CN116796826A - 脉冲星搜索网络训练方法、脉冲星搜索方法、装置、设备 - Google Patents

Abstract

本发明提供了一种脉冲星搜索网络训练方法，包括：基于训练样本集合和所述候选体的脉冲轮廓图像，对脉冲星搜索网络的主干网络进行第一训练，确定主干网络的初始网络参数；基于训练样本集合和所述和脉冲星标签值，对脉冲星搜索网络的主干网络进行第二训练，得到脉冲星搜索网络的主干网络的目标参数，由此，能够在减少训练数据总量和无需重进行监督训练的前提下，稳定提高脉冲星搜索网络训练训练的准确率，减轻脉冲星搜索网络的过拟合，增强脉冲星搜索网络模型的泛化能力。本发明还提供了脉冲星搜索方法、装置、电子设备、计算机程序产品以及存储介质。本发明实施例可应用于云技术、人工智能、智慧交通、辅助驾驶等各种场景。

Description

脉冲星搜索网络训练方法、脉冲星搜索方法、装置、设备

技术领域

本发明涉及人工智能领域的图像处理技术，尤其涉及脉冲星搜索网络训练方法、脉冲星搜索方法、装置、电子设备、计算机程序产品以及存储介质。

背景技术

基于深度学习所进行的各类别识别，一直以来都是各应用场景下解决大量数据分的重要工具。例如，在图像、自然语言处理等应用场景中，对大量数据所实现的大规模分类和识别，以此来快速准确的获得相关的分类预测结果，加速所在应用场景的功能实现。

在对图像所进行的分类预测中，根据所部署的应用场景不同，可以执行不同的任务，在进行脉冲星搜索时，由于脉冲星搜索任务中通常会产生海量的候选体文件，例如FAST会将会有PB量级的年增量，预计将产生千万量级的候选体，故而在脉冲星候选体搜寻中，搜索模型的准确度和搜索模型的推理速度都将至关重要。

发明内容

有鉴于此，本发明实施例提供一种脉冲星搜索网络训练方法、脉冲星搜索方法装置、电子设备、计算机程序产品以及存储介质，能够实现通过对脉冲星搜索网络的训练，能够在减少训练数据总量和无需重进行监督训练的前提下，稳定提高脉冲星搜索网络训练训练的准确率，减轻脉冲星搜索网络的过拟合，增强脉冲星搜索网络模型的泛化能力，便于将及时所训练的脉冲星搜索网络模型部署于网络终端中，实现脉冲星搜索网络模型的大规模应用。

本发明实施例的技术方案是这样实现的：

本发明实施例提供了一种脉冲星搜索网络训练方法，包括：

获取脉冲星搜索候选体信号对应的时间相位分布图像和频率相位分布图像；

对所述时间相位分布图像和频率相位分布图像进行组合，形成所述脉冲星搜索网络的训练样本集合；

获取所述获取脉冲星搜索候选体信号对应的候选体的脉冲轮廓图像和脉冲星标签值；

基于所述训练样本集合和所述候选体的脉冲轮廓图像，对所述脉冲星搜索网络的主干网络进行第一训练，确定所述主干网络的初始网络参数；

基于所述训练样本集合和所述和脉冲星标签值，对所述脉冲星搜索网络的主干网络进行第二训练，以实现调整所述脉冲星搜索网络的主干网络的初始参数，得到所述脉冲星搜索网络的主干网络的目标参数。

本发明实施例还提供了一种脉冲星搜索方法，包括：

接收无标注的脉冲星搜索候选体信号；

获取与所述脉冲星搜索候选体信号对应的时间相位分布图像和频率相位分布图像；

通过脉冲星搜索网络的主干网络，对所述时间相位分布图像和频率相位分布图像进行处理，确定图像处理结果；

通过所述脉冲星搜索网络的分类任务全连接层网络，对所述图像处理结果进行处理，得到所述脉冲星搜索候选体信号的预测结果。

本发明实施例还提供了一种脉冲星搜索网络训练装置，所述装置包括：

信息传输模块，用于获取脉冲星搜索候选体信号对应的时间相位分布图像和频率相位分布图像；

信息处理模块，用于对所述时间相位分布图像和频率相位分布图像进行组合，形成所述脉冲星搜索网络的训练样本集合；

所述信息处理模块，用于获取所述获取脉冲星搜索候选体信号对应的候选体的脉冲轮廓图像和脉冲星标签值；

所述信息处理模块，用于基于所述训练样本集合和所述候选体的脉冲轮廓图像，对所述脉冲星搜索网络的主干网络进行第一训练，确定所述主干网络的初始网络参数；

所述信息处理模块，用于基于所述训练样本集合和所述和脉冲星标签值，对所述脉冲星搜索网络的主干网络进行第二训练，以实现调整所述脉冲星搜索网络的主干网络的初始参数，得到所述脉冲星搜索网络的主干网络的目标参数。

上述方案中，

所述信息处理模块，用于确定所述时间相位分布图像和频率相位分布图像的噪声值，对所述确定所述时间相位分布图像和频率相位分布图像分别进行除噪处理；

所述信息处理模块，用于对经过除噪处理的所述时间相位分布图像和频率相位分布图像分别进行标准化处理，得到符合单通道灰度图像标准的时间相位分布图像和频率相位分布图像；

所述信息处理模块，用于将符合单通道灰度图像标准的时间相位分布图像和频率相位分布图像进行组合，形成所述脉冲星搜索网络的训练样本集合。

上述方案中，

所述信息处理模块，用于根据所述脉冲星搜索候选体信号所对应的目标区域的位置，确定与所述脉冲星搜索网络的使用环境相匹配的动态噪声阈值；

所述信息处理模块，用于根据所述动态噪声阈值对所述时间相位分布图像和所述频率相位分布图像进行降噪处理，以形成与所述动态噪声阈值相匹配的时间相位分布图像和频率相位分布图像。

上述方案中，

所述信息处理模块，用于根据所述脉冲星搜索候选体信号所对应的射电望远镜类型，确定与所述脉冲星搜索网络的使用环境相匹配的固定噪声阈值；

所述信息处理模块，用于根据所述固定噪声阈值对所述时间相位分布图像和所述频率相位分布图像进行降噪处理，以形成与所述固定噪声阈值相匹配的时间相位分布图像和频率相位分布图像。

