一种可解释脉冲星候选体分类方法及系统

本发明涉及脉冲星候选体分类，尤其涉及一种可解释脉冲星候选体分类方法及系统。

背景技术：

1、本部分的陈述仅仅是提供了与本发明相关的背景技术信息，不必然构成在先技术。

2、脉冲星候选体分类作为射电天文巡天数据处理中的核心筛选环节，直接决定了天文学家能否从海量信号中高效识别出具有科学研究价值的真实脉冲星。现有的脉冲星候选体分类技术主要包括全监督深度学习分类、少标注半监督学习分类和增量学习分类。

3、在全监督深度学习分类方面，多模态融合脉冲星识别模型（mfpim）虽涉及迁移学习，但是是同一望远镜或同类型数据的分布内迁移，如五百米口径球面射电望远镜（fast）和高时间分辨宇宙（htru）均使用presto生成相同格式诊断图，并未涉及不同望远镜之间因仪器特性差异导致的跨域分布偏移问题；而且多模态融合脉冲星识别模型仅输出分类标签，模型为完全黑盒，天文学家无法理解分类依据。

4、在少标注半监督学习方面，基于半监督生成对抗网络（sgan）的脉冲星候选体识别方法将标准判别器输出从二分类改为三分类{pulsar,non-pulsar,fake}，采用同域无标注样本训练分类器，一定程度上在标注稀缺场景下提高了识别准确性；但其依赖同一望远镜的数万张无标注数据来支撑半监督训练，无法利用其他望远镜的历史标注资源；而且sgan仅输出分类标签，未提供任何解释分类决策的机制；另外，判别器采用卷积神经网络（cnn）架构，全局建模能力不足。

5、在增量学习方面，基于低秩贝叶斯神经网络的增量式脉冲星候选体识别通过包含一维和二维卷积分支的贝叶斯神经网络，在变分推断过程中引入低秩加对角高斯近似技术，将权重矩阵分解为低秩矩阵与对角矩阵之和以降低参数空间复杂度；然而，该增量式脉冲星候选体聚焦于同一望远镜数据流上的增量学习，存在灾难性遗忘的问题，未涉及不同望远镜之间的跨域迁移学习。当面对目标望远镜标注极度稀缺而源望远镜有丰富历史标注这一实际场景时，增量学习无法从其他望远镜的已有标注中获益。此外，增量式学习方法同样仅输出分类标签，不具备任何可解释性机制；并且采用cnn架构，全局建模能力不足。

6、现有技术专注可解释表格学习（tabnet）和针对表格数据的transformer（ft-transformer）虽然对分类结果进行解释，但采用事后可解释性工具分析特征重要性；然而事后解释方法给出的仅是特征重要性近似值，与模型实际推理过程之间存在语义鸿沟，而且tabnet和ft-transformer输入是人工提取的表格特征而非诊断图像，丢失了空间结构信息。

7、综上，现有技术存在三个结构性缺陷，分别是跨望远镜迁移能力缺失、分类决策不可解释且缺乏物理语义对齐和生成式解释存在幻觉风险。

8、（1）跨望远镜迁移能力缺失。现有方法mfpim的同数据集迁移、sgan的同望远镜半监督、同域增量学习，均在同一望远镜或同质数据分布内运作。当目标望远镜标注极度稀缺而源望远镜拥有海量历史标注时，现有方法均无法有效利用跨望远镜标注资源。跨望远镜场景下的数据分布差异源于望远镜系统特性（灵敏度、频率覆盖、射频干扰环境）的固有差异，零样本直接迁移准确率仅约63.5%，而现有技术尚未系统性回答“跨望远镜迁移是否可行、需要多少目标标注、最优迁移策略是什么”这三个关键问题。

9、（2）分类决策不可解释且缺乏物理语义对齐。现有方法均仅输出分类标签，模型为黑盒。在科学发现场景中，天文学家需要决定是否分配宝贵的跟进观测时间时，分类依据（“为什么判定为脉冲星”）往往比分类结果本身更为重要。事后可解释性方法（shap/lime）给出的是特征重要性近似值，无法提供“tpp图存在周期性垂直条纹、fpp图呈现宽带发射、dm曲线在非零值处存在显著单峰”这类物理语义层面的可追溯解释。

10、（3）生成式解释存在幻觉风险，不适于科学决策场景。若直接使用大型视觉语言模型（vlm）生成分类解释，模型可能虚构“dm曲线显示显著色散特征”等看似合理但与实际图像不符的描述。在科学场景中，一条错误但看似合理的解释比没有解释更为危险，可能导致天文学家基于虚假信息做出错误的跟进观测决策，现有技术未提供一种在保持自然语言可读性的同时，从机制上杜绝幻觉的解释生成方案。

