国家重大工程、被誉为“中国天眼”的500m口径球面射电望远镜（FAST）的主要科学目标之一是寻找脉冲星。然而如何从海量脉冲星候选体中可靠、智能、高效地筛选出优质脉冲信号是亟待解决的问题。本书为学术著作，以FAST脉冲星候选体识别为应用背景，探索了不平衡数据的分类、生成以及半监督学习等问题。本书共6章，主要内容包括绪论、生成对抗网络、基于辅助分类器生成对抗网络的图像识别、基于生成对抗网络的半监督学习、脉冲星候选体识别、总结与展望等。本书通过改进网络结构、重构损失函数提出了一种新的图像识别模型CP-ACGAN，同时基于生成对抗网络（GANs）提出一种新的图像识别模型ICAT，将其应用到脉冲星候选体数据集FAST和HTRU上，改善了传统基于深度学习的识别方法面临的模型偏移和效果不佳等问题。该模型只需要对少量样本进行标记，便可达到与全监督CNN模型相同的识别效果，不仅降低了因样本标记带来的人力、物力等成本，而且对标签样本稀缺的数据集也有显著作用。

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
……