上述方案中，

所述信息处理模块，用于获取所述脉冲星搜索候选体信号对应的候选体的原始脉冲轮廓图像；

所述信息处理模块，用于对所述的原始脉冲轮廓图像的序列值进行标准化处理，得到所述原始脉冲轮廓图像标准序列值；

所述信息处理模块，用于对所述原始脉冲轮廓图像标准序列值进行调整，得到所述脉冲星搜索候选体信号对应的脉冲轮廓图像，以实现与所述脉冲星搜索网络的精确度相匹配。

上述方案中，

所述信息处理模块，用于基于所述候选体的脉冲轮廓图像，确定所述候选体的脉冲轮廓图像的标签值；

所述信息处理模块，用于通过所述主干网络对应的预训练全连接层网络，基于所述脉冲轮廓图像的标签值，确定所述第一训练对应的第一损失函数；

所述信息处理模块，用于将所述训练样本集合中的训练样本，带入所述第一损失函数；

所述信息处理模块，用于当所述第一损失函数满足第一收敛条件时，确定所述主干网络的初始网络参数。

上述方案中，

所述信息处理模块，用于通过所述主干网络对应的分类任务全连接层网络，基于所述脉冲星标签值，确定所述第二训练对应的第二损失函数；

所述信息处理模块，用于将所述训练样本集合中的训练样本，带入所述第二损失函数；

所述信息处理模块，用于当所述第二损失函数满足第二收敛条件时，确定所述主干网络的更新参数；

所述信息处理模块，用于基于所述主干网络的更新参数，调整所述脉冲星搜索网络的主干网络的初始参数，得到所述脉冲星搜索网络的主干网络的目标参数。

本发明实施例还提供了一种脉冲星搜索装置，包括：

信号传输模块，用于接收无标注的脉冲星搜索候选体信号；

信号处理模块，用于获取与所述脉冲星搜索候选体信号对应的时间相位分布图像和频率相位分布图像；

所述信号处理模块，用于通过脉冲星搜索网络的主干网络，对所述时间相位分布图像和频率相位分布图像进行处理，确定图像处理结果；

所述信号处理模块，用于通过所述脉冲星搜索网络的分类任务全连接层网络，对所述图像处理结果进行处理，得到所述脉冲星搜索候选体信号的预测结果。

本发明实施例还提供了一种电子设备，所述电子设备包括：

存储器，用于存储可执行指令；

处理器，用于运行所述存储器存储的可执行指令时，实现前述的脉冲星搜索网络训练方法。

本发明实施例还提供了一种计算机可读存储介质，存储有可执行指令，其特征在于，所述可执行指令被处理器执行时实现前述的脉冲星搜索网络训练方法。

本发明实施例具有以下有益效果：

本发明通过获取脉冲星搜索候选体信号对应的时间相位分布图像和频率相位分布图像；对所述时间相位分布图像和频率相位分布图像进行组合，形成所述脉冲星搜索网络的训练样本集合；获取所述获取脉冲星搜索候选体信号对应的候选体的脉冲轮廓图像和脉冲星标签值；基于所述训练样本集合和所述候选体的脉冲轮廓图像，对所述脉冲星搜索网络的主干网络进行第一训练，确定所述主干网络的初始网络参数；基于所述训练样本集合和所述和脉冲星标签值，对所述脉冲星搜索网络的主干网络进行第二训练，以实现调整所述脉冲星搜索网络的主干网络的初始参数，得到所述脉冲星搜索网络的主干网络的目标参数，由此，能够实现通过对脉冲星搜索网络的训练，能够在减少训练数据总量和无需重进行监督训练的前提下，稳定提高脉冲星搜索网络训练训练的准确率，减轻脉冲星搜索网络的过拟合，增强脉冲星搜索网络模型的泛化能力，便于将及时所训练的脉冲星搜索网络模型部署于网络终端中，实现脉冲星搜索网络模型的大规模应用。

附图说明

图1是本发明实施例提供的脉冲星搜索网络训练方法的使用环境示意图；

图2为本发明实施例提供的电子设备的组成结构示意图；

图3为本发明实施例提供的脉冲星搜索网络训练方法一个可选的流程示意图；

图4A为本发明实施例中脉冲星搜索网络的样本集合示意图；

图4B为本发明实施例中脉冲星搜索网络的样本集合示意图；

图5为本发明实施例提供的脉冲星搜索网络训练方法一个可选的流程示意图；

图6为本发明实施例中脉冲星搜索网络的网络结构示意图；

图7为本发明实施例提供的脉冲星搜索方法一个可选的流程示意图；

图8为本发明实施例中脉冲星搜索候选体信号示意图。

具体实施方式

为了使本发明的目的、技术方案和优点更加清楚，下面将结合附图对本发明作进一步地详细描述，所描述的实施例不应视为对本发明的限制，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其它实施例，都属于本发明保护的范围。

在以下的描述中，涉及到“一些实施例”，其描述了所有可能实施例的子集，但是可以理解,“一些实施例”可以是所有可能实施例的相同子集或不同子集，并且可以在不冲突的情况下相互结合。

对本发明实施例进行进一步详细说明之前，对本发明实施例中涉及的名词和术语进行说明，本发明实施例中涉及的名词和术语适用于如下的解释。

1)响应于，用于表示所执行的操作所依赖的条件或者状态，当满足所依赖的条件或状态时，所执行的一个或多个操作可以是实时的，也可以具有设定的延迟；在没有特别说明的情况下，所执行的多个操作不存在执行先后顺序的限制。

2)下采样处理，对于一个样值序列间隔几个样值取样一次，这样得到新序列就是原序列的下采样，例如：对于一幅图像I尺寸为M*N，对其进行s倍下采样，即得到(M/s)*(N/s)尺寸的得分辨率图像，其中s应该是M和N的公约数

3)模型训练，对图像数据集进行多分类学习。该模型可采用TensorFlow、torch等深度学习框架进行构建，使用CNN等神经网络层的多层结合组成多分类模型。模型的输入为图像经过openCV等工具读取形成的三通道或原通道矩阵，模型输出为多分类概率，通过softmax等算法最终输出图像类别。在训练时，模型通过交叉熵等目标函数向正确趋势逼近。

4)带噪识别：基于噪声样本进行图像识别任务的训练，噪声样本包括具有错误类别标注的样本、具有不准确类别标注的样本，例如，图像与类别标签不完全对应，两个类别标签的概念具有部分重叠，图像具有上述两种类别标签的属性，但仅具有一种类别标签。

