排序方式: 共有2条查询结果,搜索用时 15 毫秒
1
1.
脉冲星候选体选择是脉冲星搜寻任务中的重要步骤.为了提高脉冲星候选体选择的准确率,提出了一种基于自归一化神经网络的候选体选择方法.该方法采用自归一化神经网络、遗传算法、合成少数类过采样这三种技术提升对脉冲星候选体的筛选能力.利用自归一化神经网络的自归一化性质克服了深层神经网络训练中梯度消失和爆炸的问题,大大加快了训练速度.为了消除样本数据的冗余性,利用遗传算法对脉冲星候选体的样本特征进行选择,得到了最优特征子集.针对数据中真实脉冲星样本数极少带来的严重类不平衡性,采用合成少数类过采样技术生成脉冲星候选体样本,降低了类不平衡率.以分类精度为评价指标,在3个脉冲星候选体数据集上的实验结果表明,本文提出的方法能有效提升脉冲星候选体选择的性能. 相似文献
2.
为了快速获得高精度的脉冲星累积脉冲轮廓时延估计,提出了一种基于两级压缩感知的时延估计方法.压缩感知主要包括三个部分:字典、测量矩阵、恢复算法,其中字典尺寸是影响压缩感知估计精度的重要因素.针对压缩感知中字典的原子数增加虽能提高估计精度但又带来计算量大的问题,该方法采用粗估计与精估计两级字典相结合,先利用粗估计字典原子间隔大的特点进行累积脉冲轮廓全相位估计,得到预估时延值,再利用精估计字典的原子间隔小且个数少适合局部估计的特点对累积脉冲轮廓进行精确时延估计.理论分析与实验结果表明:两级字典数据量比传统字典小两个数量级,在相同的时延估计精度下,该方法比传统压缩感知方法计算量大幅度减少,是一种能保持高估计精度并有效降低计算量的脉冲星时延估计方法. 相似文献
1