技术实现思路

1、为克服上述现有技术的不足，本发明提供了一种可解释脉冲星候选体分类方法及系统，旨在解决现有技术中目标望远镜标注数据稀缺、分类结果缺乏可追溯物理依据，以及生成的解释存在幻觉风险的问题。

2、为了实现上述目的，本发明提供的技术方案如下：

3、第一方面，本发明提供了一种可解释脉冲星候选体分类方法，包括：

4、获取presto诊断图；

5、将presto诊断图分别输入物理特征瓶颈网络和ocr数值提取模型；所述物理特征瓶颈网络包括视觉编码器、物理特征预测头和多层感知机，用于输出脉冲星候选体分类标签和置信度；所述ocr数值提取模型包括归一化坐标裁剪和大型视觉语言模型，用于输出脉冲星候选体的物理数值；

6、基于脉冲星候选体分类标签和置信度，确定性模板引擎从预定义解释模板中选择匹配模板，并将所述物理数值填入匹配模板的占位符，生成自然语言解释文本。

7、作为进一步的技术方案，将presto诊断图输入物理特征瓶颈网络之前，对presto诊断图进行预处理，得到预处理后的presto诊断图，所述预处理包括缩放和归一化处理。

8、作为进一步的技术方案，所述视觉编码器采用基于跨望远镜的迁移学习方法进行训练，具体为：

9、使用源望远镜的大规模标注数据从零开始训练视觉语言编码器；

10、采用目标望远镜的少量标注数据对视觉语言编码器进行微调；

11、微调时仅解冻最后k层编码器的参数，冻结前n-k层编码器参数。

12、作为进一步的技术方案，所述视觉编码器为vit-base编码器。

13、作为进一步的技术方案，所述物理特征瓶颈网络包括视觉编码器、物理特征预测头和多层感知机，具体为：

14、视觉编码器基于presto诊断图提取全局视觉特征；

15、物理特征预测头基于全局视觉特征提取天文学物理语义特征；

16、多层感知机基于全局视觉特征和天文学物理语义特征融合后的特征输出脉冲星候选体分类标签和置信度。

17、作为进一步的技术方案，所述ocr数值提取模型包括归一化坐标裁剪和大型视觉语言模型，具体为：

18、归一化坐标裁剪从presto诊断图中裁剪出搜索信息区域；

19、大型视觉语言模型基于提示指令从搜索信息区域中提取物理数值，所述物理数值包括色散量、脉冲周期、信噪比和约化卡方值。

20、第二方面，本发明提供了一种可解释脉冲星候选体分类系统，包括：

21、获取模块：用于获取presto诊断图；

22、分类模块：用于将presto诊断图分别输入物理特征瓶颈网络和ocr数值提取模型；所述物理特征瓶颈网络包括视觉编码器、物理特征预测头和多层感知机，用于输出脉冲星候选体分类标签和置信度；所述ocr数值提取模型包括归一化坐标裁剪和大型视觉语言模型，用于输出脉冲星候选体的物理数值；

23、解释模块：用于基于脉冲星候选体分类标签和置信度，确定性模板引擎从预定义解释模板中选择匹配模板，并将所述物理数值填入匹配模板的占位符，生成自然语言解释文本。

24、第三方面，本发明提供了一种电子设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，所述处理器执行所述程序时实现如上述第一方面所述的一种可解释脉冲星候选体分类方法中的步骤。

25、第四方面，本发明提供了一种计算机可读存储介质，其上存储有计算机程序，该程序被处理器执行时实现如上述第一方面所述的一种可解释脉冲星候选体分类方法中的步骤。

26、第五方面，本发明提供了一种计算机程序产品，包括软件代码，所述软件代码中的程序执行上述第一方面所述的一种可解释脉冲星候选体分类方法中的步骤。

27、与现有技术相比，本发明的有益效果是：

28、本发明通过跨望远镜迁移学习弥补了目标望远镜样本稀疏导致分类准确性不足的问题；并且引入物理特征预测头，提高了脉冲星候选体分类的可解释性，相比于现有黑盒分类器仅输出标签，本发明的分类结果附带可逐一验证的物理依据，天文学家可以查看tpp周期性评分、fpp宽带性评分、dm峰值显著性评分等中间量，自主判断每个物理维度的网络输出是否与实际图像特征一致，具有可追溯性；另外，确定性模板引擎从根本上杜绝了视觉语言模型生成的解释文本存在幻觉的风险，分类作为引导信息输入视觉语言模型，提高了解释文本与分类结果的一致性；且分类与解释生成分离，兼顾了分类的精确性和解释的可读性。