5)Contrastive loss：对比损失函数，其可以学习一种映射关系，这种映射关系可以使得在高维空间中，相同类别但距离较远的点，通过函数映射到低维空间后，距离变近，不同类别但距离都较近的点，通过映射后再低维空间变得更远。这样的结果就是，在低维空间，同一种类的点会产生聚类的效果，不同种类的mean会隔开。类似fisher降维，但fisher降维不具有out-of-sample extension的效果，不能对new sample进行作用。

6)客户端，终端中实现特定功能的载体，例如移动客户端(APP)是移动终端中特定功能的载体，例如执行用户手势识别的功能的程序。

7)Soft max：归一化指数函数，是逻辑函数的一种推广。它能将一个含任意实数的K维向量“压缩”到另一个K维实向量中，使得每一个元素的范围都在[0，1]之间，并且所有元素的和为1。

图1为本发明实施例提供的脉冲星搜索网络训练方法的使用场景示意图，参见图1，终端(包括终端10-1和终端10-2)上设置有能够执行不同功能相应客户端其中，服务器200存储射电望远镜400所接收的脉冲信号，客户端为终端(包括终端10-1和终端10-2)通过网络300从相应的服务器200中获取不同脉冲星候选体信号进行浏览，或者获取相应的脉冲星候选体信号的识别结果，终端通过网络300连接服务器200，网络300可以是广域网或者局域网，又或者是二者的组合，使用无线链路实现数据传输，其中，终端(包括终端10-1和终端10-2)通过网络300从相应的服务器200中所获取的相应脉冲星候选体信号既可以相同也可以不相同，例如：终端(包括终端10-1和终端10-2)既可以通过网络300从相应的服务器200中获取与某一已知脉冲星的带标注信息的脉冲星体信号，也可以通过网络300从相应的服务器200中获取无标注信息的脉冲星候选体信号，还可以获取无标注信息的脉冲星候选体信号的最终识别结果(对未知脉冲星)。服务器200中可以保存有不同目标对象各自对应的无标注信息的脉冲星候选体信号和相应的识别结果。在本发明的一些实施例中，服务器200中所保存的无标注信息的脉冲星候选体信号是由射电望远镜400采集得到的。同时服务器200所保存的还可以是已知脉冲星的脉冲信号，例如：(1)HTRU：高时间分别率的宇宙脉冲星巡天(High Time Resolution UniverseSurvey),数据集中含有1196个已知脉冲星和89996个非脉冲星，其中的正样本大多是比较强的脉冲星信号，负样本数远多于正样本属于类别极度不平衡分类任务。(2)PMPS、PMPS-26k、P309：Parkes多波束脉冲巡天(Parkes Multi-beam PulsarSurvey)其中PMPS总共4.25T其中大多为初筛样本，PMPS-26k含有脉冲星样本2000个，射电干扰20000个，其他信号2000个，未标记样本2000个合计26k个。P309含有脉冲星2698个，射电干扰1656个。数据集总体来说含有样本种类较多，正样本中既有信号强样本也有信号较弱样本。以新一代500m口径球面射电望远镜(FAST Five Hundred MeterApertureSpherical Telescope)为例，服务器所存储的数据中含有脉冲星1163颗(可用训练集合837)非脉冲信号14319(可用训练结合998个)个。

通过本申请所提供的脉冲星搜索网络训练方法所训练的脉冲星搜索网络，可以实现利用无标注脉冲星搜索候选体信号对脉冲星的搜索，当然在使用前，需要首先对脉冲星搜索网络进行训练，具体包括：

获取脉冲星搜索候选体信号对应的时间相位分布图像和频率相位分布图像；对所述时间相位分布图像和频率相位分布图像进行组合，形成所述脉冲星搜索网络的训练样本集合；获取所述获取脉冲星搜索候选体信号对应的候选体的脉冲轮廓图像和脉冲星标签值；基于所述训练样本集合和所述候选体的脉冲轮廓图像，对所述脉冲星搜索网络的主干网络进行第一训练，确定所述主干网络的初始网络参数；基于所述训练样本集合和所述和脉冲星标签值，对所述脉冲星搜索网络的主干网络进行第二训练，以实现调整所述脉冲星搜索网络的主干网络的初始参数，得到所述脉冲星搜索网络的主干网络的目标参数。

为了更好地理解本申请实施例提供的方法，首先对人工智能、人工智能的各个分支，以及本申请实施例提供的方法所涉及的应用领域、云技术和人工智能云服务进行说明。

人工智能(Artificial Intelligence，AI)是利用数字计算机或者数字计算机控制的机器模拟、延伸和扩展人的智能，感知环境、获取知识并使用知识获得最佳结果的理论、方法、技术及应用系统。换句话说，人工智能是计算机科学的一个综合技术，它企图了解智能的实质，并生产出一种新的能以人类智能相似的方式做出反应的智能机器。人工智能也就是研究各种智能机器的设计原理与实现方法，使机器具有感知、推理与决策的功能。

人工智能技术是一门综合学科，涉及领域广泛，既有硬件层面的技术也有软件层面的技术。人工智能基础技术一般包括如传感器、专用人工智能芯片、云计算、分布式存储、大数据处理技术、操作/交互系统、机电一体化等技术。人工智能软件技术主要包括计算机视觉技术、语音处理技术、自然语言处理技术以及机器学习/深度学习等几大方向。以下对各个方向分别进行说明。

自然语言处理(NLP，Nature Language processin)是计算机科学领域与人工智能领域中的一个重要方向。它研究能实现人与计算机之间用自然语言进行有效通信的各种理论和方法。自然语言处理是一门融语言学、计算机科学、数学于一体的科学。因此，这一领域的研究将涉及自然语言，即人们日常使用的语言，所以它与语言学的研究有着密切的联系。自然语言处理技术通常包括文本处理、语义理解、机器翻译、机器人问答、知识图谱等技术。

机器学习(ML，Machine Learning)是一门多领域交叉学科，涉及概率论、统计学、逼近论、凸分析、算法复杂度理论等多门学科。专门研究计算机怎样模拟或实现人类的学习行为，以获取新的知识或技能，重新组织已有的知识结构使之不断改善自身的性能。机器学习是人工智能的核心，是使计算机具有智能的根本途径，其应用遍及人工智能的各个领域。机器学习和深度学习通常包括人工神经网络、置信网络、强化学习、迁移学习、归纳学习等技术。

