基于样本模拟与ResGAN的脉冲星候选体分类OA

脉冲星巡天观测受限于望远镜设备灵敏度、天体引力摄动以及脉冲星本身辐射微弱等因素,球状星团中观测到的脉冲星数量仅占其实际数量的小部分。针对已探测脉冲星数量有限的问题,提出了一种基于FAST观测特征的数据增强方法,通过模拟FAST系统背景噪声、射频干扰信号,以及脉冲轮廓、频率-相位图、时间-相位图、色散量曲线等多模态特征,生成大量新的脉冲星候选体样本,并与部分开源数据融合,构建了一个用于脉冲星分类的综合数据集,为后续深度学习模型训练提供了丰富的样本支持。在分类模型搭建上,融合半监督生成对抗网络与ResNet-50残差模型的优势,并提出了改进模型ResGAN。与基线模型SGAN相比,改进模型在综合数据集上表现出更优的分类性能,准确率提升0.9个百分点,F1分数提升1.7个百分点。