隨著天文學的發(fā)展以及天文望遠鏡觀測能力的提升,國內外許多大型巡天望遠鏡將產生PB級的恒星光譜數(shù)據(jù)。恒星光譜是來自恒星的電磁輻射,通常由連續(xù)譜與吸收線疊加而成,其差異源于恒星的有效溫度、表面重力加速度以及元素的化學豐度等。恒星光譜自動分類是天文數(shù)據(jù)處理的一項重要研究內容,是研究恒星演化和參數(shù)測量的基礎。海量的恒星光譜對分類方法提出了高效、準確的要求。傳統(tǒng)的人工分類方法存在速度慢、精度低等缺點,已經(jīng)無法滿足海量恒星光譜特別是低信噪比恒星光譜自動分類的實際需要,機器學習算法目前已經(jīng)被廣泛地應用于恒星光譜分類。恒星光譜的一個顯著特征是數(shù)據(jù)維度較高,降維不但可以實現(xiàn)特征提取,而且可以降低計算量,是光譜分類的首要任務。傳統(tǒng)的線性降維方法如主成分分析僅依據(jù)方差對光譜進行降維,不同類型的光譜在投影到低維特征空間后會出現(xiàn)交叉現(xiàn)象,而流形學習能夠產生優(yōu)良的分類邊界,很好地避開重疊,有利于后續(xù)的分類。針對光譜數(shù)據(jù)維度較高的特點,研究了光譜數(shù)據(jù)在高維空間內的分布以及流形學習對高維線性數(shù)據(jù)降維的原理,比較了t-SNE和主成分分析兩種降維方法對光譜數(shù)據(jù)降維的效果,并使用基于屬性值相關距離的改進的K近鄰算法進行光譜... 

【文章來源】：光譜學與光譜分析. 2020,40(09)北大核心EISCICSCD

【文章頁數(shù)】：5 頁

【文章目錄】：
引 言
1 降維與分類方法
    1.1 t-SNE
    1.2 基于屬性值相關距離的KNN算法
2 實驗過程及結論
    2.1 光譜降維
    2.2 光譜分類
    2.3 結果分析
3 結 論


【參考文獻】：
期刊論文
[1]基于熵學習機的恒星光譜分類（英文）[J]. 劉忠寶,任娟娟,宋文愛,張靜,孔嘯,富麗貞.  光譜學與光譜分析. 2018(02)
[2]基于屬性值相關距離的KNN算法的改進研究[J]. 肖輝輝,段艷明.  計算機科學. 2013(S2)
[3]Instructions for authors[J].   Research in Astronomy and Astrophysics. 2012(06)



本文編號：3161860