华中科技大学国家工科电工电子基础课程教学基地建设工作汇报

本文介绍了华中科技大学国家工科电工电子基础课程教学基地概况,阐述了基地建设的目标与改革思路,以及基地建设的实施方案;重点介绍了在电工电子基地建设中依托学科,学研产相结合,构建三开放、四层次、课内外相结合的实验教学新体系和将学生工程实践能力和创新能力培养落实到实处的特色及具体做法;对基地教学改革中课程体系、教学内容和教学手段的改革和基地的科研工作和师资队伍建设作了较详细论述,给出了专家组对基地的评价意见。     

基于深度架构网络的矮新星自动分类研究

矮新星是一类特殊而稀少的半相接双星。发现更多的矮新星对于深入研究物质转移理论、理解密近双星演化过程意义深远。利用深度学习技术提取天体光谱特征并进而分类是天文数据处理领域的研究热点。传统的自编码器是仅包含一个隐层的经典神经网络模型,编码能力有限,数据表征学习能力不足。模块化拓宽神经网络的深度能够驱使网络继承地学习到天体光谱的特征,通过对底层特征的逐渐抽象学习获得高层特征,进而提高光谱的分类准确率。以自编码器为基础构建了由输入层、若干隐藏层和输出层组成的基于多层感知器架构的深度前馈堆栈式自编码器网络,用于处理海量的光谱数据集,挖掘隐藏在光谱内部具有区分度的深度结构特征,实现对矮新星光谱的准确分类。鉴于深度架构网络的参数设置会严重影响所构建网络的性能,将网络参数的优化分为逐层训练和反向传播两个过程。预处理后的光谱数据先由输入层进入网络,再经自编码器算法和权值共享实现对网络参数的逐层训练。反向传播阶段将初始样本数据再次输入网络,以逐层训练所得的权值对网络初始化,再把网络各层的局部优化训练结果融合起来,根据所设置的输出误差代价函数调整网络参数。反复地逐层训练和反向传播,直到获得全局最优的网络参数。最后由末隐层作为重构层搭建支持向量机分类器,实现对矮新星的特征提取与分类。网络参数优化过程中利用均值网络思想使网络隐层单元输出按照dropout系数衰减,并由反向传播算法微调整个网络,从而防止发生深度过拟合现象,减少因隐层神经元间的相互节制而学习到重复的数据表征,提高网络的泛化能力。该网络分布式的多层次架构能够提供有效的数据抽象和表征学习能力,其特征检测层可从无标注数据中隐式地学习到深度结构特征,有效刻画光谱数据的非线性和随机波动性,避免了光谱特征的显式提取,体现出较强的数据拟合和泛化能力。不同层之间的权值共享能够减少冗余信息的干扰,有效化解传统多层次架构网络易陷入权值局部最小化的风险。实验表明,该深度架构网络在矮新星分类任务中能达到95.81%的准确率,超过了经典的LM-BP网络。     