云技术(Cloud technology)是指在广域网或局域网内将硬件、软件、网络等系列资源统一起来，实现数据的计算、储存、处理和共享的一种托管技术。云技术基于云计算商业模式应用的网络技术、信息技术、整合技术、管理平台技术、应用技术等的总称，可以组成资源池，按需所用，灵活便利。云计算技术将变成重要支撑。技术网络系统的后台服务需要大量的计算、存储资源，如视频网站、图片类网站和更多的门户网站。伴随着互联网行业的高度发展和应用，将来每个物品都有可能存在自己的识别标志，都需要传输到后台系统进行逻辑处理，不同程度级别的数据将会分开处理，各类行业数据皆需要强大的系统后盾支撑，只能通过云计算来实现。

所谓人工智能云服务，一般也被称作是AI即服务(AIaaS，AI as a Service)，是目前主流的一种人工智能平台的服务方式，具体来说AIaaS平台会把几类常见的AI服务进行拆分，并在云端提供独立或者打包的服务。这种服务模式类似于开了一个AI主题商城：所有的开发者都可以通过API接口的方式来接入使用平台提供的一种或者是多种人工智能服务，部分资深的开发者还可以使用平台提供的AI框架和AI基础设施来部署和运维自己专属的云人工智能服务。

本申请实施例提供的方案涉及人工智能的自然语言处理、机器学习、人工智能云服务等技术，具体通过如下实施例进行说明。

将结合本申请实施例提供的终端的示例性应用和实施，说明本申请实施例提供的吗，脉冲星搜索网络训练方法。

下面对本发明实施例的电子设备的结构做详细说明，电子设备可以各种形式来实施，如带有内窥镜图像处理功能的专用终端，也可以为带有内窥镜图像处理功能的电子设备或者云服务器，例如前述图1中的服务器200。图2为本发明实施例提供的电子设备的组成结构示意图，可以理解，图2仅仅示出了电子设备的示例性结构而非全部结构，根据需要可以实施图2示出的部分结构或全部结构。

本发明实施例提供的电子设备包括：至少一个处理器201、存储器202、用户接口203和至少一个网络接口204。电子设备中的各个组件通过总线系统205耦合在一起。可以理解，总线系统205用于实现这些组件之间的连接通信。总线系统205除包括数据总线之外，还包括电源总线、控制总线和状态信号总线。但是为了清楚说明起见，在图2中将各种总线都标为总线系统205。

其中，用户接口203可以包括显示器、键盘、鼠标、轨迹球、点击轮、按键、按钮、触感板或者触摸屏等。其中，本发明实施例中的终端包括但不限于手机、电脑、智能语音交互设备、智能家电、车载终端等。本发明实施例可应用于各种场景，包括但不限于云技术、人工智能、智慧交通、辅助驾驶等，通过不同终端执行本发明所提供的脉冲星搜索网络训练方法时，具体的使用场景本发明不做限制

可以理解，存储器202可以是易失性存储器或非易失性存储器，也可包括易失性和非易失性存储器两者。本发明实施例中的存储器202能够存储数据以支持终端(如10-1)的操作。这些数据的示例包括：用于在终端(如10-1)上操作的任何计算机程序，如操作系统和应用程序。其中，操作系统包含各种系统程序，例如框架层、核心库层、驱动层等，用于实现各种基础业务以及处理基于硬件的任务。应用程序可以包含各种应用程序。

在一些实施例中，本发明实施例提供的脉冲星搜索网络训练装置可以采用软硬件结合的方式实现，作为示例，本发明实施例提供的脉冲星搜索网络训练装置可以是采用硬件译码处理器形式的处理器，其被编程以执行本发明实施例提供的脉冲星搜索网络训练方法。例如，硬件译码处理器形式的处理器可以采用一个或多个应用专用集成电路(ASIC，Application Specific Integrated Circuit)、DSP、可编程逻辑器件(PLD，ProgrammableLogic Device)、复杂可编程逻辑器件(CPLD，Complex Programmable Logic Device)、现场可编程门阵列(FPGA，Field-Programmable Gate Array)或其他电子元件。

作为本发明实施例提供的脉冲星搜索网络训练装置采用软硬件结合实施的示例，本发明实施例所提供的脉冲星搜索网络训练装置可以直接体现为由处理器201执行的软件模块组合，软件模块可以位于存储介质中，存储介质位于存储器202，处理器201读取存储器202中软件模块包括的可执行指令，结合必要的硬件(例如，包括处理器201以及连接到总线205的其他组件)完成本发明实施例提供的脉冲星搜索网络训练方法。

作为示例，处理器201可以是一种集成电路芯片，具有信号的处理能力，例如通用处理器、数字信号处理器(DSP，Digital Signal Processor)，或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件等，其中，通用处理器可以是微处理器或者任何常规的处理器等。

作为本发明实施例提供的脉冲星搜索网络训练装置采用硬件实施的示例，本发明实施例所提供的装置可以直接采用硬件译码处理器形式的处理器201来执行完成，例如，被一个或多个应用专用集成电路(ASIC，Application Specific Integrated Circuit)、DSP、可编程逻辑器件(PLD，Programmable Logic Device)、复杂可编程逻辑器件(CPLD，ComplexProgrammable Logic Device)、现场可编程门阵列(FPGA，Field-Programmable GateArray)或其他电子元件执行实现本发明实施例提供的脉冲星搜索网络训练方法。

本发明实施例中的存储器202用于存储各种类型的数据以支持电子设备的操作。这些数据的示例包括：用于在电子设备上操作的任何可执行指令，如可执行指令，实现本发明实施例的从脉冲星搜索网络训练方法的程序可以包含在可执行指令中。

在另一些实施例中，本发明实施例提供的脉冲星搜索网络训练装置可以采用软件方式实现，图2示出了存储在存储器202中的脉冲星搜索网络训练装置2020，其可以是程序和插件等形式的软件，并包括一系列的模块，作为存储器202中存储的程序的示例，可以包括脉冲星搜索网络训练装置2020，脉冲星搜索网络训练装置2020中包括以下的软件模块：

