本书拟从改进损失函数和利用生成对抗网络的生成能力两个方面解决脉冲星候选体数据集面临的非平衡问题以及少数类样本多样性缺乏的问题。基于生成对抗网络突出的样本生成能力和脉冲星候选体数据集的极端非平衡特性，本书从以下几个方面展开研究： (1)提出一种基于辅助分类器生成对抗网络的图像识别模型CP-AcGAN。辅助分类器生成对抗网络是基于生成对抗网络提出的一种样 (2)提出一种基于生成对抗网络的半监督学习模型SSL-ATJD。 (3)提出一种基于对抗训练的图像识别模型ICAT。 (4)将提出的CP-ACGAN和ICAT模型分别应用到脉冲星候选体数据集上，解决了该数据集面临的非平衡性和少数类样本多样性缺乏的困境。

第1章 绪论
1.1 国内外相关研究现状
1.2 本书研究内容及架构
1.2.1 研究内容
1.2.2 本书结构
第2章 神经网络与生成式对抗网络
2.1 神经网络
2.1.1 人工神经网络
2.1.2 卷积神经网络
2.1.3 神经网络在不平衡数据上的性能分析
2.2 混合概率随机池化方法
2.2.1 方法原理
2.2.2 方法提出
2.2.3 方法可行性分析
2.2.4 实验结果与分析
2.2.5 超参数的选择
2.3 生成对抗网络及其改进模型
2.3.1 生成对抗网络GANs
2.3.2 DCGAN模型
2.3.3 CGAN模型
2.3.4 ACGAN模型
2.4 生成对抗网络在不平衡数据上的性能分析
2.4.1 不平衡数据集类型
2.4.2 网络结构与性能度量
2.4.3 生成对抗网络在跳跃式不平衡数据集上的性能分析
第3章 基于辅助分类器生成对抗网络的图像识别
3.1 ACGAN模型分析
3.2 图像识别模型CP-ACGAN
3.2.1 模型构造
3.2.2 损失函数
3.3 CP-ACGAN模型实验与结果分析
3.3.1 实验数据与参数设置
3.3.2 图像识别
3.3.3 超参数分析
第4章 基于生成对抗网络的半监督学习
4.1 背景介绍
4.2 半监督学习模型SSL-ATJD
4.2.1 模型提出
4.2.2 模型收敛性分析
4.2.3 模型训练
4.3 SSL-ATJD模型实验与结果分析
4.3.1 实验数据与实验平台
4.3.2 网络层结构与超参数
4.3.3 半监督分类
4.3.4 半监督生成
4.4 基于对抗训练的图像识别模型ICAT
4.4.1 模型构造
4.4.2 理论分析
4.4.3 模型训练
4.5 ICAT模型实验与结果分析
4.5.1 网络层结构与超参数
4.5.2 图像分类
4.5.3 生成样本可控性分析
第5章 脉冲星候选体识别
5.1 脉冲星信号的搜索与判别
5.1.1 脉冲星信号的搜索
5.1.2 脉冲星候选体判别
5.2 脉冲星候选体数据集与评价指标
5.2.1 脉冲星候选体数据集
5.2.2 评价指标
5.3 基于CP-ACGAN、ICAT的脉冲星候选体识别
5.3.1 模型结构与超参数
5.3.2 HTRu上的实验结果分析
5.3.3 FAST上的实验结果分析
5.4 基于SSL-ATJD的脉冲星候选体识别
5.4.1 数据准备与SSL-ATJD模型结构
5.4.2 半监督分类与生成结果
第6章 总结与展望
6.1 总结
6.2 展望