基于多任务残差神经网络的恒星光谱分类研究

发布时间：2020-12-22 00:27

　　目前,大型的巡天项目已经积累了海量的恒星光谱数据,通过对恒星光谱数据的分析,我们可以获取恒星的类型与恒星的物理参数,以及恒星在赫罗图上的定位,帮助我们探索银河系乃至整个宇宙的演化历程。对恒星的光谱进行正确的分类是分析与研究恒星的前提。目前使用最普遍的光谱分类方法是模板匹配法,然而该方法存在很多局限,它过于依赖已有的光谱模板,光谱数据的复杂性和多样性也限制了其在光谱数据分析中的性能。因此,寻找一种适合处理海量光谱数据、便捷高效的光谱自动处理方法有重要的意义。为了实现恒星光谱自动化分类的目标,本文主要进行了以下工作:（1）实验数据的预处理。根据信噪比对恒星光谱文件进行筛选,过滤掉低质量的光谱以提高数据质量,将读取出的光谱数据进行插值与归一化,统一数据的格式与范围,使用边界线合成少数类过采样技术（Border-line Synthetic Minority Oversampling Technique,Border-line SMOTE）解决了数据集中存在的类别不平衡问题,并且对不同类型的恒星光谱分配了标签,将一维的光谱数据折叠成二维矩阵,便于模型的运算。（2）搭建多任务残差神经网络。利用多... 

【文章来源】：山东大学山东省 211工程院校 985工程院校 教育部直属院校

【文章页数】：60 页

【学位级别】：硕士

【部分图文】：

图２－１卷积运算示意图??

输入的每个２Ｘ２大小的区域，最大池化在每个池化窗口覆盖??的区域内取最大值作为输出，平均池化在池化窗口覆盖的区域内求算术平均??值作为输出。??１?２?ｉ?１?６?１?２?：?１?６??７?４?：！?５?８?Ｈ＾ｓｉ?７?４?！?５?８?＾￣Ｓ－???？［二＾二＾；?Ｉ?－Ａ???…：…ｒ－：二＾?ｉ?＞??４２?丨?２０?４４?４２?丨?２０?３．５?１．７５??１?５?｜?１?４?１?５?｜?１?４??（ａ）最大池化?（ｂ）平均池化??图２－２最大池化与平均池化示意图??全连接层一般位于卷积神经网络的最后几层，用于将所有的特征连接起??来输送给分类器。??ｑ?ｐｉ?ｐ??〇?〇?〇??ｙ—７ｊ?ｎ?２??Ｃ＝＞?Ｚ?＞＝＞?／?＿／?Ｃ＝＞?〇?Ｏ?ｃ＝＾?Ｏ?Ｃ＝＾＞?０???Ｐ??＾??１／??ｉ／?＿［／?Ｕ?Ｕ?ｈ??输＼?ＣＯＮＶＩ?（Ｓ■激活ＰＯＯＬ１?ＣＯＮＶ２?（含激活？）?ＰＯＯＵ?ＦＣ１?ＦＣ２?ＦＣ３?输出??图２－３卷积神经网络ＬｅＮｅｔ－５的结构示意图??图２－３展示了由ＬｅＮｅｔ－５提出并使用的卷积神经网络的经典结构，其中??的ＣＯＮＶ表示含有激活函数的卷积层，ＰＯＯＬ表示池化层，ＦＣ表示全连接??层。输入首先经过第１层卷积ＣＯＮＶ１来提取基础特征并由激活函数进行非??线性处理，得到的特征图进入池化层ＰＯＯＬ１进行下采样，然后由ＣＯＮＶ２??提取更抽象的高层特征。经过第２个池化层ＰＯＯＬ２，特征被全部输入到全??连接层，全连接层对特征进行处理之后送给输出层的ｓｏｆｔｍａｘ分类器。??２．１．３残差网络??９

