[发明专利]一种基于ResNet的天体光谱分类方法及其系统

说明书

本发明涉及一种基于ResNet的天体光谱分类方法及其系统，所述方法包括以下步骤：初始化ResNet卷积网络模型，并进行优化修改，加载预训练参数；读取天体光谱的多维数据；扩充数量比较小的类别的数据，利用高斯噪声对输入数据进行数据增强；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；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。本方法利用深度学习可以在多个维度进行特征提取，有着更高的鲁棒性和准确率。

技术领域

本发明涉及天体光谱数据分类技术领域，特别涉及一种基于ResNet的天体光谱分类方法及其系统。

背景技术

随着科学技术的发展和天文观测设备的更新换代，能够从天文设备中获取的天体光谱数据爆炸式增长。那么如何使用人工智能(AI)技术帮助天文学界高效地从海量数据中挖掘出有用的信息成为当今地难题。现有的技术主要依靠传统机器学习地做法对天体光谱数据进行分类如密度聚类、支持向量机、低层次的卷积神经网络等。在面对一些数据表现良好的分类任务时，传统机器学习方法确实能够胜任。但是随着数据量的增大，由数据与分类之间的非线性以及实际测量过程中的噪声干扰带来的模型鲁棒性下降问题使得利用传统的机器学习算法渐渐力不从心。所以采用深度学习对数据进行多维度深层次的特征提取，从而进一步提升精度、鲁棒性和泛化性成为了迫在眉睫的问题。

在现有技术中还提出了一种基于神经网络的自动分类方法，该发明采用径向基函数对天体光谱数据进行划分。但是因为它的卷积网络层数只有三层，所以对输入数据能够提取的特征有限。

现有还提出了利用MNN(M最近邻居)来对天体进行分类，然而利用此种聚类只能提取出数据的距离、密度等信息，导致此类模型的泛用性并不强。

发明内容

发明所要解决的问题

发明人在进行天体光谱数据分类任务研究时，发现目前最经常采用的自动识别方案都是采用的一些传统机器学习方法。在传统机器学习之中，不论是聚类、支持向量机、决策树、还是CNN(卷积神经网络)都难免存在着解决问题角度单一、特征提取能力有限的问题。如聚类算法，通常是将数据映射到一个高维特征空间，然后在空间内部从距离或者密度的角度对数据进行分类，那么除了距离和密度以外的信息比如两个特定光谱数据之间的关系之类的信息就没有被有效利用起来。针对这一问题，发明人发现采用ResNet(残差神经网络)可以有效解决此类问题，提高模型的鲁棒性和泛用性。利用多个有参层来学习输入与输出之间的残差表示，而不是像CNN一样直接学习输入输出之间的映射关系，所以即便是构建了很深层的网络之后它对最上层的信息也能够有效保留，而不会存在通常的梯度消失、学习能力下降等问题。所以利用ResNet来解决天体光谱数据分类问题是有一定价值的。

因此，本发明的目的是提供一种基于ResNet的天体光谱分类方法及其系统，以解决上述现有技术的特征提取维度较低，泛化性能不强，精度不够等问题，对最基础的ResNet网络进行了一定的有针对性地修改，构建了对应深层次的卷积神经网络来从多个维度提取数据特征。

用于解决问题的方案

本发明的一方式是一种基于ResNet的天体光谱分类方法，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。

优选地，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。