基于改进ResNet算法的太阳黑子分类方法研究OA北大核心CSTPCD

文中提出一种基于改进的ResNet的太阳黑子图像分类方法,该方法在ResNet的基础上引入了空洞卷积和残差连接等技术,增强了训练模型的特征提取能力以及感受野。在模型训练过程中,采用交叉熵损失函数和SGD优化器进行参数优化,以提高模型的准确性和泛化能力。其中深度可分离卷积被用于替代传统的卷积操作,以减少模型的参数量和计算量。最后,在太阳黑子图像分类的公共数据集上进行实验评估。实验结果表明,提出的基于改进的ResNet模型在太阳黑子图像分类任务上表现出较高的准确率和鲁棒性,相比于传统的ResNet模型,可以取得更好的分类效果。该方法为太阳黑子图像分类提供了一种新的思路和技术方案,对于太阳活动预测和环境监测等领域具有重要意义。