?山东大学硕士学位论文???ｘ?（ｓｈｏｒｔｃｕｔ）??Ｆ（ｘ）?Ｆ（ｘ）＋ｘ??ＣＯＮＶ?ＢＮ?ＲｅＬＵ?—？?ＣＯＮＶ?ＢＮ?ＲｅＬＵ?—？?ＣＯＮＶ?ＢＮ?ＲｅＬＵ?—??（ａ＞恒等连接??产，?丨ＣＯＮＶ卜Ｎ?｜???Ｆ（ｘ）?Ｆ（ｘ）＋ｘ??ＣＯＮＶ?ＢＮ?ＲｅＬＵ?—？?ＣＯＮＶ?ＢＮ?ＲｅＬＵ?—■?ＣＯＮＶ?ＢＮ?－＊？—?ＲｅＬＵ?—??（ｂ）非恒等连接??图２－４两种形式的短路连接??残差块中不设置池化层，而是通过步长为２的卷积操作来控制特征图的??大校为了保证模型的复杂性和结构上的一致性，卷积核的个数和特征图的??大小遵循两个原则：??（１）特征图大小相同的层拥有相同数量的卷积核。??（２）特征图的大小减半时，卷积核的个数增加一倍。??在这两个原则的约束下，残差块之间有了特征图大小和内部卷积操作的??卷积核个数的差异。假设有两种不同的残差块：残差块Ａ与残差块Ｂ，残差??块Ｂ中包含的卷积核个数是残差块Ａ中的２倍，则根据原则（２），残差块Ｂ??中的特征图大小是残差块Ａ中的一半。所有的残差块Ａ内部拥有相同数量??的卷积核，其特征图大小也是一致的，因此残差块Ａ之间的短路连接是恒等??连接。当一个残差块Ａ连接到残差块Ｂ时，由于两残差块特征图大小的差??异，导致残差块Ｂ的输入与其特征图无法直接相加，需要使用非恒等连接中??步长为２的卷积操作将残差块Ａ的特征图大小缩小至与残差块Ｂ的特征图??大小相同。因此同种残差块之间的连接是恒等连接，不同种残差块之间的连??接是非恒等连接。??为了降低计算的成本，深层残差网络的残差块在结构上采用“瓶颈??（ｂｏｔｔｌｅｎｅｃｋ广设计来减少模

【参考文献】：
期刊论文
[1]The first data release(DR1) of the LAMOST regular survey[J]. A-Li Luo,Yong-Heng Zhao,Gang Zhao,Li-Cai Deng,Xiao-Wei Liu,Yi-Peng Jing,Gang Wang,Hao-Tong Zhang,Jian-Rong Shi,Xiang-Qun Cui,Yao-Quan Chu,Guo-Ping Li,Zhong-Rui Bai,Yue Wu,Yan Cai,Shu-Yun Cao,Zi-Huang Cao,Jeffrey L.Carlin,Hai-Yuan Chen,Jian-Jun Chen,Kun-Xin Chen,Li Chen,Xue-Lei Chen,Xiao-Yan Chen,Ying Chen,Norbert Christlieb,Jia-Ru Chu,Chen-Zhou Cui,Yi-Qiao Dong,Bing Du,Dong-Wei Fan,Lei Feng,Jian-Ning Fu,Peng Gao,Xue-Fei Gong,Bo-Zhong Gu,Yan-Xin Guo,Zhan-Wen Han,Bo-Liang He,Jin-Liang Hou,Yong-Hui Hou,Wen Hou,Hong-Zhuan Hu,Ning-Sheng Hu,Zhong-Wen Hu,Zhi-Ying Huo,Lei Jia,Fang-Hua Jiang,Xiang Jiang,Zhi-Bo Jiang,Ge Jin,Xiao Kong,Xu Kong,Ya-Juan Lei,Ai-Hua Li,Chang-Hua Li,Guang-Wei Li,Hai-Ning Li,Jian Li,Qi Li,Shuang Li,Sha-Sha Li,Xin-Nan Li,Yan Li,Yin-Bi Li,Ye-Ping Li,Yuan Liang,Chien-Cheng Lin,Chao Liu,Gen-Rong Liu,Guan-Qun Liu,Zhi-Gang Liu,Wen-Zhi Lu,Yu Luo,Yin-Dun Mao,Heidi Newberg,Ji-Jun Ni,Zhao-Xiang Qi,Yong-Jun Qi,Shi-Yin Shen,Huo-Ming Shi,Jing Song,Yi-Han Song,Ding-Qiang Su,Hong-Jun Su,Zheng-Hong Tang,Qing-Sheng Tao,Yuan Tian,Dan Wang,Da-Qi Wang,Feng-Fei Wang,Guo-Min Wang,Hai Wang,Hong-Chi Wang,Jian Wang,Jia-Ning Wang,Jian-Ling Wang,Jian-Ping Wang,Jun-Xian Wang,Lei Wang,Meng-Xin Wang,Shou-Guan Wang,Shu-Qing Wang,Xia Wang,Ya-Nan Wang,You Wang,Yue-Fei Wang,You-Fen Wang,Peng Wei,Ming-Zhi Wei,Hong Wu,Ke-Fei Wu,Xue-Bing Wu,Yu-Zhong Wu,Xiao-Zheng Xing,Ling-Zhe Xu,Xin-Qi Xu,Yan Xu,Tai-Sheng Yan,De-Hua Yang,Hai-Feng Yang,Hui-Qin Yang,Ming Yang,Zheng-Qiu Yao,Yong Yu,Hui Yuan,Hai-Bo Yuan,Hai-Long Yuan,Wei-Min Yuan,Chao Zhai,En-Peng Zhang,Hua-Wei Zhang,Jian-Nan Zhang,Li-Pin Zhang,Wei Zhang,Yong Zhang,Yan-Xia Zhang,Zheng-Chao Zhang,Ming Zhao,Fang Zhou,Xu Zhou,Jie Zhu,Yong-Tian Zhu,Si-Cheng Zou,Fang Zuo.  Research in Astronomy and Astrophysics. 2015(08)



本文编号：2930795