دانلود شبیه سازی مقاله طبقه بندی مورفولوژی کهکشان به کمک شبکه عصبی عمیق

عنوان فارسی

طبقه بندی مورفولوژی کهکشان به کمک شبکه های عصبی کانولوشنی عمیق

عنوان انگلیسی

Galaxy morphology classification with deep convolutional neural networks

کلمات کلیدی

طبقه بندی مورفولوژی کهکشان؛ یادگیری عمیق؛ شبکه عصبی کانولوشنی

درسهای مرتبط

یادگیری عمیق

تعداد صفحات انگلیسی : 15 نشریه : Springer
سال انتشار : 2019 تعداد رفرنس مقاله : 53
فرمت مقاله انگلیسی : PDF نوع مقاله : ISI
اشپرینگر
قیمت دانلود مقاله
78,800تومان
دانلود رایگان مقاله انگلیسی
آیا این مقاله برای بیس پایان نامه مناسب است؟ : بله آیا این مقاله برای ارائه کلاسی مناسب است؟ : بله
برنامه ای که در آن مقاله شبیه سازی شده است : این مقاله در محیط پایتون پیاده سازی شده است نام مجله مقاله : Astrophysics and Space Science (اخترفیزیک و علوم فضایی)
ترجمه: ندارد گزارشکار : دارد (فایل راهنمای یک صفحه ای) شبیه سازی : دارد (پایتون با فرمت py)

این مقاله در محیط پایتون به صورت کامل شبیه سازی شده و در صورت خرید و دانلود مقاله شما به راحتی قادر خواهید بود از برنامه مربوطه استفاده نمایید. در صورت بروز هر گونه مشکل در نحوه ی اجرای برنامه سایت سیگمالند به مدت 24 ساعت بعد از خرید محصول، پشتیبانی آن را تا اجرای کامل برعهده دارد.

توضیحات و مشاهده مقاله انگلیسی

پروژه طبقه بندی تصاویر کهکشان در پایتون

کهکشان ها دارای شکل ها، اندازه ها و رنگ های مختلفی هستند. برای درک اینکه ریخت های کهکشان ها چه ارتباطی به اصول فیزیکی ایجاد کننده آنها دارند، لازم است کهکشان ها را دسته بندی کنیم. بنابراین، دسته بندی ریخت شناختی کهکشان یکی از گام های کلیدی در مطالعه تشکیل و تکامل کهکشان ها می باشد. در سال 1926، ادوین هابل، با استفاده از بررسی چشمی کمتر از 400 تصویر از کهکشان ها، «دنباله هابل» را پیشنهاد داد (که همچنین «دیاپازون هابل» نیز نامیده می شود) و کهکشان ها را به سه نوع تقسیم بندی کردند: بیضوی، مارپیچ و غیرمنظم. هنوز هم امروزه از عبارت «دنباله هابل» استفاده می شود. مدت های متمادی، اخترشناسان از بررسی چشمی برای دسته بندی کهکشان ها و روزآمد کردن طرح دسته بندی هابل استفاده می کردند. در دهه های اخیر، مطالعات مقیاس بزرگ مانند «مطالعه دیجیتال آسمان اسلاون» (SDSS)، منجر به بدست آمدن تعداد زیادی تصاویر از کهکشان ها شد. دسته بندی این تعداد زیاد تصاویر بوسیله اخترشناسان نه تنها وقتگیر بلکه یک ماموریت غیرممکن است.

