推荐星级：
- 1
- 2
- 3
- 4
- 5
基于卷积神经网络的恒星光谱自动分类方法
资料介绍
恒星光谱自动分类是研究恒星光谱的基础内容,快速、准确自动识别、分类恒星光谱可提高搜寻特殊天体速度,对天文学研究有重大意义。目前我国大型巡天项目LAMOST每年发布数百万条光谱数据,对海量恒星光谱进行快速、准确自动识别与分类研究已成为天文学大数据分析与处理领域的研究热点之一。针对恒星光谱自动分类问题,提出一种基于卷积神经网络(CNN)的K和F型恒星光谱分类方法,并与支持向量机(SVM)、误差反向传播算法(BP)对比,采用交叉验证方法验证分类器性能。与传统方法相比CNN具有权值共享,减少模型学习参数;可直接对训练数据自动进行特征提取等优点。实验采用Tensorflow深度学习框架, Python3.5编程环境。K和F恒星光谱数据集采用国家天文台提供的LAMOST DR3数据。截取每条光谱波长范围为3 500～7 500Å部分,对光谱均匀采样生成数据集样本,采用min-max归一化方法对数据集样本进行归一化处理。CNN结构包括:输入层,卷积层C1,池化层S1,卷积层C2,池化层S2,卷积层C3,池化层S3,全连接层,输出层。输入层为一批K和F型恒星光谱相同的3 700个波长点处流量值。C1层设有10个大小为1×3步长为1的卷积核。S1层采用最大池化方法,采样窗口大小为1×2,无重叠采样,生成10张特征图,与C1层特征图数量相同,大小为C1层特征图的二分之一。C2层设有20个大小为1×2步长为1的卷积核,输出20张特征图。S2层对C2层20张特征图下采样输出20张特征图。C3层设有30个大小为1×3步长为1的卷积核,输出30张特征图。S3层对C3层30张特征图下采样输出30张特征图。全连接层神经元个数设置为50,每个神经元都与S3层的所有神经元连接。输出层神经元个数设置为2,输出分类结果。卷积层激活函数采用ReLU函数,输出层激活函数采用softmax函数。对比算法SVM类型为C-SVC,核函数采用径向基函数, BP算法设有3个隐藏层,每个隐藏层设有20, 40和20个神经元。数据集分为训练数据和测试数据,将训练数据的40%, 60%, 80%和100%作为5个训练集,测试数据作为测试集。分别将5个训练集放入模型中训练,共迭代8 000次,每次训练好的模型用测试集进行验证。对比实验采用100%的训练数据作为训练集,测试数据作为测试集。采用精确率、召回率、 F-score、准确率四个评价指标评价模型性能,对实验结果进行详细分析。分析结果表明CNN算法可对K和F型恒星光谱快速自动分类和筛选,训练集数据量越大,模型泛化能力越强,分类准确率越高。对比实验结果表明采用CNN算法对K和F型恒星光谱自动分类较传统机器学习SVM和BP算法自动分类准确率更高。
部分文件列表
| 文件名 | 大小 |
| 基于卷积神经网络的恒星光谱自动分类方法.pdf | 2M |
部分页面预览
（完整内容请下载后查看），
第
，
，
Ｖｏｌ．３９ Ｎｏ．４ １３１２１３１６
ｐｐ
第
卷
３９
ꢀ
期
４
光
谱
学
与
光
谱
分
析
ꢀ ꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ
－
，
Ａ ｒｉｌ ２０１９
ｐ
ꢀ
年
月
Ｓｅｃｔｒｏｓｃｏ ａｎｄＳｅｃｔｒａｌＡｎａｌｓｉｓ
ꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ ꢀ ｐ ꢀｐ
ｐｙ
２０１９
ꢀꢀꢀ
４
ꢀ
ｙ
ꢀ
ꢀ
基于卷积神经网络的恒星光谱自动分类方法
１
１
＊
波
１
， ，
周亚同 段福庆
２
＊
，
邱
石超君
ꢀ
