隨著觀(guān)測(cè)技術(shù)的進(jìn)步、觀(guān)測(cè)儀器的發(fā)展,大天區(qū)星系圖像巡天計(jì)劃如斯隆數(shù)字巡天(Sloan Digital Sky Survey,SDSS),COSMOS 巡天(Cosmic Evolution Survey,COSMOS)等逐步實(shí)施,星系觀(guān)測(cè)數(shù)據(jù)呈現(xiàn)爆炸式增長(zhǎng)趨勢(shì),新興觀(guān)測(cè)手段使得天文學(xué)邁入“大數(shù)據(jù)”時(shí)代。在星系物理研究方面,海量數(shù)據(jù)使得人工進(jìn)行大規(guī)模星系形態(tài)分類(lèi)已經(jīng)絕無(wú)可能。如何在自動(dòng)、快速、高效、準(zhǔn)確地區(qū)分星系大規(guī)模樣本不同形態(tài)的同時(shí),從海量、高維數(shù)據(jù)中挖掘隱含的信息,甚至是發(fā)現(xiàn)新的科學(xué)問(wèn)題是當(dāng)前一項(xiàng)意義非凡而又充滿(mǎn)挑戰(zhàn)的任務(wù)。基于傳統(tǒng)機(jī)器學(xué)習(xí)的星系形態(tài)分類(lèi)方法,需要復(fù)雜的特征工程,需要領(lǐng)域知識(shí)精巧地設(shè)計(jì)和提取特征,特征提取的好壞直接決定了最后分類(lèi)器的分類(lèi)性能,主觀(guān)性較強(qiáng)。深度學(xué)習(xí)可以自動(dòng)找出復(fù)雜且有效的高階特征,避免了人工提取特征的繁瑣過(guò)程和主觀(guān)性造成的分類(lèi)問(wèn)題。本文在比較分析了 AlexNet、VGG、Inception 和 ResNet 等經(jīng)典卷積神經(jīng)網(wǎng)絡(luò)(Convolutional Neural Network,CNN)的基礎(chǔ)上,提出了一種基于改進(jìn)的深度卷積神經(jīng)網(wǎng)絡(luò)的星系形態(tài)分...

【文章頁(yè)數(shù)】：76 頁(yè)

【學(xué)位級(jí)別】：碩士

【部分圖文】：

圖１．１?Ｄｉｅｌｅｍａｎ結(jié)構(gòu)圖??Ｆｉｇｕｒｅ?１．１?Ｓｃｈｅｍａｔｉｃ?ｏｖｅｒｖｉｅｗ?ｏｆ?Ｄｉｅｌｅｍａｎ??

包括４層卷積層（每層卷積核大小分別為６ｘ６、５ｘ５、３ｘ３和??３?ｘ?３）和３個(gè)全連接層（每層神經(jīng)元數(shù)量為２０１８、２０４８和３７）?（Ｄｉｅｌｅｍａｎ模型??見(jiàn)圖１．１），總計(jì)４２００萬(wàn)參數(shù)，以５萬(wàn)多張星系圖片為訓(xùn)練集，進(jìn)行模型訓(xùn)練，??３??

圖２．１哈勃序列??Ｆｉｇｕｒｅ、２．１?＇＂Ｈｕｂｂｌｅ?ｔｕｎｉｎｇ－ｆｏｒｋ＇＇?ｇａｌａｘｙ?ｃｌａｓｓｉｆｉｃａｔｉｏｎ?ｓｃｈｏｉｎ（＇［ＥＳＡ／Ｈｕｌ）ｂｌｒ｜??

２．１目視分類(lèi)系統(tǒng)??直接憑借眼睛來(lái)對(duì)星系的形態(tài)進(jìn)疔分類(lèi)，稱(chēng)為目視分類(lèi)系統(tǒng)。目視分類(lèi)系統(tǒng)??中最著名的是１９２６年哈勃提出的“哈勃序列”，又稱(chēng)“哈勃音叉圖”，如圖２．１所??示。他憑借不到４００張星系圖像，對(duì)星系形態(tài)進(jìn)行了分類(lèi)（Ｕｕｌ山ｌｅ，１９２Ｇ）。隨后，??一系列工作對(duì)哈勃....

圖３．１?Ｎ層前饋神經(jīng)網(wǎng)絡(luò)示意圖??Ｆｉｇｕｒｅ?３．１?Ｓｃｈｅｍａｔｉｃ?ｒｅｐｒｅｓｅｎｔａｔｉｏｎ?ｏｆ?ａ?ｆｅｅｄ－ｆｏｒｗａｒｄ?ｎｅｕｒａｌ?ｎｅｔｗｏｒｋ?ｗｉｔｈ?Ｎ?ｌａｙｅｒｓ??

的交互反應(yīng)（Ｋｏｈｏｎｅｎ，１９８８；周志華，２０１６）。??—個(gè)簡(jiǎn)單的?Ｎ?層前饋神經(jīng)網(wǎng)絡(luò)（Ｍｕｌｔｉ－ｌａｙｅｒ?Ｆｅｅｄｆｏｒｗａｒｄ?Ｎｅｕｒａｌ?Ｎｅｔｗｏｒｋ）??示意圖如圖３．１所示。網(wǎng)絡(luò)分為輸入層、隱藏層和輸出層。其中，ｌａｙｅｒ?１到ｌａｙｅｒ??Ｘ－１為隱藏層....

圖３．２各種激活函數(shù)曲線(xiàn)圖??Ｆｉｇｕｒｅ?３．２?Ａｃｔｉｖａｔｉｏｎ?ｆｕｎｃｔｉｏｎ?ｃｕｒｖｅ??

?〇?ｒＶ?ｌａｙｅｒ?１?（ｈｉｄｄｅｎ）??ｌＳ＾?＾?Ｙ?＾?＾?Ｘｌ?＝，（Ｗ丨ｘ〇?＋?ｈ）??｜ｘ〇??ｉｎｐｕｔ??圖３．１?Ｎ層前饋神經(jīng)網(wǎng)絡(luò)示意圖??Ｆｉｇｕｒｅ?３．１?Ｓｃｈｅｍａｔｉｃ?ｒｅｐｒｅｓｅｎｔａｔｉｏｎ?ｏｆ?ａ?ｆｅｅｄ－ｆｏｒｗａｒｄ?ｎｅｕ....

本文編號(hào)：3950450