基于深度信念网络的LAMOST恒星光谱分类研究

发布时间：2023-02-06 19:18

　　恒星光谱分类是光谱分析的一种重要方法,是天体光谱数据挖掘的重要内容。针对从LAMOST(the Large Sky Area Multi-Object Fiber Spectroscopic Telescope)Data Release 5(DR5)选取出的33 000条F、G和K型3种恒星光谱数据,采用一种基于深度信念网络的恒星光谱分类方法,通过在训练过程中对恒星光谱数据进行分层特征学习,从而建立深度信念网络模型。最后对此模型进行恒星光谱分类测试,得到F、G和K型3种恒星的分类精确率分别为0.93、0.90和0.98,从而验证了该模型对这3种恒星光谱的正确性,分类精确率较高,对海量天体光谱数据的处理有着重要意义。

【文章页数】：5 页

【文章目录】：
1 研究进展及现状
2 光谱数据和预处理
3 深度信念网络设计
    3.1 RBM的结构
    3.2 DBN的结构
    3.3 DBN的算法过程
    3.4 DBN模型的参数选择
4 实验与结果分析
    4.1 实验结果
    4.2 结果分析
5 结语



本文编号：3736459