1.一种疏散星团识别模型构建方法,其特征在于,所述方法包括以下步骤:步骤1、获取标记天区的区域星体结构化数据,为由该天区内区域星体组成的星团加注标签,组成区域星体结构化数据集以及星团标签集;
步骤2、对所述的区域星体结构化数据集进行处理,得到Parzen窗密度图样本集;
步骤3、以所述的Parzen窗密度图样本集作为输入,以所述星团标签集作为输出,对预构建的疏散星团识别模型进行训练,得到训练好的疏散星团识别模型;
其中,步骤2包括以下子步骤:
步骤2.1、对区域星体结构化数据集中的区域星体结构化数据进行清洗筛选,保留区域星体的赤经维度变量与赤纬维度变量;
步骤2.2、以区域星体的赤经维度变量与赤纬维度变量确定区域星体核函数和标记天区带宽参数;
步骤2.3、对得到的区域星体核函数和标记天区带宽参数进行数据分布概率密度估计,得到区域星体密度分布模型;
步骤2.4、计算自适应采样网格的采样率,以自适应采样网格对区域星体密度分布模型进行采样,得到Parzen窗密度估计图,组成Parzen窗密度估计图样本集。
2.如权利要求1所述的疏散星团识别模型构建方法,其特征在于,步骤2.2中所述的以区域星体的赤经维度变量与赤纬维度变量确定区域星体核函数和标记天区带宽参数具体包括以下步骤:步骤2.2.1、通过式I计算标记天区带宽参数h:
式(I)中,σ为标准差,N为区域星体的总数;
步骤2.2.2、通过式II计算区域星体核函数:
式(II)中,μ1n表示标记天区内第n号区域星体的赤经维度变量,μ2n表示标记天区内第n号区域星体的赤纬维度变量,σ为标准差,ρ为常系数,x为相对区域星体赤经维度变量μ1n的横坐标值,y为相对区域星体赤纬维度变量μ2n的纵坐标值,其中,μ1n‑h
3.如权利要求1所述的疏散星团识别模型构建方法,其特征在于,步骤2.3中所述对得到的区域星体核函数和标记天区带宽参数进行数据分布概率密度估计,得到区域星体密度分布模型具体包括以下步骤:步骤2.3.1、通过区域星体核函数得到区域星体的高斯分布;
步骤2.3.2、在二维方向对所述区域星体的高斯分布进行积分,得到区域星体分布函数;
步骤2.3.3、对得到的区域星体分布函数进行归一化处理,获得区域星体密度分布模型。
4.如权利要求1所述的疏散星团识别模型构建方法,其特征在于,步骤2.4中所述计算自适应采样网格的采样率;以自适应采样网格对区域星体密度分布模型进行采样,得到Parzen窗密度估计图,组成Parzen窗密度估计图样本集具体包括以下步骤:*
步骤2.4.1、计算自适应采样网格的采样率N:
式(III)中,d为标记天区的锥半径,单位为度,G为截止星等常量;
步骤2.4.2、以尺寸为N*×N*的自适应采样网格对区域星体密度分布模型进行采样,得到密度数值网格图,获得密度数值网格图样本集;
步骤2.4.3、将密度数值网格图样本集中的密度数值网格图的像素值拉伸到预定的灰度范围,得到Parzen窗密度估计图,组成Parzen窗密度估计图样本集。
5.如权利要求4所述的疏散星团识别模型构建方法,其特征在于,步骤2.4.3中所述的预定的灰度范围为0‑255。
6.如权利要求4所述的疏散星团识别模型构建方法,其特征在于,步骤2.4.3中所述Parzen窗估计图的尺寸为168×168像素。
7.如权利要求1所述的疏散星团识别模型构建方法,其特征在于,步骤3中所述的疏散星团识别模型以卷积神经网络为基础,由六个依次连接的卷积组组成,其中,第一至第五卷积组的结构相同,均包括依次连接的两个卷积层和一个最大池化层;第一卷积组为16通道、第二卷积组为32通道、第三卷积组为64通道、第四卷积组为128通道、第五卷积组为128通道,五个卷积组叠加输出的尺寸为10×10×128,通过平坦层进行转换,最终作用于第六部分的3个全连接层,节点个数分别为128、64、64;每个全连接层的后面添加保留率为0.8的dropout层。
8.一种疏散星团识别方法,其特征在于,包括以下步骤:
步骤8.1,获取标记天区的区域星体结构化数据,为由该天区内区域星体组成的星团加注标签,组成区域星体结构化数据集以及星团标签集;
步骤8.2,对所述的区域星体结构化数据集进行处理,得到Parzen窗密度图样本集;
步骤8.3,将所述的Parzen窗密度图样本集输入疏散星团识别模型得到疏散星图识别结果;
其中,所述的疏散星团识别模型为上述权利要求1‑7任一项所述的疏散星团识别模型构建方法构建得到的疏散星团识别模型。
9.一种疏散星团识别系统,其特征在于,所述的疏散星团识别系统包括疏散星团数据采集模块和疏散星团识别模块;
所述的疏散星团数据采集模块以区域星体结构化数据作为采集对象;
所述的疏散星团识别模块用于执行上述权利要求8所述的疏散星团识别方法。