基于t-SNE的恒星光谱降维与分类研究

发布时间：2021-04-26 18:00

　　随着天文学的发展以及天文望远镜观测能力的提升,国内外许多大型巡天望远镜将产生PB级的恒星光谱数据。恒星光谱是来自恒星的电磁辐射,通常由连续谱与吸收线叠加而成,其差异源于恒星的有效温度、表面重力加速度以及元素的化学丰度等。恒星光谱自动分类是天文数据处理的一项重要研究内容,是研究恒星演化和参数测量的基础。海量的恒星光谱对分类方法提出了高效、准确的要求。传统的人工分类方法存在速度慢、精度低等缺点,已经无法满足海量恒星光谱特别是低信噪比恒星光谱自动分类的实际需要,机器学习算法目前已经被广泛地应用于恒星光谱分类。恒星光谱的一个显著特征是数据维度较高,降维不但可以实现特征提取,而且可以降低计算量,是光谱分类的首要任务。传统的线性降维方法如主成分分析仅依据方差对光谱进行降维,不同类型的光谱在投影到低维特征空间后会出现交叉现象,而流形学习能够产生优良的分类边界,很好地避开重叠,有利于后续的分类。针对光谱数据维度较高的特点,研究了光谱数据在高维空间内的分布以及流形学习对高维线性数据降维的原理,比较了t-SNE和主成分分析两种降维方法对光谱数据降维的效果,并使用基于属性值相关距离的改进的K近邻算法进行光谱... 

【文章来源】：光谱学与光谱分析. 2020,40(09)北大核心EISCICSCD

【文章页数】：5 页

【文章目录】：
引 言
1 降维与分类方法
    1.1 t-SNE
    1.2 基于属性值相关距离的KNN算法
2 实验过程及结论
    2.1 光谱降维
    2.2 光谱分类
    2.3 结果分析
3 结 论


【参考文献】：
期刊论文
[1]基于熵学习机的恒星光谱分类（英文）[J]. 刘忠宝,任娟娟,宋文爱,张静,孔啸,富丽贞.  光谱学与光谱分析. 2018(02)
[2]基于属性值相关距离的KNN算法的改进研究[J]. 肖辉辉,段艳明.  计算机科学. 2013(S2)
[3]Instructions for authors[J].   Research in Astronomy and Astrophysics. 2012(06)



本文编号：3161860