一种基于卷积神经网络的恒星光谱快速分类法

论文摘要

恒星光谱数据的分类是天体光谱自动识别的最基本任务之一,光谱分类的研究能够为恒星的演化提供线索。随着科技的发展,天文数据也向大数据时代迈进,需要处理的恒星光谱数量越来越多,如何对其进行自动而精准地分类成为了天文学家要解决的难题之一。当前恒星光谱自动分类问题的解决方法相对较少,为此本文使用了一种基于卷积神经网络的方法对恒星光谱MK系统进行分类。该网络由数据输入层、四个卷积层、四个池化层、全连接层、输出层构成,与传统网络相比具有局部感知、参数共享等优点实验。在Python3.5的环境下编程,利用Tensorflow构建了一个简单高效的具有四个卷积层的卷积神经网络,并将Dropout作用于全连接层之后以防止过度拟合。Dropout的基本思想:当网络模型进行训练时,把一些神经网络节点按一定的比例丢弃,使其暂时不发挥作用。Dropout可以理解成是一种十分高效的神经网络模型平均方法,由于它不依赖于某些局部特征所以能够让网络模型更加鲁棒。实验中使用的一维恒星光谱图是取自LAMOST DR3数据库,首先进行预处理截取光谱3 600～7 300?的部分,均匀采样后使用min-max标准化法对其进行初始化。实验包括两部分:第一部分为依据恒星光谱MK系统对光谱进行分类,每一类的训练样本包含1 000条光谱数据,测试样本为400条光谱数据,首先通过训练样本对CNN网络进行训练,进行3 000次的迭代,用训练后的网络将测试样本进行分类以验证网络的准确性;第二部分为相邻两类的恒星光谱的分类,其中O型星数据集样本为250条光谱,其余类别恒星样本数据集均为4 000条光谱,将数据5等分,每次选取当中的一份当作测试集,其余部分当作训练集,采用5折交叉验证法求得模型准确率,用BP神经网络进行对比实验。选择对网络模型进行评估的指标包括精确率P、召回率R、 F-score、准确率A。实验结果显示CNN在对六类恒星光谱进行分类时其准确率都在95%以上,在对相邻类别的恒星进行分类时,由于O型星样本量较少,所以得到的分类结果不太理想,对其余类别的恒星分类准确率都高于98%,以上结果都证明了CNN算法能够很好地解决恒星光谱的分类问题。

论文目录

文章来源

类型: 期刊论文

作者: 王楠楠,邱波,马杰,石超君,宋涛,郭平

关键词: 恒星光谱数据,自动分类,折交叉验证

来源: 光谱学与光谱分析 2019年10期

年度: 2019

分类: 基础科学,信息科技

专业: 天文学,自动化技术

单位: 河北工业大学电子信息工程学院,北京师范大学系统科学学院

基金: 国家自然科学基金委员会-中国科学院天文联合基金项目(U1531242),河北省科技支撑计划(15212105D),天津市企业科技特派员项目(18JCTPJC54300)资助

分类号: TP183;P152

页码: 3297-3301

总页数: 5

文件大小: 253K

下载量: 113

相关论文文献

• [1].基于熵学习机的恒星光谱分类（英文）[J]. 光谱学与光谱分析 2018(02)
• [2].基于卷积神经网络的恒星光谱自动分类方法[J]. 光谱学与光谱分析 2019(04)
• [3].低信噪比巡天数据中特殊恒星光谱的搜寻方法[J]. 光谱学与光谱分析 2019(02)
• [4].一种恒星光谱分类规则后处理方法[J]. 光谱学与光谱分析 2013(01)
• [5].A型恒星光谱线指数岭回归有效温度的预测分析[J]. 光谱学与光谱分析 2019(08)
• [6].基于非参数回归与最近邻方法的恒星光谱自动分类[J]. 光谱学与光谱分析 2009(12)
• [7].利用融合数据分布特征的模糊双支持向量机对恒星光谱分类[J]. 光谱学与光谱分析 2019(04)
• [8].R语言应用于LAMOST光谱分析初探[J]. 天文研究与技术 2017(03)
• [9].基于多类支持向量机的恒星光谱分类方法[J]. 光谱学与光谱分析 2018(07)
• [10].利用带无标签数据的双支持向量机对恒星光谱分类[J]. 光谱学与光谱分析 2019(03)
• [11].基于短时傅立叶变换特征提取和卷积神经网络的LAMOST恒星光谱分类研究[J]. 云南民族大学学报(自然科学版) 2020(05)
• [12].基于深度信念网络的LAMOST恒星光谱分类研究[J]. 大理大学学报 2019(06)
• [13].一种基于Map/Reduce分布式计算的恒星光谱分类方法[J]. 光谱学与光谱分析 2016(08)
• [14].自动识别发射线恒星光谱的新方法[J]. 光谱学与光谱分析 2012(06)
• [15].早M型矮恒星光谱聚类方法与分析[J]. 光谱学与光谱分析 2017(12)
• [16].低分辨率恒星光谱的[α/Fe]估计方法研究[J]. 天文学报 2018(04)
• [17].基于样条函数的恒星光谱自动归一化方法[J]. 天文研究与技术 2019(03)
• [18].基于XGBOOST的恒星光谱分类特征数值化[J]. 光谱学与光谱分析 2019(10)
• [19].基于谱线特征匹配的恒星光谱自动识别方法[J]. 光谱学与光谱分析 2008(06)
• [20].流形判别分析和支持向量机的恒星光谱数据自动分类方法[J]. 光谱学与光谱分析 2014(01)
• [21].多任务Lasso回归法在恒星光谱物理参量估计中的应用[J]. 天文学报 2015(01)
• [22].数字[J]. 发明与创新(大科技) 2014(03)
• [23].基于Haar小波特征的恒星光谱物理参量自动估计[J]. 光谱学与光谱分析 2012(09)
• [24].基于深度学习的恒星光谱分类[J]. 北京师范大学学报(自然科学版) 2020(01)
• [25].一种基于约束概念格的恒星光谱数据自动分类方法[J]. 光谱学与光谱分析 2010(02)
• [26].天文学里程碑上的女性光辉[J]. 世界科学 2017(03)
• [27].基于t-SNE的恒星光谱降维与分类研究[J]. 光谱学与光谱分析 2020(09)
• [28].基于分形编码的M型恒星光谱次型自动识别[J]. 光谱学与光谱分析 2013(08)
• [29].一种基于集合运算的分类规则处理方法[J]. 太原科技大学学报 2011(02)
• [30].数字[J]. 中学生天地(B版) 2016(02)

标签：恒星光谱数据论文;  自动分类论文;  折交叉验证论文;