，
河北工业大学电子信息工程学院 天津
１．
３００４０１
ꢀ
ꢀ
，
北京师范大学信息科学与技术学院 北京
２．
１００８７５
ꢀ
， 、 、
恒星光谱自动分类是研究恒星光谱的基础内容 快速 准确自动识别 分类恒星光谱可提高搜寻特
ꢀ
摘
要
ꢀ
， 。
殊天体速度 对天文学研究有重大意义 目前我国大型巡天项目
，
每年发布数百万条光谱数据 对
ＬＡＭＯＳＴ
、
海量恒星光谱进行快速 准确自动识别与分类研究已成为天文学大数据分析与处理领域的研究热点之一
。
，
针对恒星光谱自动分类问题 提出一种基于卷积神经网络
（ ）
的
ＣＮＮ
，
型恒星光谱分类方法 并与支持
Ｆ
和
Ｋ
（ ）、
误差反向传播算法
ＳＶＭ
（
）
对比 采用交叉验证方法验证分类器性能 与传统方法相比
ＢＰ
，
。
向量机
具
ＣＮＮ
， ； 。
有权值共享 减少模型学习参数 可直接对训练数据自动进行特征提取等优点 实验采用
深度
Ｔｅｎｓｏｒｆｌｏｗ
，
。
Ｋ
。
数据 截取
ＬＡＭＯＳＴＤＲ３
学习框架
编程环境
和
恒星光谱数据集采用国家天文台提供的
Ｐｔｈｏｎ３．５
ｙ
Ｆ
ꢀ
， ，
部分 对光谱均匀采样生成数据集样本 采用
每条光谱波长范围为
归一化方法对
ｍｉｎｍａｘ
－
３５００ ７５００
ꢀ ～ ꢀ
。
：
，
，
，
，
，
卷积
数据集样本进行归一化处理
结构包括 输入层 卷积层
池化层
卷积层
池化层
ＣＮＮ
Ｃ１
型恒星光谱相同的
３７００
ꢀ
Ｓ１
Ｃ２
。
个波长点处流量值
Ｓ２
，
池化层
Ｃ３
，
Ｓ３
， 。
全连接层 输出层 输入层为一批
层
和
Ｋ Ｆ
。
，
，
无重叠采
层设有
个大小为
１０
张特征图
步长为 的卷积核
１
层采用最大池化方法 采样窗口大小为
Ｃ１
１×３
Ｓ１
１×２
层设有 个大小为
２０ １
，
生成
，
与
，
层特征图数量相同 大小为
。
层特征图的二分之一
样
１０
Ｃ１
Ｃ１
Ｃ２
。
张特征图
Ｃ３
，
步长为 的卷积核 输出
１
。
Ｓ２
张特征图
层对
层
Ｃ２ ２０
张特征图下采样输出
层设有
×２
２０
２０
，
步长为 的卷积核 输出
１
。
个大小为
张特征图
层对
层
张特征图下采样输出
张特征
３０
３０
１×３
３０
Ｓ３
，
层的所有神经元连接 输出层神经元个数设置为
２
Ｃ３ ３０
。
，
每个神经元都与
５０
。
图
全连接层神经元个数设置为
Ｓ３
。
输出分类结果 卷积层激活函数采用
，
函数 输出层激活函数采用
。
函数 对比算法 类型
ＳＶＭ
ＲｅＬＵ
ｓｏｆｔｍａｘ
，
，
ＢＰ
，
算法设有 个隐藏层 每个隐藏层设有
３
，
。
个神经元 数据
２０ ４０ ２０
为
核函数采用径向基函数
和
ＣＳＶＣ
－
，
集分为训练数据和测试数据 将训练数据的
， ，
和
４０％ ６０％ ８０％ １００％
，
作为 个训练集 测试数据作为测试
５
。 ，
分别将 个训练集放入模型中训练 共迭代
５
， 。
次 每次训练好的模型用测试集进行验证 对比实验
８０００
ꢀ
集
， 。 、
的训练数据作为训练集 测试数据作为测试集 采用精确率 召回率
、
、
准确率四个评价
Ｆｓｃｏｒｅ
采用
１００％
－
， 。
指标评价模型性能 对实验结果进行详细分析 分析结果表明
算法可对
和
型恒星光谱快速自动分
Ｆ
ＣＮＮ
Ｋ
， ， ， 。
类和筛选 训练集数据量越大 模型泛化能力越强 分类准确率越高 对比实验结果表明采用
算法对
ＣＮＮ
。
算法自动分类准确率更高
ＳＶＭ ＢＰ
和
型恒星光谱自动分类较传统机器学习
和
Ｋ
Ｆ
； ； ； ；
关键词 恒星光谱 自动分类 卷积神经网络 交叉验证 评价指标
ꢀ
：
：