信息传输模块2081，用于获取脉冲星搜索候选体信号对应的时间相位分布图像和频率相位分布图像。

信息处理模块2082，用于对所述时间相位分布图像和频率相位分布图像进行组合，形成所述脉冲星搜索网络的训练样本集合。

所述信息处理模块2082，用于获取所述获取脉冲星搜索候选体信号对应的候选体的脉冲轮廓图像和脉冲星标签值。

所述信息处理模块2082，用于基于所述训练样本集合和所述候选体的脉冲轮廓图像，对所述脉冲星搜索网络的主干网络进行第一训练，确定所述主干网络的初始网络参数。

所述信息处理模块2082，用于基于所述训练样本集合和所述和脉冲星标签值，对所述脉冲星搜索网络的主干网络进行第二训练，以实现调整所述脉冲星搜索网络的主干网络的初始参数，得到所述脉冲星搜索网络的主干网络的目标参数。

需要说明的是，在脉冲星搜索网络训练完成后，还可以部署在电子设备(例如寻星服务器或者射电望远镜的数据处理服务器)中，以实现对所接收的脉冲星搜索候选体信号的处理，因此电子设备中还可以包括：

信号传输模块，用于接收无标注的脉冲星搜索候选体信号。

信号处理模块，用于获取与所述脉冲星搜索候选体信号对应的时间相位分布图像和频率相位分布图像。

所述信号处理模块，用于通过脉冲星搜索网络的主干网络，对所述时间相位分布图像和频率相位分布图像进行处理，确定图像处理结果。

所述信号处理模块，用于通过所述脉冲星搜索网络的分类任务全连接层网络，对所述图像处理结果进行处理，得到所述脉冲星搜索候选体信号的预测结果。

根据图2所示的电子设备，在本申请的一个方面中，本申请还提供了一种计算机程序产品或计算机程序，该计算机程序产品或计算机程序包括计算机指令，该计算机指令存储在计算机可读存储介质中。计算机设备的处理器从计算机可读存储介质读取该计算机指令，处理器执行该计算机指令，使得该计算机设备执行本申请所提供的脉冲星搜索网络训练方法的各种可选实现方式中所提供的方法。

结合图2示出的脉冲星搜索网络训练装置说明本发明实施例提供的脉冲星搜索网络训练方法，参见图3，图3为本发明实施例提供的脉冲星搜索网络训练方法一个可选的流程示意图，可以理解地，图3所示的步骤可以由运行脉冲星搜索网络训练装置的各种电子设备执行，例如可以是如带有脉冲星搜索功能的专用终端、服务器或者服务器集群。下面针对图3示出的步骤进行说明。

步骤301：脉冲星搜索网络训练装置获取脉冲星搜索候选体信号对应的时间相位分布图像和频率相位分布图像。

步骤302：脉冲星搜索网络训练装置对所述时间相位分布图像和频率相位分布图像进行组合，形成所述脉冲星搜索网络的训练样本集合。

其中，参考图4A，图4A为本发明实施例中脉冲星搜索网络的样本集合示意图，其中，对所述时间相位分布图像和频率相位分布图像进行组合，形成所述脉冲星搜索网络的训练样本集合，可以通过以下方式实现：

确定所述时间相位分布图像和频率相位分布图像的噪声值，对所述确定所述时间相位分布图像和频率相位分布图像分别进行除噪处理；对经过除噪处理的所述时间相位分布图像和频率相位分布图像分别进行标准化处理，得到符合单通道灰度图像标准的时间相位分布图像和频率相位分布图像；将符合单通道灰度图像标准的时间相位分布图像和频率相位分布图像进行组合，形成所述脉冲星搜索网络的训练样本集合。以图1所示的射电望远镜为例，通过接收脉冲星信号得到的fid格式文件经过特征读取后时间-相位分布图像分辨率是256*64，频率-相位分布图像分辨率是96*64；而其他射电望远镜获取的phcx格式文件经过特征抽取后时间-相位分布图像分辨率一般为(16～24)*64，频率-相位分布图像分辨率为16*64，对于上述图像的大小并不相等，此外相位分布图像和频率相位分布图像的特征背景区分也有不同，例如phcx格式文件图像中脉冲特征为黑色，背景为白色，而fid格式文件图像中脉冲特征为白色，背景为黑色，因此需要进行除噪处理和标准化处理，以便于脉冲星搜索网络的训练和使用。

在本发明的一些实施例中，参考图4B，图4B为本发明实施例中脉冲星搜索网络的样本集合示意图，可以将时间-相位分布图和频率-相位分布图分别进行数据标准化操作，得到对应的64x64的单通道灰度图，然后将两个灰度图在通道维度进行堆叠成2通道2维信号作为主干网络的输入特征向量。在预训练任务和分类任务中，利用主干网络的输出结果，通过不同的全连接层将主干网络的输出调整至可以计算任务损失的输出维度。

在本发明的一些实施例中，确定所述时间相位分布图像和频率相位分布图像的噪声值，对所述确定所述时间相位分布图像和频率相位分布图像分别进行除噪处理，可以通过以下方式实现：

根据所述脉冲星搜索候选体信号所对应的目标区域的位置，确定与所述脉冲星搜索网络的使用环境相匹配的动态噪声阈值；根据所述动态噪声阈值对所述时间相位分布图像和所述频率相位分布图像进行降噪处理，以形成与所述动态噪声阈值相匹配的时间相位分布图像和频率相位分布图像。其中，在低频射电波段(例如350MHz以下)对脉冲星进行探测时，由于辐射频谱在相当低的频率下限之上都呈现为幂律谱，所以预期相对于高频应当具有更高的流量密度，所以更容易探测到，但是由于脉冲星所出现的星系不同，同时，由于星际介质对不同频率无线电波具有不同的折射率(即色散)，所以在信号发射地对齐的不同频率的脉冲星脉冲，经历了长距离的传播之后，不同频率成分会相互错开，在时域内非常明显的周期性脉冲轮廓，经过色散效应会变得几乎无法直接辨认和探测。因此，在低频射电波段探测脉冲星需要动态噪声阈值对所述时间相位分布图像和所述频率相位分布图像进行降噪处理，以形成与所述动态噪声阈值相匹配的时间相位分布图像和频率相位分布图像，以保证脉冲星搜索网络的准确性。

在本发明的一些实施例中，确定所述时间相位分布图像和频率相位分布图像的噪声值，对所述确定所述时间相位分布图像和频率相位分布图像分别进行除噪处理，可以通过以下方式实现：

