一种新的基于2维傅里叶谱图像的恒星光谱特征提取方法和深度网络分类应用

发布时间：2021-02-28 15:17

　　天体光谱分类是天文学研究的重要内容之一,其关键是从光谱数据中选择和提取对分类识别最有效的特征构建特征空间.提出一种新的基于2维傅里叶谱图像的特征提取方法,并应用于LAMOST （the Large Sky Area Multi-Object Fiber Spectroscopic Telescope）恒星光谱数据的分类研究中.光谱数据来源于LAMOST Data Release 5（DR5）,选取30000条F、 G和K型星光谱数据,利用短时傅里叶变换（Short-Time Fourier Transform, STFT）将1维光谱数据变换成2维傅里叶谱图像,对得到的2维傅里叶谱图像采用深度卷积网络模型进行分类,得到的分类准确率是92.90%.实验结果表明通过对LAMOST恒星光谱数据进行STFT可得到光谱的2维傅里叶谱图像,谱图像构成了新的光谱数据特征和特征空间,新的特征对于光谱数据分类是有效的.此方法是对光谱分类的一种全新尝试,对海量天体光谱的分类和挖掘处理有一定的开创意义. 

【文章来源】：天文学报. 2020,61(02)北大核心

【文章页数】：9 页

【部分图文】：

归一化后的1维恒星光谱数据和生成后的2维傅里叶谱图像,f是流量值在单位波长内变化的次数.

其中,b=(b1,b2,...,bn)表示一条原始恒星光谱数据,b1,b2,···,bn表示给定波长下所对应的n个流量值,bnorm表示归一化后的恒星光谱数据,bmax表示b1,b2,···,bn中的最大值即在某一波长下的流量值达到最大.归一化处理后,恒星光谱数据中的所有流量值均映射到[0,1]之间,数量级相同,且仍然保留了原始光谱数据中各特征间的相对大小关系在LAMOST DR5数据库中,每1条光谱都有唯一的天体编号OBSID,一条F型星光谱数据(OBSID:492302245)在归一化处理前后的对比图如图1所示.2.3 光谱数据2维傅里叶谱图像的生成

Inception v3结构

【参考文献】：
期刊论文
[1]基于卷积神经网络的恒星光谱自动分类方法[J]. 石超君,邱波,周亚同,段福庆.  光谱学与光谱分析. 2019(04)
[2]一种基于Map/Reduce分布式计算的恒星光谱分类方法[J]. 潘景昌,王杰,姜斌,罗阿理,韦鹏,郑强.  光谱学与光谱分析. 2016(08)
[3]光谱数据挖掘中的特征提取方法[J]. 李乡儒.  天文学进展. 2012(01)
[4]基于光谱特征的恒星自动识别方法[J]. 刘中田,邱宽民.  光谱学与光谱分析. 2010(01)
[5]LAMOST科学观测计划[J]. 褚耀泉.  中国科学技术大学学报. 2007(06)



本文编号：3056045