文献标识码
Ａ
：
／
（
）
中图分类号
Ｐ１５７．２
ꢀꢀ
ＤＯＩ １０．３９６４ ．ｉｓｓｎ．１００００５９３２０１９０４１３１２０５
ꢀꢀꢀ
ｊ
－
－
－
（
ＭＫ
）， ，
系统 该方法根据恒星温度由高至低排序 将恒
系统
， ， ， ， ，
，
和 七类光谱型光谱 每类
Ｍ
星光谱分为
光谱细分为
型巡天项目如
引
言
Ｏ Ｂ Ａ Ｆ Ｇ Ｋ
ꢀ
［］
１
。
，
个数量不统一的次型光谱
目前 国内大
０ ９
～
，
恒星光谱自动分类是研究恒星光谱的基础内容 快速
、
：
和
ＬＡＭＯＳＴ ＳＤＳＳ
每年产生数百万恒星光谱
ꢀꢀ
［
］
２３
－
、
准确自动识别 分类恒星光谱可提高搜寻特殊天体速度
，
对
， 、
数据 对海量恒 星 光 谱 进 行 快 速 准 确 自 动 识 别 与 分 类
［
］
４５
与处理领域研究热点之一
－
。
天文学研究有重大意义 目前通用恒星光谱分类方法是基南
。
研究已成为天文学大数据分析
：
，
：
修订日期
２０１８０６１２
收稿日期
２０１８０２０７
－ －
ꢀ
ꢀ
ꢀ
－
－
：
（
）
资助
Ｕ１５３１２４２
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
：
，
，
年生 河北工业大学电子信息工程学院博士研究生
ｅｍａｉｌ ４７４７５６３２３
ꢀꢀ
：
作者简介 石超君
１９９２
．ｃｏｍ
＠ｑｑ
－
：
；
ｅｍａｉｌ ｉｕｂｏ ｈｅｂｕｔ．ｅｄｕ．ｃｎ ｆｄｕａｎ ｈｎｕ．ｅｄｕ．ｃｎ
ꢀꢀ ｑ
通讯联系人
＊
－
ｑ
＠
＠
第
期
光谱学与光谱分析
ꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ
４
１３１３
［］
６
等提出一种基于自
，
在恒星光谱自动分类方面
Ｚｈａｎ
ｇ
，
动恒星光谱分类的分层方法 该方法采用非参数回归算法确
卷积神经网络原理
１
ꢀ
，
定恒星光谱主类和子类 使用偏最小二乘回归算法确定发光
［］
７
等将随机森林算法应用于恒星光谱分类 实验表
。
ＹＩ
，
。
是一种经典深层神经网络结构 与传统方法相比
，
类型
ＣＮＮ
ꢀꢀ
，
明随机森林比多层感知器网络效率高 均方根值
（
）
误差
ＲＭＳ
、
。
其具有权值共享 对训练数据自动特征提取等优点
通用结构
１．１ ＣＮＮ
ꢀ
［］
８
刘超 等提出基于恒星轨迹线指数对
。
小
恒星光
ＬＡＭＯＳＴ
［］
９
等提出基于概率神经网络的恒星
。
， ： 、 、
通用结构如图 所示 包括 输入层 卷积层 池
１
谱自动分类
Ｋｈｅｉｒｄａｓｔａｎ
ＣＮＮ
，
光谱分 类 方 法 分 类 效 果 优 于
。
、 。
化层 全连接层和输出层 数据集进入网络与卷积层多个卷
和
算 法
Ｋ ｍｅａｎｓ
－
刘
ＳＶＭ
［］
１
等提出基于非参数回归与
， ，
积核卷积生成特征图 池化层对特征图下采样 生成新特征
蓉
的恒星光谱自动分
Ａｄａｂｏｏｓｔ
［
］
０
等
１
，
类方法 提升了恒星光谱次型和光度型分类精度
。
， 、 ，
图 全连接层将池化层生成的多个特征图融合 分类 输出
Ｊｉａｎ
ｇ
。
。
分类结果
采用改进
分类器对
Ｆｉｓｈｅｒ
光谱自动分类
ＷＤＭＳ
［
］
１１２
－
１
、
在 特 征 提 取 识 别 与 分 类 等 方 面 优 于 浅 层 网
恒星光谱分类
结构
ＣＮＮ
１．２
ＣＮＮ
ꢀ
［ ］
１３
，
，
，
， ： ，
本文提出九层卷积神经网络结构 包括 输入层 卷积
络
泛化能力强 已广泛应用于各个科研领域
但尚未应
用于天文领域恒星光谱自动分类 本文提出基于高学习效率
［ ］
。
，