根据所述脉冲星搜索候选体信号所对应的射电望远镜类型，确定与所述脉冲星搜索网络的使用环境相匹配的固定噪声阈值；根据所述固定噪声阈值对所述时间相位分布图像和所述频率相位分布图像进行降噪处理，以形成与所述固定噪声阈值相匹配的时间相位分布图像和频率相位分布图像。其中，由于，已经被探测到的并且可以用来调校探测算法参数的脉冲星个数是非常有限的，而未知的脉冲星在实际搜索到之前是无法用来作为校正训练样本集合的。因此，对于一台全新的射电望远镜，或者一台未曾探测到脉冲星过的既有的射电望远镜，可以通过根据所述动态噪声阈值对所述时间相位分布图像和所述频率相位分布图像进行降噪处理，以形成与所述动态噪声阈值相匹配的时间相位分布图像和频率相位分布图像，并且确定与射电望远镜相匹配的噪声阈值。

进一步地，当脉冲星搜索网络固定于射电望远镜的终端设备中时，根据固定噪声阈值对所述时间相位分布图像和所述频率相位分布图像进行降噪处理，以形成与固定噪声阈值相匹配的时间相位分布图像和频率相位分布图像，可以继续减少脉冲星搜索网络的训练时间，提升脉冲星搜索网络的训练效率。

步骤303：脉冲星搜索网络训练装置获取所述获取脉冲星搜索候选体信号对应的候选体的脉冲轮廓图像和脉冲星标签值。

在本发明的一些实施例中，获取脉冲星搜索候选体信号对应的候选体的脉冲轮廓图像，可以通过以下方式实现：

获取所述脉冲星搜索候选体信号对应的候选体的原始脉冲轮廓图像；对所述的原始脉冲轮廓图像的序列值进行标准化处理，得到所述原始脉冲轮廓图像标准序列值；对所述原始脉冲轮廓图像标准序列值进行调整，得到所述脉冲星搜索候选体信号对应的脉冲轮廓图像，以实现与所述脉冲星搜索网络的精确度相匹配。其中，为了增加预训练任务的难度，可以将原始脉冲轮廓序列进行数据标准化，再将64维序列线性插值至100维序列作为预训练任务的标签值，当训练精度增加时，还可以灵活调整不同维度序列线性插值以适应脉冲星搜索网络的不同需求。

步骤304：脉冲星搜索网络训练装置基于所述训练样本集合和所述候选体的脉冲轮廓图像，对所述脉冲星搜索网络的主干网络进行第一训练，确定所述主干网络的初始网络参数。

步骤305：脉冲星搜索网络训练装置基于所述训练样本集合和所述和脉冲星标签值，对所述脉冲星搜索网络的主干网络进行第二训练，以实现调整所述脉冲星搜索网络的主干网络的初始参数，得到所述脉冲星搜索网络的主干网络的目标参数。

继续结合图2示出的脉冲星搜索网络训练装置说明本发明实施例提供的脉冲星搜索网络训练方法，参见图5，图5为本发明实施例提供的脉冲星搜索网络训练方法一个可选的流程示意图，可以理解地，图5所示的步骤可以由运行脉冲星搜索网络训练装置的各种电子设备执行，例如可以是如带有脉冲星搜索功能的专用终端、服务器或者服务器集群。下面针对图5示出的步骤进行说明。

步骤501：脉冲星搜索网络训练装置基于所述候选体的脉冲轮廓图像，确定所述候选体的脉冲轮廓图像的标签值。

步骤502：脉冲星搜索网络训练装置通过所述主干网络对应的预训练全连接层网络，基于所述脉冲轮廓图像的标签值，确定所述第一训练对应的第一损失函数。

步骤503：脉冲星搜索网络训练装置将所述训练样本集合中的训练样本，带入所述第一损失函数。

步骤504：脉冲星搜索网络训练装置当所述第一损失函数满足第一收敛条件时，确定所述主干网络的初始网络参数。

参考图6，图6为本发明实施例中脉冲星搜索网络的网络结构示意图，其中，通过步骤501-步骤504的处理，使用候选体信号的时间-相位分布图和频率-相位分布图作为脉冲星搜索网络的输入特征，使用候选体的脉冲轮廓图作为标签值，使用均方根误差作为损失函数计算脉冲星搜索网络的初始网络参数。通过主干网络，可以将时间-相位分布图和频率-相位分布图按列维度求和，再将两个求和后的序列再次求和得到64维的原始的脉冲轮廓序列，其中，图6所示的网络结构中的主干网络可以是ResNet18网络，与主干网络相连接的网络可以包括多个全连接层。值得说明的是，为了平衡图像特征与图像量化编码两者的空间占用，可以将图像特征的维度设置得比图像量化编码的维度更小，否则图像特征的维度过大会导致占用过多存储空间。

在训练脉冲星搜索网络的过程中，主要涉及到以下步骤。

1)参数初始化。对于初始特征提取网络来说，可以通过开源的图像集(如ImageNet图像集、Open Image图像集等)进行训练，从而完成权重参数的初始化。对于其他的网络，如最大池化网络、嵌入表示网络及量化编码网络来说，可以对权重参数进行随机初始化，例如可以采用方差为0.01、且均值为0的高斯分布来进行初始化。

2)确定需要学习(即需要更新)的权重参数。这里可以分为两个训练阶段，在第一个训练阶段，对初始特征提取网络、最大池化网络、嵌入表示网络这些网络的权重参数进行更新；在第二个训练阶段，对量化编码网络的权重参数进行更新。

3)确定学习率(Learning Rate)。在本申请实施例中，脉冲星搜索网络中的各个网络均可以采用相同的学习率，例如学习率为0.005。每经过10轮迭代后学习率可以更新为原来的0.1倍。

4)学习过程(训练过程)。这里，可以对脉冲星搜索网络进行epoch轮迭代，epoch是大于1的整数，可以根据实际应用场景进行设定。在每轮迭代中，处理一次全量样本，例如可以根据Batch Size(可以根据实际应用场景进行设定)对全量的相似图像对进行划分，得到Nb个批次，对于每个批次(Batch)执行以下处理：

①前向传播处理。这里，通过脉冲星搜索网络对Batch内的每个训练图像进行前向传播处理，得到图像特征及图像量化编码。

②损失值计算。这里，特征提取网络及量化编码网络对应不同的损失值。

③权重参数更新。例如，可以采用随机梯度下降算法或其他梯度下降算法，将损失值进行反向传播处理，并在反向传播的过程中，沿梯度下降方向更新需要训练的网络的权重参数。

需要说明的是，上述实施例中具体结构只是示例性的，还可以根据需要选择其他模型结构，例如，主干网络还可以采用resnet50、inceptionv4、resnet18等，在此本申请不作限定。

