[发明专利]一种基于ResNet的天体光谱分类方法及其系统

权利要求书

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，对输出结果进行softmax计算之后取每一个数据的类别为其softmax分值最高的那一类；

步骤S42：利用交叉熵进行损失计算，利用优化器以及学习率调整函数进行参数调整；

步骤S43：在每一个循环之中利用验证集数据与训练集数据进行交叉验证，调整参数，并记录下对应在验证集上表现最好的模型的参数；

步骤S44：重复步骤S41至S43直到模型的准确率在验证集上达到收敛。

7.根据权利要求6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S42中，还包括干预步骤，干预方式是需要中断训练过程设置一个小的初始学习率重新开始训练。

8.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S5中，包括如下子步骤：

步骤S51：取步骤S4中在训练集上表现最好的参数载入模型，将测试集数据传入模型计算出结果；

步骤S52：取定每一个数据的类别为其结果分值最高的那一类。

9.根据权利要求8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S51中，将输入数据通入模型，进行一轮前向传播计算之后，模型输出对每一个数据的在每一个分类上的预测值。

10.一种基于ResNet的天体光谱分类系统，其特征在于，包括：

加载预训练参数模块，其初始化ResNet卷积网络模型，并进行优化修改，加载预训练参数；

读取模块，其读取天体光谱的多维数据；

数据增强模块：其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；

数据训练模块：其采用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；

测试比对模块：其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。