基于Lasso的多任务学习方法在恒星物理参量估计中的应用

发布时间：2017-12-29 01:22

  本文关键词：基于Lasso的多任务学习方法在恒星物理参量估计中的应用　出处：《暨南大学》2015年硕士论文　论文类型：学位论文

  更多相关文章： 多任务学习 单任务Lasso方法 多任务Lasso方法 恒星 物理参量

【摘要】：在机器学习、计算机视觉、人工智能领域得到广泛关注的多任务学习方法,能充分利用任务间潜在的丰富信息,将多个任务同时进行并行学习,效果好于单个任务独立运算的情况。Lasso算法可以使数据维数降低,提取到少量的特征,减少了数据量,剔除了噪声的干扰,有利于预测参数精确度的提高。文章基于ELODIE恒星模板库和SDSS实测光谱库,采用多任务Lasso回归法对恒星光谱物理参量表面有效温度(lg Teff)、重力加速度(lg g)、化学丰度([Fe/H])进行估计。实验结果好于相关研究方法和单任务Lasso回归的情况,三个物理参量的估算精度均得到提高,特别是对lg g、[Fe/H]的估计。实验中改变光谱的分辨率、施加不同信噪比(SNR)的噪声,来对恒星物理参量的估算做出全面分析。结果表明,模型预测精度受光谱分辨率和噪声的影响,但噪声的影响相对更大一些。可见,多任务Lasso回归法适合用于恒星光谱物理参量的自动估计,不仅操作简便,计算速度快,耗时少,更能提高模型的整体预测精度。
[Abstract]:......
【学位授予单位】：暨南大学
【学位级别】：硕士
【学位授予年份】：2015
【分类号】：P144

【参考文献】

相关期刊论文 前5条

1 张健楠;吴福朝;罗阿理;;核回归方法在恒星光谱物理参量自动估计中的应用[J];光谱学与光谱分析;2009年04期

2 卢瑜;李乡儒;王永俊;杨坦;;一种新的恒星大气物理参数自动估计方案SVR(Haar)[J];光谱学与光谱分析;2013年07期

3 张健楠;吴福朝;罗阿理;赵永恒;;恒星大气物理参量的非参数估计方法[J];天文学报;2005年04期

4 ;The Large Sky Area Multi-Object Fiber Spectroscopic Telescope (LAMOST)[J];Research in Astronomy and Astrophysics;2012年09期

5 ;Data release of the LAMOST pilot survey[J];Research in Astronomy and Astrophysics;2012年09期

相关硕士学位论文 前4条

1 韦鹏;LAMOST一维光谱自动处理[D];山东大学;2011年

2 吴科主;基于多任务的多层次选择性集成学习的研究[D];安徽工业大学;2010年

3 董伟祥;LAMOST恒星大气参数提取系统[D];山东大学;2010年

4 刘杰;基于模板匹配的恒星大气物理参数自动测量的研究[D];山东大学;2012年

，

本文编号：1348245