推荐星级:
  • 1
  • 2
  • 3
  • 4
  • 5

一种基于卷积神经网络的恒星光谱快速分类法

更新时间:2019-12-30 17:52:40 大小:2M 上传用户:songhuahua查看TA发布的资源 标签:卷积神经网络 下载积分:1分 评价赚积分 (如何评价?) 打赏 收藏 评论(0) 举报

资料介绍

恒星光谱数据的分类是天体光谱自动识别的最基本任务之一,光谱分类的研究能够为恒星的演化提供线索。随着科技的发展,天文数据也向大数据时代迈进,需要处理的恒星光谱数量越来越多,如何对其进行自动而精准地分类成为了天文学家要解决的难题之一。当前恒星光谱自动分类问题的解决方法相对较少,为此本文使用了一种基于卷积神经网络的方法对恒星光谱MK系统进行分类。该网络由数据输入层、四个卷积层、四个池化层、全连接层、输出层构成,与传统网络相比具有局部感知、参数共享等优点实验。在Python3.5的环境下编程,利用Tensorflow构建了一个简单高效的具有四个卷积层的卷积神经网络,并将Dropout作用于全连接层之后以防止过度拟合。Dropout的基本思想:当网络模型进行训练时,把一些神经网络节点按一定的比例丢弃,使其暂时不发挥作用。Dropout可以理解成是一种十分高效的神经网络模型平均方法,由于它不依赖于某些局部特征所以能够让网络模型更加鲁棒。实验中使用的一维恒星光谱图是取自LAMOST DR3数据库,首先进行预处理截取光谱3 600~7 300?的部分,均匀采样后使用min-max标准化法对其进行初始化。实验包括两部分:第一部分为依据恒星光谱MK系统对光谱进行分类,每一类的训练样本包含1 000条光谱数据,测试样本为400条光谱数据,首先通过训练样本对CNN网络进行训练,进行3 000次的迭代,用训练后的网络将测试样本进行分类以验证网络的准确性;第二部分为相邻两类的恒星光谱的分类,其中O型星数据集样本为250条光谱,其余类别恒星样本数据集均为4 000条光谱,将数据5等分,每次选取当中的一份当作测试集,其余部分当作训练集,采用5折交叉验证法求得模型准确率,用BP神经网络进行对比实验。选择对网络模型进行评估的指标包括精确率P、召回率R、 F-score、准确率A。实验结果显示CNN在对六类恒星光谱进行分类时其准确率都在95%以上,在对相邻类别的恒星进行分类时,由于O型星样本量较少,所以得到的分类结果不太理想,对其余类别的恒星分类准确率都高于98%,以上结果都证明了CNN算法能够很好地解决恒星光谱的分类问题。


部分文件列表

文件名 大小
一种基于卷积神经网络的恒星光谱快速分类法.pdf 2M

部分页面预览

(完整内容请下载后查看)
l. 329301  
pp  
10  
39  
ꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ  
ber 2019  
2019 10  
ꢀꢀꢀ ꢀ  
ctrosco anctras  
ꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ ꢀ ꢀ  
py y  
一种基于卷积神经网络恒星光谱分类法  
郭  
楠楠  
石超君  
业大学津  
1.  
300401  
学学院 京  
2.  
100875  
光谱自谱分研究化  
。 , , ,  
线其  
进行谱自较  
使用了一种基于卷方法谱  
进行四  
MK  
优点在  
用  
构建具有将  
hon5  
nsow  
: ,  
的基经  
合  
ut  
ut  
定的使用  
平  
ut  
, 。  
法 由于些局够让使用的一取  
谱  
使用  
标准  
x  
3  
00   
ꢀ  
。 :  
化法谱  
练  
MK  
为  
对  
行  
CNN  
含  
00  
400  
, ;  
次的进行光  
00  
谱的分为  
为  
据  
250  
00  
, , , ,  
取当的一型准率 用  
BP  
率  
率  
core  
率  
, ,  
以上 时  
%  
验结果示  
在  
CNN  
, ,  
由于 果不于  
以上  
%  
够很好谱的分题  
结果了  
CNN  
关键词 类  
证  
CNN 5  
文献标识码  
中图分类号  
P152  
ꢀꢀ  
964 ss005901295  
ꢀꢀꢀ  
的物理是温度为  
, , , , , ,  
O B A F G K  
来国研 究 在 光 谱 分 尝  
项目光谱日  
, 。  
并 且 经 开 发 出 了 种 自 方 法  
Scherscher  
ꢀꢀ  
谱中自天  
( ) ,  
用于光  
ANN  
提出络  
Paunzen  
[]  
[]  
重要战  
新 性 地 采 用 了  
谱分具  
是  
的  
ANN  
ST  
, ,  
主动目前天光谱率  
网  
最高广泛 使 用 的 方 法 为  
杂 主分析  
( )  
一种降  
A  
nan  
[]  
MK  
),  
统  
在光谱分域  
Sih  
统  
统  
据  
用  
A  
MK  
修订日期  
2019  
收稿日期  
2015  
- -  
基金项目 学基国科学院项目  
),  
划  
,  
 
