基于反贝叶斯学习的WDMS光谱自动识别研究

发布时间：2021-10-22 02:05

　　天体光谱是天体物理学重要的研究对象,通过光谱可以获取天体的许多物理、化学参数如有效温度、金属丰度、表面重力加速度和视向速度等。白矮主序双星是一类致密的双星系统,对研究致密双星的演化特别是公共包层的演化有着重要的意义。国内外的大型巡天望远镜如美国斯隆望远镜以及中国的郭守敬望远镜,每天都产生大量光谱数据。如此海量的光谱数据无法完全用人工进行分析。因此,使用机器学习方法从海量的天体光谱中自动搜索白矮主序双星光谱,有着非常现实的意义。目前的光谱自动识别方法主要通过对已有的标签样本进行分析,通过训练得到分类器,再对未知目标进行识别。这类方法对样本的数量有明确的要求。白矮主序双星的实测光谱数量有限。若要通过有限的样本集准确学习白矮主序双星的光谱特征,不仅需要扩大样本数量,还需要提高特征提取和分类算法的精度。在前期工作中,通过机器学习等方法在海量巡天数据中识别了一批白矮主序双星的光谱,为该实验提供了数据源。使用对抗神经网络生成新的白矮主序双星光谱,扩大训练数据量至原数据集约两倍的数量,增强了分类模型的泛化能力。通过反贝叶斯学习修正损失函数,将损失函数的大小与样本的方差相关联,抑制了异常数据对模型造成... 

【文章来源】：光谱学与光谱分析. 2019,39(06)北大核心EISCICSCD

【文章页数】：5 页

【部分图文】：

图１ＷＤＭＳ光谱Ｆｉｇ．１ＷＤＭＳＳｐｅｃｔｒｕｍ

的强度，同时也决定分布的偏倚程度。此时负对数似然性被重新定义为－ｌｏｇｐ（Ｄ｜ｑ）＝－ｌｏｇ１２槡ｐｓＤｅｘｐ－（ｔ－ｙ＋ｓＤ／２槡ｐ）２２ｓ２［｛｝］Ｄ＝（ｔ－ｙ）２２ｓ２Ｄ＋ｔ－ｙｓＤ２槡ｐ＋１４ｐ＋Ｃ１＝１２ｓ２Ｄ（ｔ－ｙ）２＋１ｓＤ２槡ｐ（ｔ－ｙ）＋Ｃ图２为ＡＬＰ的概率模型示意图，其中ｐ＊＝Ｐｙ－σＤ２槡π≤Ｔ≤（）ｙ。图２ＡＬＰ示意图Ｆｉｇ．２ＡＬＰＳｃｈｅｍａｔｉｃｄｉａｇｒａｍ２生成对抗网络２．１光谱获取及预处理通过Ｃａｓｊｏｂ［１１］获取ＳＤＳＳ光谱库中不同信噪比（ｓｉｇｎａｌｎｏｉｓｅｒａｔｉｏ，ＳＮＲ）的ＷＤＭＳ光谱共１７４６条，波长范围为３８００～９０００?，信噪比范围为１～５０。经过数据清洗除去异常数据以及信噪比过低的数据后，保留光谱１６００条。在实测光谱由神经网络的输入层进行正向传播运算前，对原始光谱Ｓ通过最值归一化方法［式（１）］进行标准化预处理，将其映射到［０，１］区间内Ｓ＝Ｓ－ＳｍｉｎＳｍａｘ－Ｓｍｉｎ（２）２．２网络模型搭建ＧＡＮ通常由两部分组成：生成器Ｇ（ｚ）以及判别器Ｄ（ｚ），图３展示了ＧＡＮ的基本原理。图３ＧＡＮ基本原理图Ｆｉｇ．３ＧＡＮＢａｓｉｃｓｃｈｅｍａｔｉｃ表１生成对抗网络结构Ｔａｂｌｅ１ＮｅｔｗｏｒｋＳｔｒｕｃｔｕｒｅｆｏｒＧＡＮｎｅｔｌａｙｅｒｎｅｕｒｏｎｓａｆＧ（ｚ

为３８００～９０００?，信噪比范围为１～５０。经过数据清洗除去异常数据以及信噪比过低的数据后，保留光谱１６００条。在实测光谱由神经网络的输入层进行正向传播运算前，对原始光谱Ｓ通过最值归一化方法［式（１）］进行标准化预处理，将其映射到［０，１］区间内Ｓ＝Ｓ－ＳｍｉｎＳｍａｘ－Ｓｍｉｎ（２）２．２网络模型搭建ＧＡＮ通常由两部分组成：生成器Ｇ（ｚ）以及判别器Ｄ（ｚ），图３展示了ＧＡＮ的基本原理。图３ＧＡＮ基本原理图Ｆｉｇ．３ＧＡＮＢａｓｉｃｓｃｈｅｍａｔｉｃ表１生成对抗网络结构Ｔａｂｌｅ１ＮｅｔｗｏｒｋＳｔｒｕｃｔｕｒｅｆｏｒＧＡＮｎｅｔｌａｙｅｒｎｅｕｒｏｎｓａｆＧ（ｚ）ｉｎｐｕｔ１００ＲｅＬＵＧ（ｚ）ｈｉｄｄｅｎ１２８ＲｅＬＵＧ（ｚ）ｏｕｔｐｕｔ３５２２ＳｉｇｍｏｉｄＤ（ｘ）ｉｎｐｕｔ３５２２ＲｅＬＵＤ（ｘ）ｈｉｄｄｅｎ１２８ＲｅＬＵＤ（ｘ）ｏｕｔｐｕｔ１ＳｉｇｍｏｉｄＧ（ｚ）从概率分布ｐ（ｚ）中接收输入ｚ，并试图生成样本数据；而生成器以真实数据或生成数据作为输入，并试图预测当前输入数据。在网络的平衡点，判别器网络认为生成器网络输出的结果是真实数据的概率为０．５０３８１光谱学与光谱分析第３９卷

【参考文献】：
期刊论文
[1]基于条件深度卷积生成对抗网络的图像识别方法[J]. 唐贤伦,杜一铭,刘雨微,李佳歆,马艺玮.  自动化学报. 2018(05)
[2]基于径向基神经网络的白矮主序双星自动分类[J]. 王文玉,郭格霖,姜斌,王丽.  光谱学与光谱分析. 2016(10)



本文编号：3450166