恒星光譜數(shù)據(jù)的分類是天體光譜自動識別的最基本任務(wù)之一,光譜分類的研究能夠為恒星的演化提供線索。隨著科技的發(fā)展,天文數(shù)據(jù)也向大數(shù)據(jù)時代邁進(jìn),需要處理的恒星光譜數(shù)量越來越多,如何對其進(jìn)行自動而精準(zhǔn)地分類成為了天文學(xué)家要解決的難題之一。當(dāng)前恒星光譜自動分類問題的解決方法相對較少,為此本文使用了一種基于卷積神經(jīng)網(wǎng)絡(luò)的方法對恒星光譜MK系統(tǒng)進(jìn)行分類。該網(wǎng)絡(luò)由數(shù)據(jù)輸入層、四個卷積層、四個池化層、全連接層、輸出層構(gòu)成,與傳統(tǒng)網(wǎng)絡(luò)相比具有局部感知、參數(shù)共享等優(yōu)點實驗。在Python3.5的環(huán)境下編程,利用Tensorflow構(gòu)建了一個簡單高效的具有四個卷積層的卷積神經(jīng)網(wǎng)絡(luò),并將Dropout作用于全連接層之后以防止過度擬合。Dropout的基本思想:當(dāng)網(wǎng)絡(luò)模型進(jìn)行訓(xùn)練時,把一些神經(jīng)網(wǎng)絡(luò)節(jié)點按一定的比例丟棄,使其暫時不發(fā)揮作用。Dropout可以理解成是一種十分高效的神經(jīng)網(wǎng)絡(luò)模型平均方法,由于它不依賴于某些局部特征所以能夠讓網(wǎng)絡(luò)模型更加魯棒。實驗中使用的一維恒星光譜圖是取自LAMOST DR3數(shù)據(jù)庫,首先進(jìn)行預(yù)處理截取光譜3 600～7 300?的部分,均勻采樣后使用min-max標(biāo)準(zhǔn)化法對其進(jìn)行初始化...

【文章頁數(shù)】：5 頁

【文章目錄】：
引 言
1 基本原理
2 實驗分析與討論
3 結(jié) 論



本文編號：3798956