池化层
Ｃ１
，
卷积层
Ｓ１
，
池化层
Ｃ２
，
卷积层
Ｓ２
，
池化
Ｃ３
层
层
，
，
， ，
全连接层 输出层 如图 所示
２
。
算法对
和
型恒星光谱自动分类 同时与文献
ＣＮＮ
Ｋ
Ｆ
１１
Ｓ３
。
算法对比
提出的
和
ＳＶＭ ＢＰ
图
卷积神经网络通用结构
１
ꢀ
Ｆｉ．１ Ｔｈｅｂａｓｉｃｓｔｒｕｃｔｕｒｅｏｆｃｏｎｖｏｌｕｔｉｏｎａｌｎｅｕｒａｌｎｅｔｗｏｒｋ
ꢀ ꢀ ꢀ ꢀ ꢀ ꢀ ꢀ
ｇ
图
恒星光谱分类卷积神经网络结构
２
ꢀ
Ｆｉ．２ Ｔｈｅｓｔｒｕｃｔｕｒｅｏｆｃｏｎｖｏｌｕｔｉｏｎａｌｎｅｕｒａｌｎｅｔｗｏｒｋ
ꢀ ꢀ ꢀ ꢀ ꢀ ꢀ
ｇ
，
输入层为训练集 本文训练集为一批恒星光谱同样的
，
，
，
小为
无重叠采样 生成
张特征图 数量与
层相
个大
的
３
１×２
１０
。
层二分之一
Ｃ１
层设有
２０
ꢀꢀ
，
个波长点处流量值 大小为
。
１×３７００ Ｃ１
ꢀ
，
，
是
１×１８４９ Ｃ１
层设有
个
同
大小为
７００
大小为
１０
Ｃ２
ꢀ
，
步长为 的卷积核 不同卷积核可提取输入数
１
，
步长为 的卷积核 输出
１
小为
张大小为
１×３
１×２
２０
１×１８４８
ꢀ
。 ，
据不同特征 输入数据与每个卷积核进行卷积 加偏置后经
。
特征图
１×９２４
层对
层
Ｃ２ ２０
张特征图下采样输出
张大小为
Ｓ２
２０
，
生成
Ｃ１
。
Ｃ３
过激活函数得到卷积层
张大小为
的特
的特征图
层设有
个大小为
步长为
的
１
１０
１×３６９８
ꢀ
３０
１×９２２
张大小为
１×３
。
征图 卷积计算公式如式
（）
所示
１
，
卷积核 输出
。
的特征图
张大小为
层对 层
Ｃ３
３０
Ｓ３
（）
ｌ
（ ）
ｌ １
－
（）
ｌ
（）
ｌ
。
特征图 全连接
张特征图下采样输出
３０
层神经元个数设置为
３０
１×４６１
ｘ
ｊ
ａ
ｉ
∑
ｋ
ｂ
＋
Ｃ
＝
ｉ
ｊ
ｉ
∈
Ｎ
，
每个神经元与 层所有神经元连
５０
ｊ
Ｓ３
（）
ｌ
（）
ｌ
（
ｘ
ｆ
）
（）
１
ａ
ｉ
＝
ｊ
。
，
激 活 函 数 采 用
２
接
输出层神经元 个 数 设 置 为
函
ｓｏｆｔｍａｘ
，
ｌ
，
ｊ
，
ｋ
，
为卷积核
ｂ
Ｃ
其中
为神经网络层数
为特征图
为偏
，
数
表达式为
，
，
ｆ
，
为激活函数 本文采用
置值
为输入特征图集合
（）
ｌ
ｘ
ｅｊ
Ｎ
ｊ
Ｒｅ
－
（）
ｌ
）
（
（）
３
ｘ
＝
ｆ
ｊ
（）
ｌ
ｘ
ｅｉ
，
激活函数 表达式为
ＬＵ
∑
ｉ
（）
ｌ
）
（）
ｌ
（
（，
ｍａｘ０ ｘ
）
（）
２
ｘ
＝
ｆ
ｊ
ｊ
， ，
层称下采样层 本文采用最大池化方法 采样窗口大
Ｓ１
ꢀꢀ
相关下载
- 华为模块电源管理设计指导-(V100R001_02 Chi...
- 华为LGA模块PCB设计指导_V2.0_20150126.pdf
- HUAWEI Module USB Interface Descriptor Gui...
- HUAWEI ME909s-821 LTE LGA模块硬件指南V100R...
- HUAWEI ME909s-821 LTE LGA Module Acceptanc...
- HUAWEI 30 mm x 30 mm LGA Module Hardware M...
- HUAWEI 30 mm x 30 mm LGA Module Developmen...
- Altium_Designer_规则设置三例.pdf
- STM32F407产品技术培训-DSP库及其例程
- STM32F407产品技术培训-2.浮点单元.pdf
全部评论(0)