积分商城

最新搜索： CH340 排插 入门教程 canopen TMC5160 altium Designer 20 电路设计与仿真从入门到精通
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：
  • 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

【关注视频号领20积分】   【关注公众号立即送20积分】

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  

相关下载

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

热门标签

更多>>

最新上传

  • 打赏
  • 30日榜单

热门下载

推荐下载

本站上的所有资源均为源于网上收集或者由用户自行上传，仅供学习和研究使用，无任何商业目的，版权归原作如有侵权，请 来信指出，本站将立即改正。

ICP许可证号：京ICP证070360号     21IC电子网 2000- 版权所有

京ICP备11013301号

京公网安备 11010802024343号