利用卷积神经网络搜索暗能量光谱仪模拟光谱中的莱曼极限系统

研究莱曼极限系统(Lyman limit systems,LLS)对于了解宇宙的大尺度结构、星系演化以及星系团内部气体分布具有重要意义.然而,由于LLS吸收特征的独特性,目前的研究主要采用传统方法,对柱密度在10^(19)cm^(-2)≤N(HI)<10^(20.3)cm^(-2)的小样本集上进行认证.本文利用深度学习技术,在暗能量光谱仪(The Dark Energy Spectroscopic Instrument,DESI)模拟光谱上,通过优化卷积神经网络(convolutional neural network,CNN)模型,提高了对LLS(10^(18.5)cm^(-2)≤N(HI)≤10^(20.0)cm^(-2))的识别精度(达到95%).随后,验证了该模型的完备度和纯度,并估计了LLS的柱密度和红移.结果显示:在S/N>6的情况下,当10^(19.0)cm^(-2)>N(HI)>1018.5cm^(-2)时,CNN模型的完备度超过0.5,而纯度也超过0.2;当10^(20.0)cm^(-2)>N(HI)>10^(19.0)cm^(-2)时,完备度超过0.9,而纯度超过0.7;当10^(20.0)cm^(-2)>N(HI)>10^(18.5)cm^(-2)时,CNN模型对LLS柱密度估计值与真实值的平均差值为-0.05161,标准差为0.239,对LLS红移估计值和真实值的平均差值为-0.0003,标准差为0.0009.这些结果表明:模型的完备度普遍高于纯度,尤其是在低柱密度的情况下,LLS在光谱中的吸收特征非常窄,极易与其他波段混淆,导致模型产生更多的FP(false positive)样本.此外,CNN模型对LLS的柱密度和红移的估计值略低于真实值,且估计误差的离散程度较小.本研究为未来的LLS研究提供了可参考的方法,鼓励研究人员适应并采用CNN模型进行各种光谱分析.

基于课程学习过程性数据的成绩预测研究

学生成绩预测在智慧教育领域备受瞩目,通过分析课程过程性学习数据预测期末考试成绩对于提高教学质量至关重要。选取2017-2019年青海大学程序设计基础(C)课程的学生学习数据作为研究对象,使用支持向量机、随机森林、多层感知器、极限梯度提升树和多元线性回归5种机器学习模型,根据过程性学习数据提前评估学生的期末表现,同时采用均方根误差、确定系数、平均绝对误差和均方误差评价模型预测性能。实验结果表明,5种机器学习模型在成绩预测方面均有较好表现,其中极限梯度提升树性能最佳。采用机器学习模型深入分析学生的过程性学习数据并提前预测其期末表现可以帮助教师优化教学过程,使学生获得更好的学习成绩和体验。

面向遥感图像目标感知的群目标检测框架

光学遥感是航天侦察和地质勘测中的常用技术,拍摄得到的可见光图像能够提供非常丰富的信息,在目标监视、态势预判等方面都具有重要应用。近年来以轮船、飞机等物体检测为代表的光学遥感图像目标感知取得了显著进展,但对于目标尺度变化大,目标数量多而小的遥感图像目标感知场景中还存在巨大技术挑战,也就是在当前的光学遥感图像目标感知场景存在很多目标小并且多目标集中的情况,容易导致误检和漏检。为了解决现有遥感图像目标检测算法不同目标独立检测的内在低效性,本文提出了一种新的检测框架,即群目标检测,以期通过检测群目标的状态信息来缓解单一目标感知信息不足、可靠性差等问题,进而得到更为可靠的多目标检测结果。本文首先对群目标的概念进行定义,然后基于该定义提出了一种群目标自动化标注方案,在公开数据集上对原有标签进行分析,无需任何手动标注,就能得到含有群目标标注的注释信息。基于群目标自动化标注,本文提出了群目标检测算法,即在检测群目标的同时,利用群目标的空间约束提升单一目标检测结果。实验证明,与近年来的遥感图像检测算法相比,本文提出的群目标检测在最热门的大型遥感目标检测数据集DOTA上验证时,性能最佳。