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
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），
第
，
，
Ｖｏｌ．３９ Ｎｏ．１０ ３２９７３３０１
ｐｐ
第
卷
期
１０
光
谱
学
与
光
谱
分
析
３９
ꢀ ꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ
－
，
Ｏｃｔｏｂｅｒ ２０１９
ꢀ
年
２０１９ １０
ꢀꢀꢀ ꢀ
月
Ｓｅｃｔｒｏｓｃｏ ａｎｄＳｅｃｔｒａｌＡｎａｌｓｉｓ
ꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ ꢀ ｐ ꢀｐ ꢀ
ｐｙ ｙ
ꢀ
ꢀ
一种基于卷积神经网络的恒星光谱快速分类法
１
１
＊
波
１
＊
杰
１
１
，
涛 郭
２
＊
平
ꢀ
，
邱
，
马
，
，
宋
王楠楠
石超君
ꢀ
ꢀ
ꢀ
，
河北工业大学电子信息工程学院 天津
１．
３００４０１
ꢀ
，
北京师范大学系统科学学院 北京
２．
１００８７５
ꢀ
，
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
ꢀ
摘
要
ꢀ
。 ， ， ，
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
系统进行分类 该网络由数据输入层 四
ＭＫ
。
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
、
、
、
，
、
，
的环境下编程 利用
，
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
Ｐｔｈｏｎ３．５
ｙ
Ｔｅｎｓｏｒｆｌｏｗ
。
： ，
的基本思想 当网络模型进行训练时 把一些神经
作用于全连接层之后以防止过度拟合
Ｄｒｏｏｕｔ
ｐ
Ｄｒｏｏｕｔ
ｐ
，
网络节点按一定的比例丢弃 使其暂时不发挥作用
。
可以理解成是一种十分高效的神经网络模型平
Ｄｒｏｏｕｔ
ｐ
， 。
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
，
数据库 首先进行预处理截取光谱
，
的部分 均匀采样后使用
自
标准
ｍｉｎｍａｘ
－
ＬＡＭＯＳＴＤＲ３
ꢀ
３６００ ７３００
ꢀ ～ ꢀ
。 ：
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
，
系统对光谱进行分类 每一类的训练
ＭＫ
，
条光谱数据 测试样本为
，
条光谱数据 首先通过训练样本对
，
网络进行训练 进行
ＣＮＮ
样本包含
１０００
ꢀ
４００
， ；
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
３０００
ꢀ
，
谱的分类 其中 型星数据集样本为
Ｏ
，
条光谱 其余类别恒星样本数据集均为
，
条光谱 将数据
等
５
２５０
４０００
ꢀ
， ， ， ，
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 折交叉验证法求得模型准确率 用
５
分
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
、
、
、
准确率
Ｒ Ｆｓｃｏｒｅ
。
实
Ａ
召回率
Ｐ
－
， ，
以上 在对相邻类别的恒星进行分类时
９５％
验结果显示
在对六类恒星光谱进行分类时其准确率都在
ＣＮＮ
， ，
由于 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
