申请/专利权人：南京邮电大学

申请日：2021-09-16

公开（公告）日：2024-02-23

公开（公告）号：CN113656754B

主分类号：G06F17/18

分类号：G06F17/18;G06N3/0464;G06N3/08

优先权：

专利状态码：有效-授权

法律状态：2024.02.23#授权;2021.12.03#实质审查的生效;2021.11.16#公开

摘要：本发明公开了一种恒星光谱数据增强方法及系统，包括光谱数据预处理模块：对原始的恒星光谱数据进行清洗、归一化、深度学习标签构建等数据预处理工作；搭建与训练条件生成对抗网络模块：基于博弈论理论搭建条件生成对抗网络，构建随机噪声向量，训练生成恒星光谱数据；基于训练好的生成模型进行数据增强模块：基于前面训练好的条件生成对抗网络，从随机的噪声向量生成恒星光谱数据。本发明的恒星光谱数据增强方法基于博弈论的理论基础，利用生成对抗网络，建立了不同类别恒星光谱的数据增强模型，使得本发明以较小的时间代价获得了足够的恒星光谱数据。

主权项：1.一种恒星光谱数据增强方法，其特征在于，包括：对恒星光谱进行预处理，对处理后的光谱数据按照类别设置标签；构建条件生成对抗网络模型并采用设置标签的的光谱数据对网络模型进行训练；基于训练好的条件生成对抗网络模型进行数据增强；所述对恒星光谱进行预处理包括：对于光谱样本集中D中的每个每个恒星光谱样本Si，设置统一的维度m，在维度m处将Si截断得到使其每个维度都有值；其中，D＝{S1,S2,S3,...Si...,Sn}，Si代表第i个恒星光谱样本，n代表真实的恒星光谱的个数；根据式1得到归一化后的恒星光谱样本数据 所述构建条件生成对抗网络模型包括：基于高斯分布，生成随机噪声向量N，并配对的生成类别控制向量C；将随机噪声向量N和类别控制向量C拼接成一个输入向量N′＝N,C；根据输入向量N′＝N,C生成条件生成对抗网络模型；所述根据输入向量N′＝N,C生成条件生成对抗网络模型包括：通过Reshape层、卷积层、上采样层、压平层和全连接层搭建生成模型；通过生成模型将输入向量N′拓展到真实光谱数据D同样的数据维度，得到生成的光谱数据F；通过Reshape层、卷积层、丢弃层、压平层和全连接层搭建卷积神经网络判别模型；将生成的光谱数据F与真实光谱数据D混合，按照类别生成标签向量L，送入卷积神经网络判别模型；通过深度学习迭代学习，得到训练好的条件生成对抗网络模型。

全文数据：

权利要求：

百度查询： 南京邮电大学 恒星光谱数据增强方法及系统

免责声明
1、本报告根据公开、合法渠道获得相关数据和信息，力求客观、公正，但并不保证数据的最终完整性和准确性。
2、报告中的分析和结论仅反映本公司于发布本报告当日的职业理解，仅供参考使用，不能作为本公司承担任何法律责任的依据或者凭证。

阅读全文 双屏查看 官方信息 专利公告 收藏专利 下载PDF 下载WORD