基于深度学习的恒星光谱分类

发布时间：2021-03-07 20:04

　　大型巡天项目使得恒星光谱的观测进入大数据时代,实现恒星光谱自动分类是一项重要和具有挑战性的工作.本文采用基于一维的卷积网络算法对斯隆数字巡天（sloan digital sky survey, SDSS）的恒星光谱进行分类.通过卷积神经网络,恒星光谱的特征被提取出来并用于分类.采用带标签的恒星光谱数据训练一维恒星光谱卷积网络（1-dimension stellar spectra convolutional neural networks, 1-D SSCNN）,得到训练好的网络模型,并用其对恒星光谱进行分类测试.本文算法与传统的恒星光谱分类算法支持向量机（support vector machine, SVM）、随机森林（random forest, RF）和人工神经网络（artificial neural network, ANN）进行对比,结果表明,本文算法具有较高的分类精度和鲁棒性,且给出了由深度学习得出的光谱热力图,对研究光谱物理性质具有重要意义. 

【文章来源】：北京师范大学学报(自然科学版). 2020,56(01)北大核心

【文章页数】：8 页

【部分图文】：

二维卷积神经网络

式中F表示流量,μ代表均值,σ表示方差.图2中网络结构如表1所示.表1 1-D SSCNN网络结构 层编号 层名称 核大小 特征图个数 激活函数 1 输入 1*2 000 0 — 2 卷积层1 1*16 64 Relu 3 归一化层 — — — 4 卷积层2 1*32 64 Relu 5 池化层1 1*4 32 — 6 归一化层 — — — 7 卷积层3 1*16 64 Relu 8 归一化层 — — — 9 卷积层4 1*16 32 Relu 7 池化层2 1*4 32 — 8 全连接层 1*1024 — Relu 9 输出 1*3 — Softmax

式中,NTP为正样本数,NFP为负样本数,NFN为正样本被网络预测为负样本的数量.F1-score结果如表2所示,训练时间的单位为s.由表2实验结果可知,SVM和RF对K-类型恒星光谱分类较好,但对F-类型和G-类型的恒星光谱分类结果不好.RF的整体分类效果比SVM好.与传统的机器学习算法(SVM, RF)相比,神经网络 ANN 不仅能以任意精度逼近非线性函数,而且对噪声具有较强的鲁棒性和容错能力,因此具有较好分类性能.而本文提出的深度学习算法 1-D SSCNN 是通过构建具有多个隐层的学习模型和海量的训练数据,通过组合低层恒星光谱特征形成更加抽象的高层表示属性类别,来学习更有用的特征,从而提升光谱分类的准确率.综合3类恒星光谱的分类结果,本文算法具有较高的F1-score值.对不同算法的分类精度进行对比,结果如表3所示.通过分类精度对比,本文算法的分类精度高于SVM、RF和ANN.

【参考文献】：
期刊论文
[1]Spectral classification of stars based on LAMOST spectra[J]. Chao Liu,Wen-Yuan Cui,Bo Zhang,Jun-Chen Wan,Li-Cai Deng,Yong-Hui Hou,Yue-Fei Wang,Ming Yang,Yong Zhang.  Research in Astronomy and Astrophysics. 2015(08)
[2]Support Vector Machine combined with K-Nearest Neighbors for Solar Flare Forecasting[J]. Rong Li, Hua-Ning Wang, Han He, Yan-Mei Cui and Zhan-Le Du National Astronomical Observatories, Chinese Academy of Sciences, Beijing 100012.  Chinese Journal of Astronomy and Astrophysics. 2007(03)
[3]大天区面积多目标光纤光谱望远镜（LAMOST）的跟踪运动[J]. 苏定强,王亚男.  天体物理学报. 1997(03)



本文编号：3069721