利用带无标签数据的双支持向量机对恒星光谱分类

发布时间：2021-10-13 11:10

　　恒星光谱分类是天文技术与方法领域一直关注的热点问题之一。随着观测设备持续运行和不断改进,人类获得的光谱数量与日俱增。这些海量光谱为人工处理带来了极大挑战。鉴于此,研究人员开始关注数据挖掘算法,并尝试对这些光谱进行数据挖掘。近年来,神经网络、自组织映射、关联规则等数据挖掘方法广泛应用于恒星光谱分类。在这些方法中,支持向量机（SVM）以其强大的学习能力和高效的分类性能而备受推崇。SVM的基本思想是试图在两类样本之间找到一个最优分类面将两类分开。SVM在求解时,通过将其最优化问题转化为具有（QP）形式的凸问题,进而得到全局最优解。尽管该方法在实际应用中表现优良,但为了进一步提高其分类能力,有的学者提出双支持向量机（TSVM）。该方法通过构造两个非平行的分类面将两类分开,每一类靠近某个分类面,而远离另一个分类面。TSVM的计算效率较之传统SVM提高近4倍,因此,自TSVM提出后便受到研究人员的持续关注,并出现若干改进算法。在恒星光谱分类中,一般分类算法都是根据历史观测光谱来建立分类模型,其中最关键的是对光谱进行人工标注,这项工作极为繁琐,且容易犯错。如何利用已标记的光谱以及部分无标签的光谱来建... 

【文章来源】：光谱学与光谱分析. 2019,39(03)北大核心EISCICSCD

【文章页数】：5 页

【文章目录】：
引 言
1 双支持向量机
2 带无标签数据的双支持向量机
    2.1 最优化问题
    2.2 算法描述
3 实验分析
4 结 论


【参考文献】：
期刊论文
[1]LAMOST-DR1中激变变星光谱的数据挖掘研究[J]. 姜斌,李紫宣,曲美霞,王文玉,罗阿理.  光谱学与光谱分析. 2016(07)



本文编号：3434544