大型巡天項(xiàng)目使得恒星光譜的觀測(cè)進(jìn)入大數(shù)據(jù)時(shí)代,實(shí)現(xiàn)恒星光譜自動(dòng)分類是一項(xiàng)重要和具有挑戰(zhàn)性的工作.本文采用基于一維的卷積網(wǎng)絡(luò)算法對(duì)斯隆數(shù)字巡天（sloan digital sky survey, SDSS）的恒星光譜進(jìn)行分類.通過卷積神經(jīng)網(wǎng)絡(luò),恒星光譜的特征被提取出來(lái)并用于分類.采用帶標(biāo)簽的恒星光譜數(shù)據(jù)訓(xùn)練一維恒星光譜卷積網(wǎng)絡(luò)（1-dimension stellar spectra convolutional neural networks, 1-D SSCNN）,得到訓(xùn)練好的網(wǎng)絡(luò)模型,并用其對(duì)恒星光譜進(jìn)行分類測(cè)試.本文算法與傳統(tǒng)的恒星光譜分類算法支持向量機(jī)（support vector machine, SVM）、隨機(jī)森林（random forest, RF）和人工神經(jīng)網(wǎng)絡(luò)（artificial neural network, ANN）進(jìn)行對(duì)比,結(jié)果表明,本文算法具有較高的分類精度和魯棒性,且給出了由深度學(xué)習(xí)得出的光譜熱力圖,對(duì)研究光譜物理性質(zhì)具有重要意義. 

【文章來(lái)源】：北京師范大學(xué)學(xué)報(bào)(自然科學(xué)版). 2020,56(01)北大核心

【文章頁(yè)數(shù)】：8 頁(yè)

【部分圖文】：

二維卷積神經(jīng)網(wǎng)絡(luò)

式中F表示流量,μ代表均值,σ表示方差.圖2中網(wǎng)絡(luò)結(jié)構(gòu)如表1所示.表1 1-D SSCNN網(wǎng)絡(luò)結(jié)構(gòu) 層編號(hào) 層名稱 核大小 特征圖個(gè)數(shù) 激活函數(shù) 1 輸入 1*2 000 0 — 2 卷積層1 1*16 64 Relu 3 歸一化層 — — — 4 卷積層2 1*32 64 Relu 5 池化層1 1*4 32 — 6 歸一化層 — — — 7 卷積層3 1*16 64 Relu 8 歸一化層 — — — 9 卷積層4 1*16 32 Relu 7 池化層2 1*4 32 — 8 全連接層 1*1024 — Relu 9 輸出 1*3 — Softmax

式中,NTP為正樣本數(shù),NFP為負(fù)樣本數(shù),NFN為正樣本被網(wǎng)絡(luò)預(yù)測(cè)為負(fù)樣本的數(shù)量.F1-score結(jié)果如表2所示,訓(xùn)練時(shí)間的單位為s.由表2實(shí)驗(yàn)結(jié)果可知,SVM和RF對(duì)K-類型恒星光譜分類較好,但對(duì)F-類型和G-類型的恒星光譜分類結(jié)果不好.RF的整體分類效果比SVM好.與傳統(tǒng)的機(jī)器學(xué)習(xí)算法(SVM, RF)相比,神經(jīng)網(wǎng)絡(luò) ANN 不僅能以任意精度逼近非線性函數(shù),而且對(duì)噪聲具有較強(qiáng)的魯棒性和容錯(cuò)能力,因此具有較好分類性能.而本文提出的深度學(xué)習(xí)算法 1-D SSCNN 是通過構(gòu)建具有多個(gè)隱層的學(xué)習(xí)模型和海量的訓(xùn)練數(shù)據(jù),通過組合低層恒星光譜特征形成更加抽象的高層表示屬性類別,來(lái)學(xué)習(xí)更有用的特征,從而提升光譜分類的準(zhǔn)確率.綜合3類恒星光譜的分類結(jié)果,本文算法具有較高的F1-score值.對(duì)不同算法的分類精度進(jìn)行對(duì)比,結(jié)果如表3所示.通過分類精度對(duì)比,本文算法的分類精度高于SVM、RF和ANN.

【參考文獻(xiàn)】：
期刊論文
[1]Spectral classification of stars based on LAMOST spectra[J]. Chao Liu,Wen-Yuan Cui,Bo Zhang,Jun-Chen Wan,Li-Cai Deng,Yong-Hui Hou,Yue-Fei Wang,Ming Yang,Yong Zhang.  Research in Astronomy and Astrophysics. 2015(08)
[2]Support Vector Machine combined with K-Nearest Neighbors for Solar Flare Forecasting[J]. Rong Li, Hua-Ning Wang, Han He, Yan-Mei Cui and Zhan-Le Du National Astronomical Observatories, Chinese Academy of Sciences, Beijing 100012.  Chinese Journal of Astronomy and Astrophysics. 2007(03)
[3]大天區(qū)面積多目標(biāo)光纖光譜望遠(yuǎn)鏡（LAMOST）的跟蹤運(yùn)動(dòng)[J]. 蘇定強(qiáng),王亞男.  天體物理學(xué)報(bào). 1997(03)



本文編號(hào)：3069721