FAST的科学目标众多，总结起来，主要包括以下6个方面：一是巡视宇宙中的中性氢，研究宇宙大尺度物理学，探索宇宙起源和演化；二是观测脉冲星，研究极端状态下的物质结构与物理规律；三是主导国际甚长基线干涉测量网，并获得天体超精细结构；四是探测星际分子，研究恒星形成与演化、星系核心黑洞以及探索太空生命起源；五是搜索星际通信信号，搜寻地外文明；六是其他应用领域。FAST将把我国深空测控及通信能力由地球同步轨道延伸至太阳系外缘行星，能使目前我国的深空通信数据下行速率提高100-1000倍，强有力地支持我国未来载人航天、探月和深空探测计划，还能应对深空飞行器在快速工程变轨和着陆时的测控需求；观测电离层对卫星和射电源信号的闪烁，研究电离层不均匀的时空结构，为我国军民两用通信和卫星定位服务；观测行星际闪烁（IPS）和法拉第旋光现象，跟踪探测日冕物质抛射事件，了解太阳风的行星际传播，服务太空天气预报，等等。在众多科学目标中，寻找脉冲星是FAST早期的主要科学目标之一。新脉冲星的发现以及利用FAST对这些新脉冲星进行后续跟踪观测，可提供解决广义相对论检验、银河系中心黑洞探索、银河系星际介质探测、中子星内部物态探测等物理学基本问题的新手段。脉冲星是一种高度磁化的旋转中子星，它具有体积小、密度大且能发射电磁辐射等特点。脉冲星的发现在物理和天文学领域都有着重要的意义。目前，FAST主要采用基于特征筛选的脉冲星候选体识别方法并发现了160余颗新脉冲星。脉冲星候选体数据集具有极端非平衡性特征，因此给候选体识别带来了极大的困扰。以卷积神经网络为代表的深度学习模型虽然在图像识别领域展现出惊人的能力，但面对非平衡脉冲星候选体数据集时表现出一定程度的模型偏移（偏向多数类）。针对不平衡数据的分类问题，目前较为常见的有改进损失函数和重平衡数据集两种途径；另外，少数类样本的多样性缺乏也是脉冲星候选体识别面临的主要困境。生成对抗网络的出现为脉冲星候选体识别提供了有效途径。它可以从已有的样本学习到样本的分布，并生成新的样本。因此，《基于生成对抗网络的图像分类研究及其在脉冲星候选体识别中的应用》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。
鄂公网安备 42010302001612号 