我正在解决一个问题，我试图在螺旋星系中找到一个稳定的区域。与我合作的 PI 要求我使用机器学习作为解决问题的工具。我已经为我的数据创建了一些可视化，如下所示。
在这张图片中，您可以看到一个介于 0 到大约 30 像素之间以及介于 90 到 110 像素之间的平坦区域。我收到了使用可以识别平坦区域的 RNN LSTM 模型的建议，但我也想听听其他神经网络模型的其他建议。
我正在使用的 PI 建议将我的数据可视化图像输入神经网络，并让神经网络识别所述稳定区域。这可以使用神经网络来完成吗？我需要查看哪些资源？而且，这个问题可以用RNN LSTM解决吗？我认为这样做的前提是将半径视为某个时间维度。我一直在网上广泛寻找答案，但似乎找不到任何类似的例子。
如果你真的只是想在一个序列中找到长的连续平坦区域，你不需要机器学习。你的 PI 弄错了。您最好只编写一个简短的数据处理程序。您的程序可以找到相邻数据点之间的有限差异，然后计算它们中的一长串是否低于某个阈值以识别长平坦区域。这将比在此任务的数据可视化上使用 ML 更快、更简单，甚至可能更准确。
如果您试图找到比这些长而平坦的区域更复杂的东西，您可以改为在用于生成图像的原始序列数据上训练LSTM 。同样，这可能比尝试在图像数据本身上训练 CNN 或任何非序列模型更准确。
在图像处理中，CNN 通常用于创建加权过滤器，以专注于对进行预测最重要的图像特征。Keras 是用于以这种方式检查图像的库之一。通过这种类型的分析，您将需要标记和未标记的数据，您希望创建一个输入照片的网络，提取平黑线区域并输出这些数据。该模型将是生成的，生成函数平坦区域的猜测。这一切都可以做到，但是为了标记数据，您需要手动标记它们，或者您需要创建一个手动标记它们的函数，这不会很困难。输入节点将获取图片的像素，输出层将沿着图的位置猜测该部分是否平坦。当可以不使用 NN 并且创建标记方法很可能是您的第一步时，使用神经网络执行此操作似乎有点矫枉过正。如果您有任何问题，请询问。