您现在的位置是：首页 > 技术资料 > 一种基于卷积神经网络的恒星光谱快速分类法

推荐星级：

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

立即下载

部分页面预览

（完整内容请下载后查看）

，

第

，

Ｖｏｌ．３９Ｎｏ．１０３２９７３３０１

ｐｐ

第

卷

期

１０

光

谱

学

与

光

谱

分

析

３９

ꢀ ꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ

－

，

Ｏｃｔｏｂｅｒ２０１９

ꢀ

年

２０１９１０

ꢀꢀꢀ ꢀ

月

ＳｅｃｔｒｏｓｃｏａｎｄＳｅｃｔｒａｌＡｎａｌｓｉｓ

ꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ ꢀ ｐ ꢀｐ ꢀ

ｐｙｙ

ꢀ

一种基于卷积神经网络的恒星光谱快速分类法

１

＊

波

１

＊

杰

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

ꢀ

３６００７３００

ꢀ ～ ꢀ

。：

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

ＲＦｓｃｏｒｅ

。

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

ＣＮＮ５

：

文献标识码

Ａ

：

／

（

）

中图分类号

Ｐ１５７．２

ꢀꢀ

ＤＯＩ１０．３９６４．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

，，，，，，

ＯＢＡＦＧＫ

。

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

ｅｍａｉｌ８１４５８８６５５

ꢀꢀ ＠ｑｑ

：

．ｃｏｍ

ꢀ

－

：

；

ｅｍａｉｌｉｕｂｏｈｅｂｕｔ．ｅｄｕ．ｃｎｍａｈｅｂｕｔ．ｅｄｕ．ｃｎｕｏｂｎｕ．ｅｄｕ．ｃｎ

ꢀꢀ ｐｇ

通讯联系人

＊

－

ｑ

＠

ｊ

＠

光谱学与光谱分析

第

ꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ

卷

３９

３２９８

（）

ｌ

（）

ｌ１

－

（）

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

。

ＰＣＡＬｉｕ

（

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

，，

ＡＦＧ

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

ｍｏｉｄｔａｎｈＲｅＬＵ

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

ｍａｘ０ｘ

＝

ｆ

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

ｅ^ｊ

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

ｅ^ｉ

［］

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

ｃｏｎｖｏｌｕｔｉｏｎａｌｎｅｕｒａｌｎｅｔｗｏｒｋＣＮＮ

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

＝

ｍａｘｍｉｎ

－

，

、

，

分别为数据的最小最大值为需要处

ｘ

其中

和

ｍｉｎｍａｘ

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．１Ｓｃｈｅｍａｔｉｃｄｉａｒａｍｏｆａｃｔｉｖａｔｉｏｎｆｕｎｃｔｉｏｎ

ꢀ ꢀ ꢀ ꢀ ꢀ

ｇｇ

，，

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．２Ｔｈｅｓｔｒｕｃｔｕｒｅｏｆｃｏｎｖｏｌｕｔｉｏｎａｌｎｅｕｒａｌｎｅｔｗｏｒｋ

ꢀ ꢀ ꢀ ꢀ ꢀ ꢀ

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

ＬＡＭＯＳＴＤＲ３

全部评论(0)

暂无评论

评论赚积分>>

上传资源上传优质资源有赏金

一种基于卷积神经网络的恒星光谱快速分类法

资料介绍

部分文件列表

部分页面预览

相关下载

全部评论(0)

热门标签

最新上传

热门下载

资料专题

推荐下载

专栏首页