激变变星光谱参数测量研究

激变变星是一类特殊而且数量稀少的双星系统,其主星是一颗白矮星, 伴星通常是一颗充满洛希瓣的光谱型为G,K或M型的晚型星或矮星。激变变星是一类爆发型的恒星,对于研究密近双星的演化具有积极的意义。激变变星按照爆发特征和光变特征可以分为很多亚型,如新星、再发新星、矮新星、类新星和磁激变变星。同时激变变星又是一类周期型的变星,这些因素都导致其可见光光谱非常复杂。目前对于激变变星的参数测量,主要通过后续观测来测量其轨道周期、主星和伴星之间的距离等。由于在吸积的过程中,物质在白矮星的表面累积,无法直接测量主星的物理参数,而且激变变星本身是一种暗弱的天体,实测光谱数量较少,因此极大限制了对激变变星物理参数的系统研究。目前唯一能够生成激变变星理论光谱的软件是基于光致电离模型的CLOUDY,但CLOUDY存在采样点过于稀少以及参数太多等问题,不能作为理想的理论光谱模板。法国ELODIE高分辨率的光谱可以作为M型恒星光谱参数测量的理论模板。前期工作中,通过机器学习等方法在美国斯隆巡天和中国郭守敬望远镜巡天数据中发现了一批激变变星。通过人工筛选,选择了伴星是M型的407条实测光谱,这些光谱大部分是宁静期的矮新星,光谱的主要特征是巴尔末线系和氦的发射线。再通过与高分辨率的ELODIE光谱交叉,利用SDSS-casjob数据库中的ELODIE参数,对激变变星的红端部分进行模板匹配,系统测量了其伴星的物理参数。为了降低计算量,对高维的光谱分别通过主分量分析和局部线性嵌入两种方法进行了特征提取和降维。实验结果表明LLE方法在邻域大小15,维度59时达到最高贡献率94.91%。根据PCA和LLE的交集,最终光谱的维度确定为59。实验中发现激变变星的伴星中M2型数量极少,具体原因需要更多的样本来解释。因为实验中激变变星光谱中,只有部分有明显的分子带特征,因此那些在爆发下降阶段或者光谱被吸积盘特征控制的激变变星没有进行参数测量。该实验弥补了激变变星光谱物理参数测量的空白。     

带有以太网接口的蓄电池化成监控系统的设计

介绍了一种以Atmeea128为核心的带有以大网接口的蓄电池化成监控系统的设计方案.该系统设计利用CS5460A完成电流电压采集,由RTL8019AS和uIP0.9协议栈实现了系统与企业内部网的以大网连接.     

基于反贝叶斯学习的WDMS光谱自动识别研究

天体光谱是天体物理学重要的研究对象,通过光谱可以获取天体的许多物理、化学参数如有效温度、金属丰度、表面重力加速度和视向速度等。白矮主序双星是一类致密的双星系统,对研究致密双星的演化特别是公共包层的演化有着重要的意义。国内外的大型巡天望远镜如美国斯隆望远镜以及中国的郭守敬望远镜,每天都产生大量光谱数据。如此海量的光谱数据无法完全用人工进行分析。因此,使用机器学习方法从海量的天体光谱中自动搜索白矮主序双星光谱,有着非常现实的意义。目前的光谱自动识别方法主要通过对已有的标签样本进行分析,通过训练得到分类器,再对未知目标进行识别。这类方法对样本的数量有明确的要求。白矮主序双星的实测光谱数量有限。若要通过有限的样本集准确学习白矮主序双星的光谱特征,不仅需要扩大样本数量,还需要提高特征提取和分类算法的精度。在前期工作中,通过机器学习等方法在海量巡天数据中识别了一批白矮主序双星的光谱,为该实验提供了数据源。使用对抗神经网络生成新的白矮主序双星光谱,扩大训练数据量至原数据集约两倍的数量,增强了分类模型的泛化能力。通过反贝叶斯学习修正损失函数,将损失函数的大小与样本的方差相关联,抑制了异常数据对模型造成的影响,提升了模型的鲁棒性,解决了由于训练样本集偏差带来的梯度消失以及训练陷入局部最优解等问题。该实验基于Tensorflow深度学习库。使用Tensorflow搭建的生成对抗网络具有较好的鲁棒性,并且封装了内部实现细节,使得算法得以更好地实现。除此之外,由Tensorflow搭建的卷积神经网络在该实验中用于分类准确度测试。实验结果表明,二维卷积神经网络能够利用卷积核有效地提取白矮主序双星的卷积特征并进行分类。基于反贝叶斯学习策略的卷积神经网络分类器在白矮主序双星原始数据及对抗神经网络生成光谱的识别任务中达到了约98.3%的准确率。该方法也可用于在巡天望远镜的海量光谱中搜索其他特殊和稀少天体如激变变星、超新星等。