通过步骤501-步骤504完成预训练任务后，继续执行步骤505。

步骤505：脉冲星搜索网络训练装置通过所述主干网络对应的分类任务全连接层网络，基于所述脉冲星标签值，确定所述第二训练对应的第二损失函数。

步骤506：脉冲星搜索网络训练装置将所述训练样本集合中的训练样本，带入所述第二损失函数。

步骤507：脉冲星搜索网络训练装置当所述第二损失函数满足第二收敛条件时，确定所述主干网络的更新参数。

步骤508：脉冲星搜索网络训练装置基于所述主干网络的更新参数，调整所述脉冲星搜索网络的主干网络的初始参数，得到所述脉冲星搜索网络的主干网络的目标参数。

其中，通过步骤505至步骤508，通过全连接层将特征维度映射到分类维度，再将预测值和脉冲星标签值计算交叉熵损失。为了防止在分类任务优化过程中，预训练后的主干网络出现过拟合现象，可以将主干网络参数学习率为分类任务全连接参数学习率的0.25倍。

当脉冲星搜索网络通过前序实施例训练完成之后，可以部署在相应的数据处理设备中，以对获取的脉冲星搜索候选体信号进行预测，参见图7，图7为本发明实施例提供的脉冲星搜索方法一个可选的流程示意图，可以理解地，图7所示的步骤可以由运行脉冲星搜索装置的各种电子设备执行，例如可以是如带有脉冲星搜索功能的专用终端、射电望远镜的数据服务器或者服务器集群。下面针对图7示出的步骤进行说明。

步骤701：脉冲星搜索装置接收无标注的脉冲星搜索候选体信号。

步骤702：脉冲星搜索装置获取与所述脉冲星搜索候选体信号对应的时间相位分布图像和频率相位分布图像。

其中，参考图8，图8为本发明实施例中脉冲星搜索候选体信号示意图，其中，脉冲星搜索候选体信号对应的时间相位分布图像如(1)所示、频率相位分布图像如(2)所示，当时间相位分布图像和频率相位分布图像中出现非数值(NaN Not a Number)时，可以替换所有的NaN值，例如采用线性插值法补全替换时间相位分布图像和频率相位分布图像中出现非数值，若出现数据缺失情况，还可以进行数据过滤处理，以保证时间相位分布图像和频率相位分布图像中出现非数值的完整性。

步骤703：脉冲星搜索装置通过脉冲星搜索网络的主干网络，对所述时间相位分布图像和频率相位分布图像进行处理，确定图像处理结果。

参考图8，以新一代500m口径球面射电望远镜(FAST Five Hundred MeterApertureSpherical Telescope)为例，在随着脉冲星搜索的进行，会产生大量的不带标注信息的脉冲星候选体信号。但是脉冲星的不同模态信号之间存在的固有联系，例如，图8中(3)所示的脉冲星的积分轮廓图即为时间-相位分布图对时间进行积分或是频率-相位分布图对频率进行积分得到的。脉冲星搜索候选体信号中不同信号间的固有关系，可以通过经过训练的脉冲星搜索网络进行确定。其中，脉冲星搜索网络的主干网络可以采用resnet50、inceptionv4、resnet18等网络结构，在此本申请不作限定。

步骤704：脉冲星搜索装置通过所述脉冲星搜索网络的分类任务全连接层网络，对所述图像处理结果进行处理，得到所述脉冲星搜索候选体信号的预测结果。

其中，如图8中国的(4)所示，通过脉冲星搜索网络的分类任务全连接层网络，对所述图像处理结果进行处理得到时间相位分布图像和频率相位分布图像的图像处理结果，可以确定发现新的脉冲星。

有益技术效果：

本发明通过获取脉冲星搜索候选体信号对应的时间相位分布图像和频率相位分布图像；对所述时间相位分布图像和频率相位分布图像进行组合，形成所述脉冲星搜索网络的训练样本集合；获取所述获取脉冲星搜索候选体信号对应的候选体的脉冲轮廓图像和脉冲星标签值；基于所述训练样本集合和所述候选体的脉冲轮廓图像，对所述脉冲星搜索网络的主干网络进行第一训练，确定所述主干网络的初始网络参数；基于所述训练样本集合和所述和脉冲星标签值，对所述脉冲星搜索网络的主干网络进行第二训练，以实现调整所述脉冲星搜索网络的主干网络的初始参数，得到所述脉冲星搜索网络的主干网络的目标参数，由此，能够实现通过对脉冲星搜索网络的训练，能够在减少训练数据总量和无需重进行监督训练的前提下，稳定提高脉冲星搜索网络训练训练的准确率，减轻脉冲星搜索网络的过拟合，增强脉冲星搜索网络模型的泛化能力，便于将及时所训练的脉冲星搜索网络模型部署于网络终端中，实现脉冲星搜索网络模型的大规模应用。

以上所述，仅为本发明的实施例而已，并非用于限定本发明的保护范围，凡在本发明的精神和原则之内所作的任何修改、等同替换和改进等，均应包含在本发明的保护范围之内。

Claims (13)

1.一种脉冲星搜索网络训练方法，其特征在于，所述方法包括：

获取脉冲星搜索候选体信号对应的时间相位分布图像和频率相位分布图像；

对所述时间相位分布图像和频率相位分布图像进行组合，形成所述脉冲星搜索网络的训练样本集合；

获取所述获取脉冲星搜索候选体信号对应的候选体的脉冲轮廓图像和脉冲星标签值；

基于所述训练样本集合和所述候选体的脉冲轮廓图像，对所述脉冲星搜索网络的主干网络进行第一训练，确定所述主干网络的初始网络参数；

基于所述训练样本集合和所述和脉冲星标签值，对所述脉冲星搜索网络的主干网络进行第二训练，以实现调整所述脉冲星搜索网络的主干网络的初始参数，得到所述脉冲星搜索网络的主干网络的目标参数。