1521210D  
531242  
资助  
目  
18JJC54300  
作者简介 楠  
1992  
年生 业大学究生  
14588655  
ꢀꢀ q  
m  
bo hebutedcn ebutedcn o bnuedcn  
ꢀꢀ g  
通讯联系人  
光谱学与光谱分析  
ꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ  
39  
3298  
()  
( )  
1  
()  
()  
谱的层  
( )  
实现分类  
PN  
络  
BP  
[]  
种线性法 在谱  
过程化  
由于  
A  
()  
()  
()  
缺 陷 以  
等 人 提 出 线 性 入  
Dal  
[]  
然 后 将  
要作征  
ꢀꢀ  
( )  
应 用 到 恒 光 谱 分 中  
LLE  
的 性 与  
LLE  
, 。 ,  
池  
在 光 谱 分 中 的 性 进 行 现  
于  
A  
LLE  
的分应用到  
M  
, 。  
使用的广泛应  
iu  
机  
M  
用的法  
谱分研究中 了使用  
谱分类  
M  
OST  
[]  
中  
, ,  
A F G  
具有性  
结果表明该对  
型恒  
“ ”  
用  
误  
理  
i  
近  
提 出 了 一 种 基 于 自 射  
%  
id tnh ReU  
广  
( ) ,  
进行谱分研究方法 统  
SOM  
[]  
泛的应用 使用  
函数计  
ReU  
果  
, ;  
使用  
进行有  
id  
, 、  
年来 与分疗  
[]  
单调连续 优稳定的特点  
ReU  
为  
领域等了广泛的应用  
多不神  
()  
()  
(,  
()  
x  
, ,  
的研究广泛的 在特提  
为  
id  
ꢀꢀ g  
谱分应用少  
()  
j  
提出基于卷的方法光谱进  
()  
()  
()  
i  
[]  
进行对比  
峰等使用的  
BP  
络  
ꢀꢀ  
本原理  
当  
convlueurrk NN  
络  
ꢀꢀ  
, 、  
广 的 包 括 积  
、 、 、  
层  
要作法  
标准使用  
x  
包括 标准和  
x  
标准光谱为  
n  
()  
x mn  
小 最处  
中  
x  
意图  
据  
理的据  
1 Schvan  
ꢀ ꢀ ꢀ ꢀ ꢀ  
g g  
, ,  
要进行取  
是  
CNN  
为  
示  
使用的  
CNN  
ꢀꢀ  
恒星谱分类经网络构  
ucturonvlueurark  
ꢀ ꢀ ꢀ ꢀ ꢀ ꢀ  
避 免 高 模 型 知 数 能  
ꢀꢀ  
1  
加  
的 基 本  
ut  
定  
分析与讨论  
使用  
ut  
成 是  
一种法 由于都  
使用的是  
nsow  
由  
ꢀꢀ  
是随使提  
使 用 的 一 光 谱 在  
ho5  
的 光 谱  
ST DR3  

全部评论(0)

暂无评论

上传资源 上传优质资源有赏金

  • 打赏
  • 30日榜单

推荐下载