Ｏ
，
以上
９８％
。
算法能够很好地解决恒星光谱的分类问题
结果都证明了
ＣＮＮ
；
关键词 恒星光谱数据 自动分类
ꢀ
；
；
折交叉验证
ＣＮＮ ５
：
：
文献标识码
Ａ
：
／
（
）
中图分类号
Ｐ１５７．２
ꢀꢀ
ＤＯＩ １０．３９６４ ．ｉｓｓｎ．１００００５９３２０１９１０３２９７０５
ꢀꢀꢀ
ｊ
－
－
－
，
的物理参量是温度和光度 恒星光谱可以按照温度递减分为
， ， ， ， ， ，
Ｏ Ｂ Ａ Ｆ Ｇ Ｋ
。
种
共
７
引
言
Ｍ
ꢀ
近些年来国内 外 研 究 人 员 在 光 谱 分 类 方 面 做 了 许 多 尝
，
随着多个巡天项目的进行 我们可以获得的光谱数据日
， 。
并 且 已 经 开 发 出 了 多 种 自 动 分 类 方 法
Ｓｃｈｉｅｒｓｃｈｅｒ
试
和
ꢀꢀ
。
益增多 如何从光谱中自动而准确地提取天文信息是当前天
（ ） ，
用于天文学中 作为光
ＡＮＮ
提出将人工神经网络
Ｐａｕｎｚｅｎ
［］
１
。
［］
３
，
文学家面临的一个重要挑战
创 新 性 地 采 用 了
谱分类工具
但是
的计算复杂度取决于输入空间的
ＡＮＮ
ＬＡＭＯＳＴ
， ，
主动光学技术 设计新颖 是目前天文望远镜中光谱获取率
，
维数和隐藏层的大小 这意味着训练一个优秀的人工神经网
。
最高的 目前广泛 使 用 的 恒 星 分 类 方 法 称 为
。
络在计算上相当复杂 主成分分析
（ ）
作为一种常用的降
ＰＣＡ
ＭｏｒａｎＫｅｎａｎ
ｇ
－
［］
２
。
（
ＭＫ
），
属于二元分类系统
，
维方法也被天文学家用在光谱分类领域
Ｓｉｎｈ
系统
系统
系统分类依据
等应用
ＰＣＡ
ｇ
ＭＫ
：
，
：
修订日期
２０１９０１１９
收稿日期
２０１８０９０５
－ －
ꢀ
－
－
：
基金项目 国家自然科学基金委员会－中国科学院天文联合基金项目
（
），
河北省科技支撑计划
（ ），
天津市企业科技特派
１５２１２１０５Ｄ
Ｕ１５３１２４２
ꢀ
（
）
资助
员项目
１８ＪＣＴＰＪＣ５４３００
：
作者简介 王楠楠
，
１９９２
，
年生 河北工业大学电子信息工程学院硕士研究生
ｅｍａｉｌ ８１４５８８６５５
ꢀꢀ ＠ｑｑ
：
．ｃｏｍ
ꢀ
－
：
；
；
ｅｍａｉｌ ｉｕｂｏ ｈｅｂｕｔ．ｅｄｕ．ｃｎ ｍａ ｈｅｂｕｔ．ｅｄｕ．ｃｎ ｕｏ ｂｎｕ．ｅｄｕ．ｃｎ
ꢀꢀ ｐｇ
通讯联系人
＊
－
ｑ
＠
ｊ
＠
＠
光谱学与光谱分析
第
ꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ
卷
３９
３２９８
（）
ｌ
（ ）
ｌ １
－
（）
ｌ
（）
ｌ
，
来降低光谱的维数 并应用多层
（ ）
实现分类
ＭＢＰＮ
网络
ＢＰ
ｘ
ｊ
ａ
ｉ
∑
ｋ
ｂ
＋
Ｃ
＝
ｉ
ｊ
［］
４
。
ｉ
∈
Ｎ
ｊ
，
是一种线性降维方法 在对光谱
过程的自动化
由于
ＰＣＡ
（）
ｌ
（）
ｌ
（
ｘ
ｆ
）
（）
２
ａ
ｉ
＝
ｊ
，
降维时存 在 缺 陷 所 以
等 人 提 出 将 局 部 线 性 嵌 入
Ｄａｎｉｅｌ
［］
５
，
然 后 将
，
下采样层夹在连续的卷积层中间 主要作用是进行特征
ꢀꢀ
（ ）
应 用 到 恒 星 光 谱 分 类 中
ＬＬＥ
的 性 能 与
ＬＬＥ
， 。 ，
压缩 减小过拟合 下采样操作一般有两类 一类是最大池
，
在 光 谱 分 类 中 的 性 能 进 行 了 比 较 发 现
优 于
ＰＣＡ
ＬＬＥ
）
的分类算法应用到
ＳＶＭ
， 。
一类是平均池化 本文使用的是在实际操作中被广泛应
化
。
ＰＣＡ Ｌｉｕ
（
等将支持向量机
ＬＡＭ
－
。
用的最大池化法
，
恒星光谱分类的研究中 证实了使用
对光谱分类
