基于像素偏移值信号增强算法的单脉冲候选体分类方法研究

时域射电领域观测活动经常产生海量的数据,而随着深度学习技术近几年来的不断发展,以在海量的数据流中识别可能的单脉冲侯选体成为主流方法。相对于传统的脉冲星搜寻方法,使用深度学习领域的技术可以缩短搜寻时间,提高搜寻效率,同时能达到极高的预测精度。本文提出了一种像素偏移值信号增强算法,采用经ImageNet预训练、以EfficientNet-B0为骨干网络的迁移学习模型,可以直接处理来自射电望远镜的原始、高时间分辨率的数据集,不需要消色散,此方法亦可以应用于FRB侯选体的发现。实验证明,在来自FAST官方网站的数据集测试中,该模型可达到92.0%的召回率以及90.1%的精确率。经对比,本文提出的像素偏移值信号增强算法使得模型的Recall提高了45.8%,Precision提高了17.5%,Accuracy提高了26.3%,以及F1-score提高了31.1%。

非中心化的机构知识库系统构建

中心化的机构知识库构建策略难以满足用户多样化和个性化的知识应用需求.提出基于非中心化策略构建机构知识库.设计了其系统结构和工作过程,并对其关键技术问题作了概要阐述.重点围绕KM@web2.0系统介绍了解决这些关键问题的实现方案.

基于迁移学习的扁钢缺陷智能分类算法

扁钢缺陷的智能监测与诊断对于提高扁钢质量、生产效率和相关的智能制造水平具有重要作用,将深度学习算法应用于机械工程问题具有重要意义。本文在对比了传统CNN网络以及两种基于大规模数据集ImageNet的迁移学习模型(VGG-16、DenseNet 121)的基础上,提出了一种不冻结权重、以DenseNet 121作为骨干网络的模型,并将其应用于扁钢缺陷智能分类中。实验证明,迁移学习模型,尤其是改进后的DenseNet 121模型对扁钢缺陷具有最佳的分类性能。DenseNet 121模型的分类准确率达到95%,ROC AUC得分高达0.99。