恒星光譜分類是天文技術(shù)與方法領(lǐng)域一直關(guān)注的熱點問題之一。隨著觀測設(shè)備持續(xù)運(yùn)行和不斷改進(jìn),人類獲得的光譜數(shù)量與日俱增。這些海量光譜為人工處理帶來了極大挑戰(zhàn)。鑒于此,研究人員開始關(guān)注數(shù)據(jù)挖掘算法,并嘗試對這些光譜進(jìn)行數(shù)據(jù)挖掘。近年來,神經(jīng)網(wǎng)絡(luò)、自組織映射、關(guān)聯(lián)規(guī)則等數(shù)據(jù)挖掘方法廣泛應(yīng)用于恒星光譜分類。在這些方法中,支持向量機(jī)（SVM）以其強(qiáng)大的學(xué)習(xí)能力和高效的分類性能而備受推崇。SVM的基本思想是試圖在兩類樣本之間找到一個最優(yōu)分類面將兩類分開。SVM在求解時,通過將其最優(yōu)化問題轉(zhuǎn)化為具有（QP）形式的凸問題,進(jìn)而得到全局最優(yōu)解。盡管該方法在實際應(yīng)用中表現(xiàn)優(yōu)良,但為了進(jìn)一步提高其分類能力,有的學(xué)者提出雙支持向量機(jī)（TSVM）。該方法通過構(gòu)造兩個非平行的分類面將兩類分開,每一類靠近某個分類面,而遠(yuǎn)離另一個分類面。TSVM的計算效率較之傳統(tǒng)SVM提高近4倍,因此,自TSVM提出后便受到研究人員的持續(xù)關(guān)注,并出現(xiàn)若干改進(jìn)算法。在恒星光譜分類中,一般分類算法都是根據(jù)歷史觀測光譜來建立分類模型,其中最關(guān)鍵的是對光譜進(jìn)行人工標(biāo)注,這項工作極為繁瑣,且容易犯錯。如何利用已標(biāo)記的光譜以及部分無標(biāo)簽的光譜來建... 

【文章來源】：光譜學(xué)與光譜分析. 2019,39(03)北大核心EISCICSCD

【文章頁數(shù)】：5 頁

【文章目錄】：
引 言
1 雙支持向量機(jī)
2 帶無標(biāo)簽數(shù)據(jù)的雙支持向量機(jī)
    2.1 最優(yōu)化問題
    2.2 算法描述
3 實驗分析
4 結(jié) 論


【參考文獻(xiàn)】：
期刊論文
[1]LAMOST-DR1中激變變星光譜的數(shù)據(jù)挖掘研究[J]. 姜斌,李紫宣,曲美霞,王文玉,羅阿理.  光譜學(xué)與光譜分析. 2016(07)



本文編號：3434544