طبقه بندی تصاویر کهکشان

در این مقاله، یک نوع ResNets را برای دسته بندی ریخت شناسی کهکشان پیشنهاد می دهیم. در اینجا، 28790 کهکشان را با استفاده از دیتاست Galaxy Zoo 2، به 5 دسته: کاملاً گرد و هموار، هموار درمیان (بین کاملاً گرد و سیگار شکل)، هموار سیگار شکل، «لبه نما» (edge-on) و مارپیچ، تقسیم بندی می کنیم. در مرحله پیش پردازش داده ها، یک کانال پیش پردازش کامل ارائه می شود و پنج فرم تقویت داده برای اجتناب از اضافه برازش بکار گرفته می شوند، بخصوص روش اعوجاج مقیاس که تعداد تصاویر آموزشی را بسیار زیاد می کند. مزیت شبکه ما، ترکیب مدل Dieleman با ResNets است که در آن تلاش می کنیم عمق را کاهش دهیم و ResNet را عریض کنیم. از یک واحد باقیمانده «تنگنایی» (bottleneck) با پیش فعالسازی کامل «BN-ReLU-Conv»، استفاده می کنیم. برای اجتناب از بیش برازش، از «بیرون اندازی» بعد از یک کانولوشن 3×3، استفاده می کنیم. شبکه ما 26 لایه با 26.3 میلیون پارامتر دارد. یک مقایسه نظام مند بین این مدل و CNN های مشهور دیگر مرتبط با یادگیری عمیق، مانند Dieleman، AlexNet، VGG، Inception و ResNet ها، انجام می دهیم. مدل ما به بهترین عملکرد دسته بندی با دقت کلی 95.2083% برروی مجموعه آزمون دست پیدا می کند درحالی که دقت 5 نوع کهکشان کاملاً گرد، 96.6785%؛ در میان، 94.4238%؛ سیگار شکل، 58.6207%؛ لبه نما، 94.3590% و مارپیچ، 97.6953% می باشد. دقت میانگین، 94.6528% می باشد بخاطر اینکه مخصوصاً برای تصاویر کهکشانی طراحی شده است. با اینکه AlexNet، VGG، Inception و ResNetها، برای ImageNet طراحی شده اند، اما همگی به ترتیب به عملکرد عالی با دقت های 92.2569%، 93.6458%، 94.5139% و 94.6857% دست پیدا می کنند، که این بخاطر تعمیم پذیری خوب آنها می باشد. با ترسیم وزن های فیلتر و نقشه های ویژگی، تلاش می کنیم درک کنیم مدل CNN چه چیزهایی را یاد می گیرد. برای نمونه، فیلترهای لایه اول، لبه ها، گوشه های مختلف کهکشان و موارد دیگر را از پیکسل های اصلی، شناسایی می کنند و سپس لبه ها برای شناسایی شکل های ساده، مانند شکل های میله یا یک بیضی در فیلترهای لایه دوم، استفاده می شوند. سپس، این شکل ها برای شناسایی ویژگی های پیشرفته تر در فیلترهای لایه سطح بالا بکار گرفته می شوند. همچنین، در می یابیم که فیلترهای مختلف، اطلاعات رنگی مختلفی، عمدتاً قرمز و آبی که متناظر با رنگ خود کهکشان هستند، مانند یک کهکشان بیضوی قرمز یا یک کهکشان مارپیچ آبی، را نیز یاد می گیرند. با توجه به فعال سازی هر لایه برروی یک تصویر کهکشان، تعدادی از نقشه های ویژگی، هسته میانی را تشخیص می دهند، تعدادی قسمت زمینه را در لایه اول تشخیص می دهند و نقشه های ویژگی، حباب های انتزاعی را با ترکیبی از ویژگی های سطح بالا در لایه های بالاتر، تشخیص می دهند. علاوه بر آن، بعد از لایه های تجمیع (pooling layers)، مشتق پذیری هر نقشه ویژگی قویتر می شود که این دقیقاً همان انتظاری است که از مدل دسته بندی داریم.

این مقاله مربوط به سال 2019 بوده و در برنامه پایتون پیاده سازی شده است و برای موضوعات مربوط به شبکه عصبی و یادگیری عمیق، مناسب می باشد

دیدگاهها

هیچ دیدگاهی برای این محصول نوشته نشده است.

اولین نفری باشید که دیدگاهی را ارسال می کنید برای “دانلود شبیه سازی مقاله طبقه بندی مورفولوژی کهکشان به کمک شبکه عصبی عمیق”

نشانی ایمیل شما منتشر نخواهد شد. بخش‌های موردنیاز علامت‌گذاری شده‌اند *

تمامی حقوق مادی و معنوی برای سایت سیگمالند محفوظ است.