典型文献
基于卷积神经网络的快速射电暴候选体分类
文献摘要：
针对目前从海量的快速射电暴(Fast Radio Burst,FRB)候选体中人工筛选FRB事件难以为继的现状,提出了一种基于卷积神经网络(Convolutional Neural Networks,CNN)的FRB候选体分类方法.首先,通过真实的观测数据和仿真FRB组成训练和测试样本集.其次,建立了二输入的深度卷积神经网络模型,并对其进行训练、测试和优化,获取FRB候选体分类器.最后,利用来自脉冲星的单脉冲数据对该分类器的有效性和性能进行了验证.实验结果表明,该方法可以快速从大量候选体中准确识别出单脉冲事件,极大地提高了FRB候选体的处理速率和效率.
文献关键词：
射电连续谱:暂现源;方法:数据分析;方法:分类
中图分类号：
作者姓名：
刘艳玲;陈卯蒸;李健;闫浩;袁建平
作者机构：
中国科学院新疆天文台 乌鲁木齐830011;中国科学院大学 北京100049;中国科学院射电天文重点实验室 南京210023;新疆微波技术重点实验室 乌鲁木齐830011
文献出处：
引用格式：
[1]刘艳玲;陈卯蒸;李健;闫浩;袁建平-.基于卷积神经网络的快速射电暴候选体分类)[J].天文学报,2022(04):105-114
A类：
B类：
快速射电暴,Fast,Radio,Burst,FRB,难以为继,Convolutional,Neural,Networks,分类方法,观测数据,样本集,深度卷积神经网络,卷积神经网络模型,分类器,自脉冲,脉冲星,单脉冲,脉冲数,准确识别,极大地提高,连续谱
AB值：
0.384058
相似文献
机标中图分类号，由域田数据科技根据网络公开资料自动分析生成，仅供学习研究参考。