2.根据权利要求1所述的方法，其特征在于，所述对所述时间相位分布图像和频率相位分布图像进行组合，形成所述脉冲星搜索网络的训练样本集合，包括：

确定所述时间相位分布图像和频率相位分布图像的噪声值，对所述确定所述时间相位分布图像和频率相位分布图像分别进行除噪处理；

对经过除噪处理的所述时间相位分布图像和频率相位分布图像分别进行标准化处理，得到符合单通道灰度图像标准的时间相位分布图像和频率相位分布图像；

将符合单通道灰度图像标准的时间相位分布图像和频率相位分布图像进行组合，形成所述脉冲星搜索网络的训练样本集合。

3.根据权利要求2所述的方法，其特征在于，所述确定所述时间相位分布图像和频率相位分布图像的噪声值，对所述确定所述时间相位分布图像和频率相位分布图像分别进行除噪处理，包括：

根据所述脉冲星搜索候选体信号所对应的目标区域的位置，确定与所述脉冲星搜索网络的使用环境相匹配的动态噪声阈值；

根据所述动态噪声阈值对所述时间相位分布图像和所述频率相位分布图像进行降噪处理，以形成与所述动态噪声阈值相匹配的时间相位分布图像和频率相位分布图像。

4.根据权利要求2所述的方法，其特征在于，所述确定所述时间相位分布图像和频率相位分布图像的噪声值，对所述确定所述时间相位分布图像和频率相位分布图像分别进行除噪处理，包括：

根据所述脉冲星搜索候选体信号所对应的射电望远镜类型，确定与所述脉冲星搜索网络的使用环境相匹配的固定噪声阈值；

根据所述固定噪声阈值对所述时间相位分布图像和所述频率相位分布图像进行降噪处理，以形成与所述固定噪声阈值相匹配的时间相位分布图像和频率相位分布图像。

5.根据权利要求1所述的方法，其特征在于，所述获取脉冲星搜索候选体信号对应的候选体的脉冲轮廓图像，包括：

获取所述脉冲星搜索候选体信号对应的候选体的原始脉冲轮廓图像；

对所述的原始脉冲轮廓图像的序列值进行标准化处理，得到所述原始脉冲轮廓图像标准序列值；

对所述原始脉冲轮廓图像标准序列值进行调整，得到所述脉冲星搜索候选体信号对应的脉冲轮廓图像，以实现与所述脉冲星搜索网络的精确度相匹配。

6.根据权利要求5所述的方法，其特征在于，所述基于所述训练样本集合和所述候选体的脉冲轮廓图像，对所述脉冲星搜索网络的主干网络进行第一训练，确定所述主干网络的初始网络参数，包括：

基于所述候选体的脉冲轮廓图像，确定所述候选体的脉冲轮廓图像的标签值；

通过所述主干网络对应的预训练全连接层网络，基于所述脉冲轮廓图像的标签值，确定所述第一训练对应的第一损失函数；

将所述训练样本集合中的训练样本，带入所述第一损失函数；

当所述第一损失函数满足第一收敛条件时，确定所述主干网络的初始网络参数。

7.根据权利要求1所述的方法，其特征在于，所述基于所述训练样本集合和所述和脉冲星标签值，对所述脉冲星搜索网络的主干网络进行第二训练，以实现调整所述脉冲星搜索网络的主干网络的初始参数，得到所述脉冲星搜索网络的主干网络的目标参数，包括：

通过所述主干网络对应的分类任务全连接层网络，基于所述脉冲星标签值，确定所述第二训练对应的第二损失函数；

将所述训练样本集合中的训练样本，带入所述第二损失函数；

当所述第二损失函数满足第二收敛条件时，确定所述主干网络的更新参数；

基于所述主干网络的更新参数，调整所述脉冲星搜索网络的主干网络的初始参数，得到所述脉冲星搜索网络的主干网络的目标参数。

8.一种脉冲星搜索方法，其特征在于，所述方法包括：

接收无标注的脉冲星搜索候选体信号；

获取与所述脉冲星搜索候选体信号对应的时间相位分布图像和频率相位分布图像；

通过脉冲星搜索网络的主干网络，对所述时间相位分布图像和频率相位分布图像进行处理，确定图像处理结果；

通过所述脉冲星搜索网络的分类任务全连接层网络，对所述图像处理结果进行处理，得到所述脉冲星搜索候选体信号的预测结果。

9.一种脉冲星搜索网络训练装置，其特征在于，所述装置包括：

信息传输模块，用于获取脉冲星搜索候选体信号对应的时间相位分布图像和频率相位分布图像；

信息处理模块，用于对所述时间相位分布图像和频率相位分布图像进行组合，形成所述脉冲星搜索网络的训练样本集合；

所述信息处理模块，用于获取所述获取脉冲星搜索候选体信号对应的候选体的脉冲轮廓图像和脉冲星标签值；

所述信息处理模块，用于基于所述训练样本集合和所述候选体的脉冲轮廓图像，对所述脉冲星搜索网络的主干网络进行第一训练，确定所述主干网络的初始网络参数；

所述信息处理模块，用于基于所述训练样本集合和所述和脉冲星标签值，对所述脉冲星搜索网络的主干网络进行第二训练，以实现调整所述脉冲星搜索网络的主干网络的初始参数，得到所述脉冲星搜索网络的主干网络的目标参数。

10.一种脉冲星搜索装置，其特征在于，所述装置包括：

信号传输模块，用于接收无标注的脉冲星搜索候选体信号；

信号处理模块，用于获取与所述脉冲星搜索候选体信号对应的时间相位分布图像和频率相位分布图像；

所述信号处理模块，用于通过脉冲星搜索网络的主干网络，对所述时间相位分布图像和频率相位分布图像进行处理，确定图像处理结果；

所述信号处理模块，用于通过所述脉冲星搜索网络的分类任务全连接层网络，对所述图像处理结果进行处理，得到所述脉冲星搜索候选体信号的预测结果。

11.一种电子设备，其特征在于，所述电子设备包括：

存储器，用于存储可执行指令；

处理器，用于运行所述存储器存储的可执行指令时，实现权利要求1至7任一项所述的脉冲星搜索网络训练方法，或者，实现权利要求8所述的脉冲星搜索方法。

12.一种计算机程序产品，包括计算机程序或指令，其特征在于，所述计算机程序或指令被处理器执行时，实现权利要求1至7任一项所述的脉冲星搜索网络训练方法，或者，实现权利要求8所述的脉冲星搜索方法。

13.一种计算机可读存储介质，存储有可执行指令，其特征在于，所述可执行指令被处理器执行时实现权利要求1至7任一项所述的脉冲星搜索网络训练方法，或者，实现权利要求8所述的脉冲星搜索方法。