ＳＶＭ
ＯＳＴ
［］
６
。
，
全连接层在卷积神经网络尾部 在整个卷积神经网络中
， ，
Ａ Ｆ Ｇ
具有可行性
实验结果表明该算法对
和
型恒
Ｍ
“ ”
起到 分类器 的作用
。
，
星可以准确地分类 但在对 型或 型恒星进行分类时错误
Ｋ
Ｂ
。
卷积层和全连接层需要用激活函数对其进行处理
ｓｉ
ｇ
－
。
率接近
薛 建 桥 等 提 出 了 一 种 基 于 自 组 织 特 征 映 射
５０％
，
和
ｍｏｉｄ ｔａｎｈ ＲｅＬＵ
等激活函数由于其良好的效果得到了广
（ ） ，
进行光谱分类的研究方法 取得了与哈佛分类系统
ＳＯＦＭ
［］
７
。
。
泛的应用 本文卷积层使用
，
函数进行处理 它具有计
ＲｅＬＵ
一致的分类结果
， ；
算简单 收敛快的特点 输出层使用
，
进行激活 具有
ｓｉｍｏｉｄ
ｇ
， 、
近些年来 深度学习在图片识别与分类 语音识别和医疗
［］
８
。
，
单调连续 优化稳定的特点
。
ＲｅＬＵ
激活函数的表达式为
领域等很多方面都得到了广泛的应用
在众多不同的深度神
（）
ｌ
）
（）
ｌ
）
（
（，
（）
３
ｘ
ｍａｘ０ ｘ
＝
ｆ
ｊ
ｊ
， ，
经网络当中 对卷积神经网络的研究是最广泛的 它在特征提
激活函数的表达式为
ｓｉｍｏｉｄ
ꢀꢀ ｇ
，
取方面有很大的优势 目前在恒星光谱分类领域中应用较少
。
（）
ｌ
ｘ
ｅｊ
本文提出基于卷积神经网络的方法对恒星光谱相邻类的数据进
（）
ｌ
）
（
（）
４
ｘ
＝
ｆ
ｊ
（）
ｌ
ｘ
ｅｉ
［］
９
。
算法 进行了对比
，
行分类 并与李俊峰等使用的
ＢＰ
∑
ｉ
，
如图 所示 激励函数作用于神经网络
１
。
ꢀꢀ
基本原理
１
ꢀ
（
，
）
是当
ｃｏｎｖｏｌｕｔｉｏｎａｌｎｅｕｒａｌｎｅｔｗｏｒｋ ＣＮＮ
卷积神经网络
ꢀꢀ
ꢀ
ꢀ
， 、
前应用最广 的 深 度 学 习 算 法 通 常 包 括 数 据 输 入 层 卷 积
、 、 、
下采样层 全连接层 输出层等基本层
。
层
，
数据输入层主要作用是把初始数据做预处理 主要方法
。
标准化法 本文使用
ｍｉｎｍａｘ
包括 均值标准化和
０
ｍｉｎｍａｘ
－
－
，
标准化对均匀采样后的光谱图做预处理 转化公式为
ｘ
ｍｉｎ
－
＊
（）
１
ｘ
＝
ｍａｘ ｍｉｎ
－
，
、
，
分别为数据的最小 最大值 为需要处
ｘ
其中
和
ｍｉｎ ｍａｘ
图
激活函数作用示意图
１
ꢀ
＊
，
ｘ
。
为标准化后的数据
理的数据
Ｆｉ．１ Ｓｃｈｅｍａｔｉｃｄｉａｒａｍｏｆａｃｔｉｖａｔｉｏｎｆｕｎｃｔｉｏｎ
ꢀ ꢀ ꢀ ꢀ ꢀ
ｇ ｇ
， ，
最核心的一个部分 主要进行特征提取
卷积层是
ＣＮＮ
，
并能够有效地降低参数数目 卷积层计算公式为
。
结构图如图 所示
２
本文使用的
ＣＮＮ
ꢀꢀ
图
恒星光谱分类卷积神经网络结构
２
ꢀ
Ｆｉ．２ Ｔｈｅｓｔｒｕｃｔｕｒｅｏｆｃｏｎｖｏｌｕｔｉｏｎａｌｎｅｕｒａｌｎｅｔｗｏｒｋ
ꢀ ꢀ ꢀ ꢀ ꢀ ꢀ
ｇ
。
此外为了避 免 过 拟 合 并 提 高 模 型 对 未 知 数 据 的 预 测 能
高
ꢀꢀ
［
］
０１１
－
１
，
。
力
在全连接层和输出层之间添加
它 的 基 本
Ｄｒｏｏｕｔ
ｐ
，
思想是当网络模型进行训练时 把一些神经网络节点按一定
实验分析与讨论
２
ꢀ
，
的比例丢弃 使其暂时不发挥作用
。
Ｄｒｏｏｕｔ
ｐ
可以 理 解 成 是
，
一种十分高效的神经网络模型平均方法 由于每次训练时都
，
搭建的框架下进行 使用的语言是
Ｔｅｎｓｏｒｆｌｏｗ
实验在由
ꢀꢀ
，
是随机选择不同的节点进行隐藏 使模型的鲁棒性得到了提
，
使 用 的 一 维 光 谱 图 是 在
Ｐｔｈｏｎ３．５
ｙ
的 光 谱
ＬＡＭＯＳＴ ＤＲ３
全部评论(0)