基于DenseNet的天体光谱分类方法

发布时间：2021-08-15 04:38

　　天体光谱数据的智能处理正由传统机器学习方法逐步转向深度学习,主要采用基于计算机视觉的技术手段。基于计算机视觉领域广泛应用的DenseNet网络结构,针对光谱数据进行修改,建立了适用于光谱数据的一维卷积神经网络模型,解决天体光谱数据分类任务。在验证数据集上,恒星、星系、类星体的F1分数达到了0.998 7、0.912 7、0.914 7,高于传统的神经网络。光谱分类关注区域的可视化结果表明,本文模型可以学习到各类天体对应的特征谱线,具有较强的可解释性。本文方法被用于阿里云天池天文数据挖掘大赛——天体光谱智能分类,并在843支参赛队伍的3次数据评比中获得了2次第一、1次第三的成绩,证明了该模型在保证分类精度的同时,具有极强的鲁棒性、泛化性,适用于光谱的自动分类。 

【文章来源】：天文研究与技术. 2020,17(01)CSCD

【文章页数】：11 页

【部分图文】：

本文使用的深度神经网络结构。

除最后一个密集模块外,所有密集模块后连接一个卷积层和一个池化层。二者的目的都是为了减少计算量,卷积层从数据维度上降低计算量,池化层从数据尺度上降低计算量,这两层的连接记为过渡模块。但是池化层通过将两个相邻的数据点平均成一个数据点,将原始数据的尺度变成了原来的一半,使得不同尺度下密集模块间不能再进行密集型的连接。为了进一步增强不同尺度下特征的联系和重用,对原DenseNet结构进行改进,在两个过渡模块间增加了额外的过渡模块跨层连接,如图2。密集模块通过卷积模块(Conv Block)密集型连接构成,如图3。密集型连接使得在同一个密集模块中,所有卷积层的输入来源于前面所有层的输出,加强了不同特征间的联系,也缓解了深度神经网络在训练时遇到的梯度弥散问题。试验中使用2个卷积模块连接。更少的卷积模块使分类精度下降,更多的卷积模块不仅不会带来更高的精度提升,而且使计算量急剧增加。

卷积模块作为具体的特征提取结构,需要对输入数据进行针对性的构建。本文使用的天体光谱数据具有发射线、吸收线等物理特征,由于这些元素的谱线宽度、位置不确定,使用多个卷积步长(1、11、25、41)的卷积层分别对输入的数据进行卷积,将得到的不同卷积尺度下的卷积结果合并到一起后,使用卷积步长为1的卷积层进行不同卷积尺度下的整合,如图4,使得神经网络模型可以对元素谱线进行更好的适应与学习。其中批归一化(Batch normalization)[6] -特征重标定结构(Squeeze-and-Excitation block)[7] -修正线性单元(Rectified Linear Unit)[8]依次连接的处理加在每一次卷积层前。批归一化和修正线性单元都是为了进一步缓解深度神经网络在训练时遇到的梯度弥散问题。卷积层前的特征重标定结构使神经网络模型对产生的新特征进行再次选择。这个选择的过程通过对原始特征赋权重实现。通过学习的方式自动获取每个特征的重要程度,然后依照这个重要程度提升有用的特征,并抑制对光谱分类任务用处不大的特征。具体的实现方式如图5。原始特征图通过全局平局池化转换为点向量,随后通过全连接层,输出每个特征图对应的权重,最后将原始特征图与该权重相乘,输出加权后的新特征图。

【参考文献】：
期刊论文
[1]基于LeNet-5卷积神经网络的太阳黑子检测方法[J]. 付小娜,廖成武,白先勇,梁波,冯松,杨洪娟,杨云飞.  天文研究与技术. 2018(03)
[2]基于深度信念网络的天体光谱自动分类研究[J]. 刘真祥,荣容,许婷婷,周卫红.  云南民族大学学报(自然科学版). 2017(02)
[3]基于BP神经网络（自编码）的恒星大气物理参数估计[J]. 韩帅,李悦.  自动化与仪器仪表. 2016(09)
[4]基于深度学习技术的恒星大气物理参数自动估计[J]. 潘儒扬,李乡儒.  天文学报. 2016(04)



本文编号：3343868