监控和预报空间天气非常重要。本文基于深度学习框架的YOLOv3-spp和DeepSort提出了一种太阳活动区检测和跟踪方法(Active Regions Detection and Tracking Method, ARDTM),该方法较好地解决了传统图像处理方法易将一个太阳活动区误检测为多个,或者多个太阳活动区误检测为一个活动区的问题;及时捕获到新产生的太阳活动区和终止跟踪消失的太阳活动区,有效地提高了太阳活动区的跟踪准确率。实验结果表明该方法可以较好地检测和跟踪不同望远镜、不同时间间隔序列图像中的太阳活动区。
分类: 天文学 >> 天文学 提交时间: 2018-05-15 合作期刊: 《天文研究与技术》
摘要: 太阳黑子与耀斑的爆发存在紧密联系,因此及时准确地检测全日面图像中的太阳黑子可以为耀斑的预报提供依据。基于深度学习框架的LeNet-5卷积神经网络实现了一种太阳黑子自动检测方法,主要步骤包括:制作太阳黑子样本库、训练全卷积神经网络模型Sunspotsnet、检测和标记全日面像中的太阳黑子。实验结果表明,该方法可以识别SDO/HMI的全日面连续谱图像上各种类型的黑子,尤其是较弱的磁孔(0.88倍平均光球强度),采用基于深度学习的方法检测太阳黑子是可行的,训练的Sunspotsnet网络模型可以快速有效地应用在太阳黑子的检测上。